同一个AI在不同公司，做出判断的依据应该一样吗？丨ANC重新理解企业判断

以一类常见的客户例外处理为例。一位客户超过了标准退换期限，产品确实出现故障，他提出例外请求。

今天的模型可以读到退换政策的全文、这位客户的购买与售后记录、这批产品的故障分布，以及大量相似工单的处理结果。它也可以给出几个都说得通的做法：按政策拒绝、要求补充故障证明、直接换货、允许例外退款、转特殊处理通道。

真正的问题是，在一家具体的公司，最终凭什么选中其中一个。

一家正在把复购率写进本季度经营目标的公司，和一家上个季度刚经历过一轮批量欺诈退款的公司，最后可能恰好都选了换货。但这个动作在两家公司成立的理由不同、要求的证据不同、愿意承担的代价也不同。问题从来不在于两家的输出是不是一样，而在于AI形成这个下一步的时候，依据的是不是这家公司的经营逻辑。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

判断能力与企业判断，被合并在同一个问题里

过去两年，很多AI效果问题确实通过更强的模型、更具体的提示和更多企业数据得到了改善。

在AI Tool这个前提下，AI负责生成方案，选择由人作出。模型能力主要决定候选方案的质量，而目标排序与取舍由人在选择的那一刻补足。一位售后主管看到五个方案时，会自动带入公司此刻经营重心是什么——他不需要谁提醒他这个季度的重点，也不需要查文件才知道哪类客户的投诉会被升级。模型越强，候选方案越完整准确，他完成最后这一步就越省力。于是企业很容易把注意力集中在"我们该选哪个模型"上，而没有把另一部分判断单独重视起来——那部分一直由人默默补足。

当AI Agency开始持续接住下一步之后，一部分方案形成与选项取舍不再由人逐次完成，而是被AI在具体情境里当场作出。模型能力决定AI能不能形成一个方案，但它无法决定这个方案的排序依据来自哪里。

企业判断过去存在于哪里

传统企业并不是没有企业判断，只是这些判断大量存在于人身上。

一个在公司待了几年的售后主管，掌握的不只是政策条文。他知道上一季度管理层把哪个指标放在了前面，知道哪类客户的投诉一定会被升级，知道什么样的证据满足要求，也知道去年哪几个例外批了、哪几个被驳回以及为什么。这些内容没有一条写在流程文件里，但每一次判断都在用。

制度文件承担的是能够写清楚的那部分，写不清楚的部分靠人补齐。这套安排在人接住下一步时（Human Agency）是够用的：补齐动作和判断动作由同一个人在同一个瞬间完成，中间不需要交接，也就不需要被表达出来。

AI Agency接住下一步之后，企业不能再默认这些内容会由人在每一次判断中临场补齐。原本由人承载的这套判断，要转化成AI可以持续调用的形式–一套判断系统。只有如此，才能够真正做到Agency的自主性，也无需事事人在环上（Human in the Loop）。

载体已经不缺，缺的是往里放什么

企业现在的做法主要有两种。一种是把数据、政策与历史案例接进AI，用检索或者更长的上下文，让它"了解这家公司"；另一种是把业务规则写进Agent的配置，由指令、条件和可用动作约束它的行为。

两种做法对应的载体都是现成的。OpenAI公开发布的Model Spec（模型行为规范）把指令按权威分级，企业在API应用场景中通过开发者这一层提供自己的应用要求；Salesforce的Agentforce则让企业用子代理、动作、自然语言指令和程序化条件，规定Agent在一项业务里如何取数、选路和调用动作。位置有了，接口有了，写进去的内容也能被反复读取。

问题出在写进去的是什么。设想甲乙两家零售公司，接入了结构相同的订单与客户数据，也都在Agent里写满了指令：

按行业通行的说法，这两家都算"已经把企业知识和规则接进了AI"，处在同一档。它们的差别不在接了多少，在于放进去的内容参不参与排序。即使两家在很多个案上会得出相同结论，一旦遇到真正的目标冲突，一家有依据可查，另一家只能临时补。

