AI预测得越准，企业判断为什么越重要？｜《Prediction Machines》的启示
《Prediction Machines》由多伦多大学的Ajay Agrawal、Joshua Gans和Avi Goldfarb合著，原版出版于2018年，2022年推出更新扩展版。中文版书名是《AI經濟的策略思維：善用人工智慧的預測威力，做出最佳商業決策》。
一本理论书最让人兴奋的时刻，常常不是它给出了一个新答案，而是它突然换掉了我们一直在问的问题。
当AI开始识别图片、翻译语言、发现欺诈，人们很自然地追问：机器是不是越来越像人？它最终会拥有怎样的智慧？
《Prediction Machines》的三位作者没有沿着这条路走下去。他们是经济学家，更关心另一件事：每一次重要技术进步，都会让某种原本昂贵的东西变得便宜。电灯让照明变得便宜，计算机让算术变得便宜，互联网让搜索和传播变得便宜。
那么，AI究竟让什么变便宜了？他们给出的答案是：预测。
这个答案一旦成立，AI在企业中的意义就变了。它不再只是一个更聪明的工具，也不只是某些岗位的替代者。预测成为一种越来越便宜、越来越充足的经营投入以后，企业原来的决定、流程和商业模式，都可能围绕它重新组织。更重要的是，预测越多地进入行动，一种过去经常藏在人的经验里的能力，也会随之显现出来：判断。
这本书没有预测今天的大模型和Agent会长成什么样。它留下的是一种至今仍然有力量的观察方式：当AI能力快速变化时，先看清究竟是哪一种成本正在下降，以及它会把企业的哪些选择重新打开。
原来这么多AI能力，都在填补未知
日常语言中的预测，通常指向未来：明天会不会下雨，下个月能卖出多少产品，一位客户会不会流失。
书中使用的“预测”更宽。它是利用已经掌握的信息，产生尚未掌握的信息。
一张图片进入系统以前，机器不知道里面有什么；一笔交易发生时，信用卡公司不知道它是不是欺诈；一句话需要翻译时，系统不知道另一种语言中最合适的表达。图像识别、欺诈检测和机器翻译看起来是完全不同的能力，却都可以被理解为：从已知信息中，推断缺失的信息。
它没有试图用一个宏大的定义概括人工智能，而是选择从一种正在迅速降价的经济投入——预测——来理解AI。价格下降以后，接下来发生的事情就可以用一个朴素规律理解：人们会更多地使用它，也会找到过去从未想过的用途。
计算成本下降以前，计算是一种需要节省的资源。后来，企业不只在原有任务中进行了更多计算，还把地图、摄影、通信和交易变成了计算问题。预测也会经历类似的扩张：它先改善企业已经在做的预测，随后进入过去只能依赖默认做法、粗略分类或个人经验的决定。
于是，问题不再只是“AI能把这项任务做快多少”，而是：如果预测变得像计算一样充足，企业还会按照今天的方式经营吗？
当预测足够便宜，经营顺序也可能倒过来
书中很早就用Amazon做了一个思想实验。
今天熟悉的电商顺序是“先购物，再发货”：顾客作出选择，完成付款，商品随后送达。这个顺序看起来理所当然，因为商家不知道每位顾客接下来究竟会买什么。
但假如Amazon对个人购买意愿的预测变得足够准确呢？
它或许可以先把顾客可能想要的商品寄出去，再让顾客决定留下什么。企业的动作会从“先购物、后发货”，变成“先发货、后购物”。
这不是Amazon已经采用的方案，而是作者用来检验战略变化的思想实验。真正令人兴奋的也不是提前寄出一件商品，而是一个我们习以为常的经营顺序，原来只是建立在“企业不知道顾客会买什么”这一限制之上。
一旦预测大幅降低这种不确定性，原来的顺序就不再是唯一选择。
工作流可能改变，物流和退货能力可能需要重建，公司应该掌握哪些能力也可能随之变化。预测起初只是提高推荐准确率，跨过某个经济阈值以后，却可能让一种过去不经济的商业模式突然变得可行。
这是《Prediction Machines》最有想象力的地方：AI的价值不一定停留在把原来的事情做得更好。它可能改变企业为什么这样做、先做什么，以及哪些能力值得重新建设。
