1. 简介

开过太多疲惫冗长的会议: 同一个观点被反复说, 谁也不肯让步, 散会时只剩"下周再聊"。把 AI 拉进会场能改善会议体验吗?

有人（参考：arXiv 2508.08242） 曾经专门做过实验， 来研究 AI 是否能提高会议质量。

实验组织了 1475 人, 分成 281 个五人小组, 做一个"隐藏档案任务": 选一个城市办运动会。 每个组员手上的资料不一样, 从上帝视角最优答案是一个叫 Eldoron 的城市, 但是单看任何一份资料都不够吸引, 只有把五个人的信息拼起来才能得出 Eldoron 最好的结论。

281 个小组分四类:

  • 70 个放任不管，
  • 71 个只在开场收到一次信息共享提示，
  • 70 个用人类主持，
  • 70 个用 GPT-4o 主持。

结果 AI 主持的组比放任组多共享了 2.9 条事实(p < 0.001), 原本会沉默的人开口了,全员发言率从 39-47% 跳到 61%。AI 在 68% 的发言里直接点名某个人(“X 还没说,你怎么看?”), 人类主持只有 25% 的发言这么做。把每个人都拉进讨论这件事, AI 做到了人做不到的程度。

但最优城市的选中率呢? 无干预 31%、提示组 21%、人类主持 30%、AI 主持 23% —— 四组没有显著差异。按各条件讨论中出现的信息算,AI 条件本可到 63%,实际只到 23%。事实进了讨论, 小组成员选的时候没真的用上。原因从数据里能看到: 所有组都不成比例地偏向另一个城市的信息, 因为每个人手上那份资料都让那个城市看起来比 Eldoron 顺眼。

AI 的参与改善了过程, 但没有改善结果。

这个数据展示了会议质量的两个方面:

  • 信息层(谁开口、信息有没有被听到)
  • 决策层(权衡怎么发生、谁拍板)。

AI 在信息层很能干; 在决策层它能影响走向, 但这种影响是隐性的。

2. AI 怎么为信息层提效

关于 AI 在信息层的贡献,arXiv 实验只测了会场内的一段。如果把 AI 用在会前和会后, 杠杆可能比会场内更大, 但这是设计假设, 还需要进一步验证。

一般会议里有相当一部分时间花在"同步上下文", AI 最直接能做的是

  • pre-read 综合: 把分散在不同系统里的旧决策、客户反馈、数据合同拉出来做成 2-3 页简报, 每个参会者进会场已经看过同一份事实。
  • 立场调研(会前 24 小时发个 prompt 收集每个人的初步看法和担忧, 聚合成"会前立场地图")

会场内的 AI 主持是大家最容易想到的, arXiv 论文测的就是这块。实验里最明确的机制是高频点名:“X 还没发言,你怎么看?” AI 在 68% 的发言里直接点名某个人, 人类主持只有 25% 这么做。

arXiv 实验中还有一些点没有测试，例如:

  • 实时事实核查(有人说"我们去年试过 X 失败了",AI 立刻调出实际数据)
  • 冲突映射(自动整理"X 主张 A 因为 P1,Y 主张 B 因为 P2", 让讨论从"互相说服"变成"对照前提分歧")。

实验里参与者觉得 AI 比人类主持更让人分心。节奏感是人主持的隐藏优势, 什么时候沉默、什么时候推进,AI 现在还不太会拿捏。所以这一段最好的形态可能是: AI 在后台抽论点、做记录、让沉默的人开口,真正"主持"还是人。

会后的信息生产也经常被严重低估。现在飞书这类工具已经能做出不错的会议智能纪要, 但更有价值的是 AI 自动生成结构化决策记录: 除了"X 决定了 Y", 还要记"为什么决定 Y、为什么同意、被否决的理由是什么等等", 让六个月后回看时不用重新讨论。再加上跨会议的模式检测: “团队 X 在过去 3 个月的 4 次会议里都提了顾虑 Y”, 这种模式人脑无法跨会维系, AI 扫一遍就能发现。很多"忽然爆雷"的问题其实早就被人提过, 只是分散在不同会议里没被看见。