所以"已经接入"“已经配置好"是部署状态，它不说明这家企业有没有明确自己的取舍。前一种做法做完，可以明显提高事实准确性和情境相关性，但保证不了AI对选项的排序是公司真正想要的。让AI知道发生了什么，和让AI知道这些事实的权重，不是同一件工作。

答案会是完整的，依据不一定在

回到甲公司的那一单。它的Agent没有拿到"留存优先还是成本优先"这条依据，但它不会因此停下来，说这里缺一条规则。它会给出一个处理结果，并附上一段像模像样的理由。

它也可能反过来问一句，可能说自己不确定，也可能直接转给人。这些都会发生，只是它并非必须如此，而企业事先并不知道这一次会是哪一种。答案完整，不代表依据存在。

真正的代价出现在事后。管理层觉得这一单处理得不对，想把它改掉，会发现没有一处可以改。在基于显式规则的系统里，处理错了能查到是哪一条规则、谁什么时候写的，改掉那一条就行；生成式判断由指令、上下文、检索结果与模型行为共同形成，过程可以留痕，却很难指认出是哪一条让它这么选。可查，但改不动。

一单看不出来，一千单同样看不出来，因为每一单的答案都是完整的。它可能一直偏向同一边，也可能在边界情形上时松时紧。企业看得到结果，看不到结果背后是谁的取舍——丢掉的是一个本来很有用的信号：这件事，公司还没定。

企业判断系统

公司还没定下来的，正是这套东西。

企业判断系统（Enterprise Judgment System），是企业把自己的目标优先级、取舍原则、证据标准与适用边界，以AI Agency可以持续调用的形式与当前业务事实结合起来，使AI能够在具体情境中形成符合本企业经营逻辑的下一步的运行机制。

一家公司要说自己有这套东西，三件事得同时成立：

1. 里面装的是这家公司特定的目标优先级或取舍原则，不只是事实、背景知识和不参与方案排序的表达规范；
2. 这些内容在实际判断里被AI持续调用，不依赖某个人当时在不在岗；
3. 它真的参与了AI对多个选项的排序、取舍或升级，而不是躺在那里当背景资料。

前两条能靠文档证明，第三条只能靠单子看。把目标真正打架的那些单子挑出来——退款成本和老客留存撞上的、证据不够但客户是大客户的——看这些内容有没有改变过AI的选择。如果一次都没有，那它写得再完整，也还没有进入判断。

常见的顾虑是写得不够好：半年才改一次、没指定谁维护、也说不清怎么评估。这些决定的是这套系统好不好用，不决定它有没有。先有，再优化。

有三样东西看着像，其实不是。

只供给事实、背景知识与表达口径的，不算。 一份材料算不算，不看它是数据、知识库还是政策文件，看它参不参与方案之间的排序。一家公司把几十页产品知识、合规声明与客服话术接进了AI，覆盖上百个场景，看上去相当完备——如果这些内容只规定事实怎么解释、已经定下的处理结果怎么说出口，它就还不构成企业判断系统。缺的不是篇幅，是取舍。

只规定允许与不允许的，不算。 金额上限、审批门槛、可调用的工具范围，回答的是授权问题。

取舍只存在于资深员工与管理层头脑里的，不算。 公司有判断逻辑，只是这套逻辑还没进到AI能调用的地方。公司拥有判断，不等于AI能依据它判断。

它和两样东西容易混。第一样是知识：

知识系统让AI获得事实，判断系统让AI依据企业的目标与取舍解释这些事实，并形成下一步。

事实当然要用。退换那一单里，是否超期、是否确实故障、客户过去买过什么、当前政策怎么写，一样都不能少。区别在什么东西决定了这些事实各自的分量。

第二样是授权：

判断系统决定应该做什么；授权系统决定允许做到什么。

一家公司规定AI退款超过一定金额必须转人工，这不是判断系统的内容。这一单该不该退，和AI能不能自己退，是两个独立的问题，可以分别回答。

这套东西也不必过于负责。一家二十几个人的公司没有任何正式文档，创始人每周花两小时和团队复盘AI处理过的例外，把结论改写成一页规则清单，AI每次调用——它就算是判断系统。公司规模、文档数量和技术复杂度都不是条件，参与排序才是。

