會議記錄 AI 定人工記錄？公開研究同可重現測試幫你揀

一句答你：AI 會議記錄同人工記錄唔係二選一，而係分工唔同。公開研究最一致嘅結論係：AI 摘要最擅長處理「逐字稿 → 摘要 → 行動項」呢段機械工序，但佢唔識判斷；人手記錄最擅長處理「邊句係重點、邊句係客套」，但佢慢又貴。決定用邊個，睇你嘅會議有冇「需要判斷」嘅內容。

搜「會議記錄 ai」，出嚟嘅多數係工具清單：邊個平、邊個中英夾雜最準、邊個摘要寫得最靚。但你要嘅唔係工具名，而係一個可以自己驗證嘅判斷框架。

呢篇唔賣工具。我哋用四份公開研究（同行評審一篇、工作論文一篇、期刊論文兩篇）同你自己跑得返嘅對照測試方法，拆清楚 AI 同人工記錄各自做得好嘅位、做得唔好嘅位，同埋點樣用一個下午就驗證你公司嘅情況。

如果你已經知道要處理嘅係中英夾雜嘅粵語會議，可以先睇《會議記錄 AI 比較：Otter、Fireflies 同本地工具，廣東話場景邊個得》。

Key Takeaways

• AI 會議記錄 係 由錄音／文字稿自動生成摘要同行動項嘅一類工具；人工記錄 係 由出席者（或者專人）現場判斷邊個重要、再寫成文字。兩者嘅強項完全唔同。
• 生產系統上嘅真實用戶研究（CHI 2025）發現：AI 生成嘅會議記錄會漏咗重要話題、寫錯細節，甚至出現唔存在嘅出席者名字；用戶最後仍然要自己睇返錄音人手改正。
• AI 摘要唔會自動幫你減少開會時間。Microsoft 內部工作論文（arXiv 2504.11443）發現：獲派發 Copilot 授權嘅員工，會議次數同時長只有統計上唔顯著嘅變化。
• 有研究直接問過「邊個記錄方式資訊量最大」：用人手寫嘅筆記做問答，答題準確率 79%；用人手打字嘅筆記 76%；只用會議語音節錄得 36%；而人手寫嘅摘要係 98%。
• 最重要嘅一條：連「咩叫行動項」呢個判斷，人類之間都唔一致（公開標註數據入面，標註者一致性 Kappa 只有 0.36–0.47）。所以唔好問「AI 準唔準」，要問「同邊個標準比」。

先分清楚：AI 記錄同人工記錄唔係同一樣嘢

開始比較之前，先定義返四個詞，否則會出現「AI 都幾準喎」同「AI 好亂寫」兩種相反結論：

• AI 會議記錄 係 將逐字稿交畀模型，自動抽出重點、決定同行動項，再排版成一份有分節嘅文件。核心係「抽取同重寫」。
• 人工記錄 係 由一個真人（通常係會議其中一位，或者一個速記員）現場聽、判斷邊句重要、然後用自己的語言寫低。核心係「判斷同選擇」。
• 逐字稿 係 錄音嘅逐句文字版，冇經過任何摘要。佢係前兩者嘅共同原料。
• 行動項（action item） 係 一句包含「任務、負責人、時間」嘅陳述。三樣缺一不可——「張三跟進」冇時間，唔算完整行動項。

一樣嘢要分四層睇：

【獨家觀察】由上表可以推導出一個好有用嘅結論：層與層之間嘅落差，決定咗你值唔值得買工具。 如果你嘅會議有八成時間係「聽清楚對方講咗咩」，AI 嘅邊際效益最高；如果九成時間係「爭一個方案邊個好」，AI 幫到你嘅只係前半段，後半段仍然要人。

公開研究畀咗咩答案：四份有份量嘅研究

① 生產系統上嘅真實用戶反饋：AI 摘要會漏、會錯、會幻覺

一篇發表喺 CHI 2025 嘅研究，做咗一個三年期嘅案例研究，对象係一間做商業會議分析服務嘅初創公司（AI for Meeting Minutes: Promises and Challenges in Designing Human-AI Collaboration on a Production SaaS Platform，2026-10-30 查閱）。幾個發現直接可以攞嚟做決策：

• 用戶期望同實際有落差。 「Users had hoped for a complete replacement of manual effort with AI, but the minutes often omitted important topics or included incorrect details and hallucinations, such as non-existent participant names.」
• 用戶最後仍然要自己返去睇錄音。 有人發現 AI 生成嘅記錄唔符合佢哋對質素嘅期望之後，就「found themselves needing to read or rewatch the meeting to manually correct the generated output」。
• 用戶自己發明咗分工。 團隊將記錄過程拆成三段：辨識議題（topic identification）、按議題做摘要（topic-based summary）、重新排版（reformatting），並為銷售會議同內部會議分別寫唔同嘅模板。
• 自動化係逐步落地嘅，唔係一次過。 用戶「selectively applying it to specific types of meetings」，同時仍然要求對摘要做仔細檢查同人手修正。