可是，当这个思想实验继续向前推，另一个问题也出现了。
预测可以告诉Amazon，顾客有多大可能留下商品。它能不能同时告诉公司，应该承受多少退货、什么时候值得改变模式、过早行动与过晚行动哪一种损失更难接受？
预测打开了新的行动空间，却没有替企业完成这些选择。
信用卡知道交易可疑，然后呢？
作者Joshua Gans在书中讲过一段自己的经历。
他大约每年买一次跑鞋，而且常常在度假时前往购物中心购买。异地、商场、平时很少出现的鞋服消费叠在一起，让交易看起来非常可疑。信用卡系统多次拒绝了他的付款。
系统把这笔交易标为可疑，并非毫无根据。它利用已有记录估计欺诈的可能性，却最终造成了一次错拒：鞋确实是他本人要买的。
信用卡公司面对的并不只是“预测得准不准”。每一次放行或拒绝，都可能产生不同后果：拒绝欺诈可以避免损失；放过欺诈会产生成本；放行正常交易让客户顺利消费；错拒正常交易则可能让客户不满，甚至换一张卡。
如果预测永远正确，选择当然简单。现实中，系统却可能沿两个方向犯错。
门槛设得更严格，或许可以挡住更多欺诈，也会错拒更多真实客户；门槛放得更宽，客户体验可能更顺畅，公司也要承担更多欺诈风险。模型可以给出越来越可靠的欺诈概率，却不能只凭这个概率决定公司愿意接受哪一种代价。
同样准确的系统，进入两家客户定位、风险承受和商业模式不同的公司，也完全可能产生不同的行动。
就在这里，判断从决定中显现出来了。
预测告诉企业什么可能发生；判断比较不同结果与错误对公司意味着什么；企业据此选择行动。
判断不是再预测一次，也不只是某位领导在最后拍板。无论最终由人还是机器完成，决定中都必须明确：什么结果更值得追求，为了避免一种损失，公司愿意承担什么其他代价。
信用卡案例让我们看到，模型准确率不是决定的终点。企业不仅要问AI有多准，还要问：如果它错了，哪一种错误更不能接受？
预测越好，为什么判断反而越重要
直觉上，AI预测越来越准确，人需要判断的事情似乎应该越来越少。《Prediction Machines》却给出了相反的推演。
书中用咖啡、糖和奶精解释这种关系。咖啡价格下降，人们会喝更多咖啡；与咖啡一起消费的糖和奶精，也会被需要得更多。经济学把它们称为互补品。
预测也有自己的互补品。数据让预测发生，行动把预测变成现实结果，而判断决定预测应该怎样进入行动。
当预测昂贵时，企业只会把它用于少数重要场景，许多事情仍然按照统一规则或默认动作处理。预测变得便宜以后，每一位客户、每一笔交易、每一个运营状态，都可能得到单独分析。原来只有一种动作的地方，开始出现几个不同的下一步。
假如系统发现一位客户很可能流失，企业可以提供折扣，可以安排业务负责人联系，可以先修复服务问题，也可以接受这位客户离开。预测使企业更早看见风险，却不会自动选择其中一个动作。
预测越广泛，企业需要作出的这类选择就越多。过去，业务专家经常在一次工作中同时完成对未知情况的估计和对行动后果的取舍，两者都被笼统地称为“经验”。当AI接过越来越多的信息预测，隐藏在经验中的另一部分才会凸显：知道可能发生什么，与决定公司准备怎样行动，原来不是同一件事。
所以，判断升值不是因为AI越强就越危险，也不是因为人必须守住最后一次审批。判断升值，是因为预测打开了更多可以采取的行动，而每一个新行动，都要求企业比较它可能带来的结果。
AI降低了获得预测信息的成本，也让企业必须认真作出选择的场景越来越多。
这正是这本书对今天企业最重要的提醒。模型准确率从80%提高到90%当然有价值，但如果企业没有看见这个预测将进入什么行动，也没有说清不同结果意味着什么，更准确的概率预测仍然可能停在经营之外，产生不了什么作用。
今天的AI已经会给方案，判断还重要吗？
《Prediction Machines》的主要框架形成于机器学习快速发展的时期。今天的生成式AI和Agent已经不只是识别与预测。它们可以生成方案、解释理由、调用工具，也可以持续采取行动。