3. 会议决策机制设计

信息层做到极致对决策的改善也有限, 这是 arXiv 实验最反直觉的结论。决策质量的瓶颈在决策层:谁有权拍板、谁能挡住、谁只是被听见而已。

独裁、OVIS、小范围共识和共识在决策权与否决权上的谱系

把常见的几种决策机制摆在一张图上, 按决策权数 + 否决权数排, 一头是独裁, 另一头是共识。

独裁是一个人说了算, 没人能阻挡。速度上不可超越, CEO 拍桌子做完决策, 会议十分钟结束。 但缺点也很明显: owner 的盲区没有结构性补救，合规、技术可行性、运维稳定性, 这些领域 owner 通常不是专家。把落地决策的人(CTO、Head of Sales) 从有决策权降到只是执行者, 他们会执行但不会全力执行。更长期的伤害是信息生态: 当所有人都知道"Owner 怎么决定都行", 大家会停止主动汇报负面信息, 三个月后 Owner 做下一个决策时收集到的可用信息已经是被默默过滤过的。

这个过滤不是因为大家坏, 而是因为信息输入这件事本身有成本。负面信息说了也不会改变决策, 提风险的人反而要解释、背锅、被看成"不配合", 那下一次大家就会少说, 或者只说 owner 想听的版本。久了以后, 坏消息在会议上不出现, 汇报材料会提前被包装成"总体可行, 只是有几个小风险", owner 也容易把没人公开反对误读成共识存在。独裁真正危险的地方不是一个人拍板, 而是拍板机制如果没有配套的信息输入和反对机制, 会让 owner 慢慢活在一个越来越顺耳的信息环境里。

共识是独裁的反面。每个人都有事实上的否决权: 有投 NO 拖住决策的能力。决策的默认状态是 NO, owner 得把所有 YES 都"凑齐"。参考文献2提到: 这种用共识机制做决策的方法执行了 50 年,在 AI 时代成了负担,理由就是速度。等所有人都点头,市场早就甩开了等的人。

图中间的两个决策设置分别是小范围共识和 OVIS。

小范围共识是大公司常见形态: owner 名义上拍板, 但实际需要 exec committee 全员点头——只是把"全员"从公司减少到了高管层。看起来比共识快, 因为人少了, 但机制没变:小团队成员必须完全形成共识。

OVIS 是 BCG 提出的框架, 把利益相关方分配成 Owner、Veto、Influencer、Supporter 四个角色。

  • Owner 拍板对结果负责;
  • Veto 是极少数能否决 owner 的人,通常每个决策 0-1 个,只在高风险决策上设;
  • Influencer 实施决策或提供专业判断;
  • Supporter 被知会,但 owner 没义务回应他们的反对。

开会前把谁是 O、谁是 V、谁是 I 写进议程, 会上的争论就从"我要说服你"变成"我向 owner 提供我这个角色该提供的输入"。

OVIS 跟前面三种的差别藏在机制的默认值上。表面看是"需要同意的人变少", 更深的是 YES 成了默认:只要没人主动 NO, 决策就成立。共识 / 小范围共识里默认是 NO, owner 得凑齐所有 YES。OVIS 里 V 投的是 NO 票,YES 是默认。所以 OVIS 下 Owner 不用挨家挨户讨同意, 只需要把可能存在的那个 V 在会前谈通就够了。

图中各机制的"决策权数 + 否决权数"配比:

  • 独裁 1 + 0、
  • OVIS 1 + (0-1)、
  • 小范围共识 1 + (5-7)、
  • 共识 N + N(每个人既是 owner 又是 veto)。

OVIS 在多数决策上实际就是 1 + 0, 几乎等同独裁; 真正的差别是 OVIS 在高风险决策那一档会主动设一个 veto 兜底, 独裁没有这个安全开关。前提是 V 真的克制使用否决权; 一旦 V 把自己当 co-author 主动塑造决策, OVIS 就退化到小范围共识。

4. 结论

把信息层和决策层分开来看, AI 在信息层能干得越来越好, 但决策层的工作几乎全在人这边: 选谁是 V、owner 敢不敢真拍板、V 敢不敢真否决。引入 AI 后，两方面都能做好的团队不多，最常见的结果是只升级信息层不升级决策层，会议更顺, 决策仍旧按旧习惯走。

还有一点容易被忽略: AI 主持人本身的 prompt 会引导讨论走向，哪些信息被强调、谁被点名发言、什么时候推进。2026 年的另一个实验(参考arXiv 2605.14097) 发现, 不同 facilitation 策略能把同一组人的慈善资金分配结果推向不同方向, 参与者却仍然认为过程很公平。如果 owner 要用 AI 来推动信息层, prompt 本身应该和会议议程一样公开可审。否则 AI 就变成那个没在 OVIS 上的第五种角色, 做着 V 该做的事但没有 V 的问责。

参考资料