點解呢篇最重要： 佢係喺真實生產系統上做嘅三年觀察，唔係 demo。佢畀出嘅結論唔係「AI 唔得」，而係「AI 要人接住，而且要逐個會議類型調」。

② AI 摘要唔會自動令你開少啲會

Microsoft 嘅內部工作論文《Early Impacts of M365 Copilot》（arXiv:2504.11443，2026-10-30 查閱）有一個幾多人忽略嘅結論：

• 收到 Copilot 授權嘅員工，最常用嘅功能就係會議摘要。
• 但會議次數同每週總時長，只見到統計上唔顯著嘅上升。
• 研究者嘅解釋值得抄：「we do not see similar reductions in time spent in meetings」——因為會議變有效率之後，團隊可能反而開多啲腦爆會議，而唔係拎返時間。
• 方向差異好大：六間有顯著上升嘅公司，每週多開 26 分鐘（+13%）；有顯著下降嘅公司，每週少 25 分鐘（−9%）。

實務意思： 唔好將「上咗 AI 會議記錄」當成「慳咗時間」。慳到嘅係「會後整理」嗰段，唔一定係「開會」嗰段。想真係慳，仲要配合會議制度（例如唔開無決定嘅會、議程先發）。

③ 人手寫嘅筆記，資訊量遠高於會議語音節錄

呢個係最直接回答「AI 定人工好」嘅實驗。論文《A User Evaluation Study: Do Participants' Personal Notes Help Us to Summarise Meetings?》（Knowledge Management, 2014，DOI 10.1002/kpm.1439，2026-10-30 查閱）用 AMI 會議語料做問答任務，比較用唔同情料做答案來源時嘅答題準確率：

• 人手寫嘅筆記：79%
• 人手打字嘅筆記：76%
• 只用會議語音嘅節錄：36%
• 人手寫嘅摘要：98%

作者嘅結論：出席者自己寫嘅筆記，包含咗最多有用資訊，因為佢哋「usually record the most important meeting events in a concise way」——呢個「揀」嘅動作，就係 AI 做唔到嘅嗰一步。

點解重要： 如果你問「AI 摘要啱唔啱」，答案係「佢答得啱嘅係逐字稿有嘅嘢」。但如果你問「會後有人問『當日決定咗乜』」，AI 摘要要搵嗰個「決定」——而決定好多時唔係逐字稿入面最突出嗰句。人手筆記之所以贊，唔係因為寫得好，而係因為寫嘅時候已經做咗一次判斷。

④ 連人類自己都對「咩叫行動項」唔一致

呢個係最容易被忽略、但最影響你點樣評分嘅一點。

《Meeting Action Item Detection with Regularized Context Modeling》（arXiv:2303.16763，2026-10-30 查閱）作者喺兩個公開會議語料上做人工標註，報告標註者一致性（Kappa）：

• ICSI 語料：Kappa 0.36
• AMC-A 中文會議語料（424 場會議、1,506 個行動項）：Kappa 0.47

作者形容呢個狀態係「high subjectivity and low consistency」。同一句「我哋下次再跟進」，一個標註者當佢係行動項，另一個可能當佢係廢話。

另一邊，自動摘要嘅研究本身都顯示同一個難題：《Action-Item-Driven Summarization of Long Meeting Transcripts》（arXiv:2312.17581，ACM 2024）用一個包含 2,750 句對話嘅公開資料集訓練行動項分類器，測試集分類準確率有 95.4%——但作者自己講明，呢個步驟只係「identify which sentences contain action items」，仲未處理「抽埋任務內容」嘅問題。

實務意思： 你要求工具「唔好漏行動項」，你要先答「咩先算行動項」。冇寫死標準，你嘅驗收一定會撞板。

【獨家觀察】呢個發現有一個好實際嘅後果：如果你哋內部對「咩叫行動項」有爭議，唔好怪 AI 唔準——先寫規則，再測工具。反過來，如果人哋之間都唔一致，AI 嘅「錯」只係反映咗你哋流程嘅模糊。好多團隊以為買工具就解決到問題，實際上工具只會將模糊放大。

順帶一提：自動指標點解唔夠用

2025 年 COLING Industry 嘅《Is my Meeting Summary Good? Estimating Quality with a Multi-LLM Evaluator》（aclanthology.org，2026-10-30 查閱）做咗一個幾有用嘅整理：

• 會議摘要嘅錯誤可以分成八類：重複（redundancy）、不連貫（incoherence）、語言（language）、遺漏（omission）、指代（coreference）、幻覺（hallucination）、結構（structure）、無關（irrelevance）。
• ROUGE 同 BERTScore 呢類自動指標，同人手評分嘅相關性唔高，會捉唔到細微錯誤；人手評分仍然係 gold standard。