写下来的那一刻，就已经失真了

有人会说，公司真正的取舍本来就写不清楚，能写清楚的都是次要的。一旦写下来固化给AI，等于用一份必然过时的规则替代活的经营判断，结果比现在更糟。

判断系统不要求一次写清楚。写不清楚的部分，该做的是把它标出来交给人，而不是让AI在没有依据的时候自己补上。前者是留白，后者是替公司作了一个公司自己还没作的决定。

有些判断也确实不适合写下来。一年发生两次、每次都要管理层坐下来重新权衡的事，表达出来的成本很可能高于收益，它该留在人手里。判断系统的价值来自重复，重复才让写下来这件事发挥出价值。

ANC视角：企业判断

下一次评估AI效果不好，会议上的第一个问题就该换掉。不再是"要不要换个更强的模型”，而是先分清楚：缺的是事实，还是这家公司从未明确表达过的取舍。

缺事实是接入问题，加数据、加检索、加工具都对症。缺取舍时，单纯增加事实数据不能保证问题好转——历史数据也许记录了公司过去怎么选，但那些选择还代不代表今天的目标与风险偏好，得公司自己确认，不能交给模型从数据里推断。

分清之后，变的是预算的覆盖范围。AI预算不能只覆盖模型、数据与工作流，还必须覆盖企业判断逻辑的表达、验证与维护。这不是在模型和判断之间二选一，两者都需要；变的是，判断逻辑过去常常没有被单独识别出来，也就没有被单独列进过预算。

模型是买来的，每一家公司买到的是同一样东西；判断是攒出来的，每一家公司攒出来的都不一样。同一个AI项目里，这是两笔性质完全不同的投入。

模型的聪明，不会自动成为一家公司的判断。

模型能力可以采购，企业判断必须由企业积攒。

写在最后

判断系统解决的是应该做什么，当AI形成的下一步开始影响订单、价格、资金和已经写进合同的客户承诺，一个符合公司逻辑的判断，和一个可以被直接执行的动作，中间还隔着一道关口。

知道该做什么之后，谁来决定它能不能真的做？

来源与限制

1. 本文的业务情境为一类常见处理类型的示意，不对应任何具体公司，文中不含未经核验的数值。

2. OpenAI Model Spec 引用的是官方公开版本，核验时其官方变更日志所列最新版本为2025年12月18日版（首次发布于2024年5月，2025年2月首次以CC0协议开源）。其权威分级依次为根级、系统级、开发者级、用户级与指南级；根级与系统级规则不由接入企业决定，用户级与指南级中的部分默认可被显式或隐式调整。Salesforce Agentforce 的结构引自其公开产品文档，该文档同时是产品营销材料，Salesforce为该产品的销售方；其中"topics"在2026年4月后更名为"subagents"，功能未变。

3. 这两份材料在本文中只用于说明"企业要求需要落入AI可反复读取的载体"这一事实，不用于证明企业必须建设判断系统。后者是ANC基于企业运行逻辑作出的推导，读者可以在不接受任何厂商说法的前提下单独质疑它。

4. “未被表达的取舍可能形成方向性偏移或边界情形中的不一致"是ANC的推论，不是已被测量的结论。这类风险最容易在同类判断规模化重复、企业又缺少结果复核时累积。逐案复核可以明显降低它的业务后果，但不会自动把企业的取舍变成AI可以持续调用的判断逻辑。

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。