如果AI已经能比较方案，甚至能直接选择下一步，我们是否还需要把预测与判断分开？
原书其实已经触及了这个问题。AI可以观察人在获得什么信息后采取什么行动，再从大量历史行为中学习：遇到类似情况，人通常会怎样选择。今天的AI让这种能力走得更远，也让“判断”越来越可能直接出现在系统输出中。
但这没有让判断消失，反而让一个更深的问题变得无法回避。
AI从历史中学会怎样选，回答的是“过去的人通常怎样选择”。企业真正需要确认的却是：“未来遇到这种情况，我们仍然希望这样选择吗？”
过去的动作可能来自清晰的经营取舍，也可能来自当时的资源限制、个人习惯或短期妥协。AI能够逼真地模仿这些选择，不代表公司已经确认，未来仍然应该这样选择。
当AI只提供一个预测，企业还可以在后面补上判断。当Agent开始生成方案、选择动作并推进业务，判断会直接进入运行。它不再只是管理者头脑中的经验，而会影响每一次客户互动、资源分配和经营结果。
这时，企业面对的问题已经不是要不要让AI表现得更像一个优秀员工，而是：公司希望AI按照什么方式继续行动？当几个选择都合理时，什么选择才真正代表公司？
看见判断，才真正看见AI对企业的改变
《Prediction Machines》值得今天的企业读者重新阅读，不是因为它准确预言了生成式AI，也不是因为“AI就是预测”足以概括今天的全部能力。
它真正提供了一把简单而有穿透力的钥匙。
看到一种新的AI能力时，先问：什么正在变得便宜？当它变得充足，哪些原来的限制会消失？哪些行动会因此成为可能？为了在这些行动之间作出选择，企业还必须看清什么？
沿着这几个问题，AI就不再只是一条不断上升的能力曲线。它开始进入企业的决策体系，改变工作流，打开新的经营方式，也把过去隐藏在人的经验里的判断推到公司面前。
这本书把判断从决定中细分出来，却没有替企业回答什么判断真正属于自己。也正因为如此，它不是一个答案，而是一个极好的起点。
接下来，企业需要继续追问：优秀业务负责人的经验能不能直接交给AI？多个目标发生冲突时，公司准备怎样取舍？判断怎样进入AI运行，又怎样在经营条件改变以后继续经受住检验？
AI可以越来越擅长回答“可能发生什么”，但企业必须确认“我们准备怎样选择”。
当读者带着这个问题合上《Prediction Machines》，接下来才轮到我们讨论：AI原生企业应该怎样建设自己的企业判断。
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。
来源与限制
- 本文核心来源为Ajay Agrawal、Joshua Gans和Avi Goldfarb所著《Prediction Machines: The Simple Economics of Artificial Intelligence》，Harvard Business Review Press，2022年更新扩展版。预测成本下降、预测作为缺失信息的填补、互补品关系、决定结构、信用卡案例、机器学习人的判断及Amazon思想实验，均依据原书相应章节转述。
- 原书初版出版于2018年。本文没有用“机器只预测、由人来判断”概括今天的AI；对生成式AI与Agent的时代校准，以及“AI学会过去怎样选，不等于公司已经确认未来仍要这样选”，属于ANC基于原书作出的推进。
- Amazon“先发货、后购物”是作者用于讨论战略变化的思想实验，不是Amazon已经实施或必然采用该模式的事实陈述。信用卡案例来自作者Joshua Gans的个人经历。
- 本文只建立判断为什么存在、为什么会随预测升值，不提供企业判断的来源、表达、验证、维护、审批或责任设计方法。
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。