所以你見到一篇文話「我哋用 ROUGE-1 攞到 45.2 分」，嗰個數字同「份記錄有用」之間，距離相當遠。

準確度點量：三類錯誤，加埋一個「意思」嘅維度

要比較 AI 同人工，你要有同一把尺。AI 會議記錄最實用嘅分法唔係一個總分，而係三類錯誤分開計：

• 漏抽 係 應該被寫低嘅行動項，AI 冇寫。
• 誤抽 係 稿入面出現咗唔存在嘅行動項（最嚴重嗰種係幻覺，例如提到一個冇出席嘅人）。
• 重複 係 同一件事被寫咗兩三次，通常係同一句被模型當成兩個行動項。

完整嘅測試集砌法、逐段標註規則、覆蓋率同準確率計法，睇《AI 會議記錄準確度測試：行動項抽取點樣評漏、誤、重複》。

要加多一欄：意思錯誤。例如講者講「唔好出貨」，記錄寫成「出貨」——字面只錯一個字，但交付咗一份意思相反嘅文件。呢類錯誤喺自動化指標（WER／CER）之下完全睇唔到。粵語場景仲要多加一欄：語氣詞同否定詞嘅處理（例如「唔係喎」被寫成「係喎」）。粵語引擎嘅測試集點砌同評分表，睇《廣東話語音轉文字實測：WER、中英夾雜、港式英文點樣測》。

成本嗰邊：逐分鐘計，唔好淨睇月費

工具費通常係月費，AI 真正嘅成本喺「核對時間」。逐分鐘拆一次嘅方法（用香港法定最低工資、僱員時薪中位數同公開 API 費率），睇《語音轉文字 vs 請人打字：會議記錄成本逐分鐘計》。

要老實講，市場上最常被引用嘅「AI 會議記錄慳時間」數字，好多都係廠商自己嘅調查。例如一個工具商喺 2026 年 10 月公布嘅 100 人網上調查（産經新聞 via PR Times，2026-10-30 查閱）報告：95% 受訪者話有縮短時間，80% 話而家做一份議事錄所需時間少過導入前一半；導入前最常見係 31–60 分鐘（52%），導入後最常見係 11–20 分鐘（42%）。

呢組數字要咁讀： 樣本係 100 個已經喺用緊、而且之前係手做嘅人（自我選擇），問卷由工具商自己做、係日本市場、而且係單一工具嘅使用者。佢哋證明咗「用慣咗之後會覺得快好多」，但唔能夠攞嚟做跨工具比較，亦唔能夠推廣到「未試過 AI 嘅團隊」。引用時一定要連限制一齊引。

自己跑一個對照測試：一個下午做得晒

上面四份研究畀咗你方向，但你公司嘅答案只有你自己跑得出來。以下六步，每步都寫得晒，唔使額外工具。

第一步：揀兩場同類會議，唔好揀最好嗰場

揀兩場議題相似、參與者角色相近嘅會：一場用 AI 記錄，一場由一位有經驗嘅同事人手記錄。如果只能夠揀一場，就用同一場會，開會時兩個版本並行記錄——因為唔同會議本身嘅差異，會完全淹沒工具嘅差異。

第二步：先寫死標註規則，之後先睇稿

呢一步最易被跳過，但跳咗就等於冇測試。規則最少要寫死三樣：

1. 咩算一個行動項（任務＋負責人＋時間三樣齊先計？定係有其中兩樣就算？）——呢個定義直接決定咩叫「漏抽」。
2. 同一件事點算「重複」（同一個任務出現兩次，就算重複；同一個任務但負責人唔同，唔算？）
3. 意思錯誤點計（否定詞被反轉、語氣詞被吞、數字錯——各自點記？）

規則寫好之後，先叫另一位同事睇一次，確認佢都讀得明。

第三步：逐段標註，唔好逐句睇

逐句標註會令人疲勞，標註質量會跌。逐段（每段一個議題）標，標三樣：漏咗嘅行動項、多咗嘅行動項、意思錯咗嘅位。

第四步：計四個數，唔好計一個總分

• 行動項覆蓋率 = AI／人手抽到嘅行動項中，有幾多個被另一方都抽到。
• 誤抽率 = 另一方冇抽到嘅行動項，佔幾多。
• 重複率 = 同一件事出現多過一次嘅比例。
• 意思錯誤數 = 逐個點，唔好只報百分比——因為一個意思錯誤嘅後果，唔係十個錯字嘅後果。

第五步：記低限制

最少寫低四樣：幾長嘅會議、邊類議題、有冇重疊發言、標註係邊個做。冇呢四樣，個數字三個月後就冇人信。

第六步：寫低「咩情況下我會用邊個」

測試嘅目的唔係選一個贏家，而係寫低一個分流規則：

• 例會、議程明確、決策清晰 → AI 版本 + 一個人核。
• 涉及爭議、關係、或者要判斷場合 → 人手版本為主，AI 版本做補漏。
• 對外要交嘅文件 → 兩份都做，人手版本為準。

順帶一提，如果你想試下自己嘅錄音先，上載錄音轉文字教學：音檔出逐字稿，逐步教你做有完整步驟；如果你嘅會議有線上又有實室，收音嗰層會直接影響結果，睇《混合會議收音設定指南：遠程同場，點樣先錄得清》。

咁應該點揀：按會議場景分流

一條通用原則：越需要「保留原話」嘅場景，越要逐字稿；越需要「理解內容」嘅場景，越要人。 兩者唔係替代關係。

如果你想要一份拎得用嘅會議記錄格式（摘要／決策／行動項／待跟進四節，加 10 個港式範本同自訂硬限制），睇《會議記錄範本庫：10 個港式會議範本，節結構同點自訂》。

實測（待補）

呢篇冇貼「港嘢 AI 會議記錄 vs 人手記錄嘅準確度對比表」。咁樣嘅表要有同一場會議、同一套標註規則、至少兩個獨立標註者，先有比較價值。

以下三項係我哋會補嘅，每一項都會用上面第六步嘅六步方法（規則先寫死、逐段標註、計四個數）：

• 同一場 30 分鐘中英夾雜會議，人手記錄 vs AI 記錄嘅行動項覆蓋率同誤抽率（標註者一致性要報 Kappa）。
• 「意思錯誤」嘅實際出現率，分粵語否定詞、專有名詞、數字三類。
• 同一場會議，AI 版本由一個熟悉該客戶嘅同事核對，跟由一個唔熟悉嘅同事核對，所需時間差幾多。

在呢三項出嚟之前，本篇所有數字都係引用公開研究，唔係我哋自己嘅測試結果。

常見問題 FAQ

AI 會議記錄會唔會將人名或者數字寫錯？

會。而且呢類錯唔會自動浮現——你要靠逐段對音先捉到。公開研究入面，AI 生成嘅記錄被記錄為會出現「唔存在嘅出席者名字」呢類幻覺（CHI 2025）。防法只有一個：交付前逐段對原音，數字同人名另外抽一張表出嚟對。

開會時間會唔會反而變長？

有可能。Microsoft 內部工作論文（arXiv:2504.11443）觀察到嘅係：Copilot 授權同會議時長之間只有統計上唔顯著嘅關係，部分公司甚至多咗 26 分鐘／週。慳到嘅係會後整理，唔一定係開會本身。想真係慳時間，要配合會議制度（議程先發、無決定嘅會唔開）。

混合格式（AI 出稿＋人手核）係咪最好？

現有研究支持呢個方向：CHI 2025 嗰個案例入面，用戶自己發展出嚟嘅做法就係「AI 出初稿＋針對性人手修正」，而且係逐個會議類型去調模板。代價係你要有人肯核——如果冇人核，混合格式同純 AI 冇分別。

有冇公開數據集可以自己驗？

有，而且做研究用係公開嘅：AMI 會議語料（137 場情境會議）、ICSI 語料（75 場）、AMC-A 中文會議語料（424 場、1,506 個行動項，附標註指引）。全部有 arXiv 論文講清楚標註方法，可以照抄。留意嗰啲係普通話／英語會議，粵語冇對應嘅公開語料——呢個係粵語場景要自己砌測試集嘅原因。

幾耐先算 invest 得？

用上面第四步嗰四個數做門檻：如果 AI 版本嘅行動項覆蓋率已經高過你人手版本、而核對時間又短過你預期，就值得繼續用。如果覆蓋率低過人手，問題通常唔喺工具，而係「你哋嘅行動項定義未寫死」。返去寫規則，再測一次。

想試下自己嘅會議？

你可以拎一段真實會議錄音（記得先取得出席者同意），去語音轉錄頁跑一次，逐字稿出咗之後，試住用四節結構寫成一份會議記錄，再對返你手上人手嗰份——咁就係你自己嘅第一個對照測試。想知道中英夾雜會議嘅完整流程同治理安排，讀《中英夾雜會議記錄 AI：粵語會議自動出逐字稿》；企業方案查詢：聯絡我哋。

---

本文由港嘢內容團隊編輯審閱（editorial review，2026-10-30）。文中所有數字全部引自公開研究，附查閱日期同原文連結，歡迎自行到原文覆核；本篇冇引用自家測試數據。想了解我哋嘅背景，可以睇關於港嘢；有技術問題或者想申請功能開通，聯絡我哋。