AI懂业务还不够，企业还要把自己的判断交给它｜ANC重新建立企业判断
一家B2B软件公司把部分客户续约工作交给了AI Agency。它不只负责发送提醒，还会根据客户状态判断风险、提出行动，并持续推进续约。
面对一个即将到期的重要客户，Agent给出的建议是尽快提供折扣，争取提前续约。客户近期使用下降、服务工单增加，流失风险正在上升；从这些事实出发，折扣是一个说得通的选择。
业务负责人却否决了建议：“客户的问题还没有解决，我们不会先用折扣换续约。”他要求团队先恢复服务、确认关键问题已经处理，再决定是否进入商务谈判。
AI没有读错资料，也没有偏离降低流失的目标。它甚至给出了一个在许多公司都可能成立的方案。问题恰恰出现在这里：一个方案可能合理，却不是这家公司愿意采取的行动。
当目标清楚、资料完整、建议也合理时，AI为什么仍然不知道公司会怎么选？
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。
一｜企业补了很多资料，纠正为什么仍然没有消失
企业遇到这类偏差时，最自然的反应是继续让AI了解业务。模型可能不够强，客户资料可能不够全，目标可能写得不够清楚，指令也可能遗漏了某些要求。这些判断都很合理，因为任何一处缺失都可能使Agent作出错误选择。
于是，企业接入更多合同、产品使用、服务工单和沟通记录，补充优秀员工处理过的案例，把负责人的纠正写进指令，或者切换能力更强的模型。经过这些投入，AI确实会更少看错事实，能够考虑的业务关系也越来越多。
这种改善很容易形成一个惯性：一次纠正被补进AI系统，下一次相似场景的建议随之变好，企业便更相信，只要继续增加信息，AI最终就会完全理解公司。知识库越来越大，指令越来越长，几乎所有偏差都被放进“AI知道得还不够多”这个原因里。
但资料能够解决的问题有清楚边界。新增信息如果补上了一项缺失事实，或者纠正了Agent对客户状态的误解，就可能直接改变它对风险原因和行动后果的分析。此时，问题确实来自业务知识不完整。
如果Agent已经知道故障、投诉、合同和使用情况，也理解折扣与服务恢复可能带来的不同结果，增加更多同类资料只会让情境变得更清楚。资料不会因此替公司决定，是先承受续约不确定性、把服务恢复好，还是先锁定合同、再处理服务问题。
因此，知识与判断不是同一条刻度上的“知道得少”和“知道得多”。前者帮助AI看清现在发生了什么，后者决定公司在看清以后准备怎样选择。把两者混在一起，企业就会不断补资料，却无法解释负责人为什么仍然要说：“资料没错，但我们不会这样做。”
二｜目标、知识和模型能力，各自解决什么问题
Agent形成下一步，需要同时具备事实、方向和处理复杂关系的能力。任何一项缺失，都可能让建议偏离业务。但它们造成的偏差并不相同，也不能用同一种办法修正。
业务知识提供选择所依据的事实。续约日期、产品使用、关键故障、客户组织变化和历史承诺，都会改变Agent对客户状态的理解。如果系统没有拿到一条会改变行动的信息，企业首先需要补齐数据或纠正事实，而不是讨论公司的取舍。
运行目标让Agent知道需要持续改善什么经营结果。“处理续约”只描述了工作范围，没有告诉它为什么推进这项工作。降低不必要的流失、保护长期客户价值，才会让Agent围绕需要的结果形成行动。没有这层方向，资料再完整，模型也只能猜测怎样才算把任务做好。
模型能力决定AI能否把事实和目标连接起来。它需要识别客户使用下降与服务故障之间的关系，比较折扣、修复服务和高层沟通可能带来的结果，并形成一个有理由、可执行的方案。如果相关资料已经存在，目标也很清楚，AI却无法理解这些关系，问题首先在模型能否完成所需的分析。
知识、目标和模型能力解决以后，Agent才进入一个更容易被忽略的区域：它已经看清客户状态，知道要推进什么，也能够比较几个方案，但仍然需要在这些方案之间选择下一步。折扣可能提高短期续约概率，先恢复服务也可能保护长期关系；两个行动都有理由，只是公司不会在所有情况下同样选择。
这四类问题并不是从低到高排列的建设阶段。一个建议可能因为事实缺失而出错，也可能在事实完全正确时仍然不符合公司常规选择。企业需要先判断问题发生在哪一层，才能知道下一步应该补资料、说明目标、提升模型，还是面对一种此前没有被单独看见的公司选择。
三｜模型越强，为什么仍然不能替公司确认选择
把企业判断单独提出来，并不是因为AI只能生成通用答案，更不是因为模型无法学习业务经验。模型能力不断提高以后，它可以同时分析更多关系，从分散记录中发现模式，比较不同动作的可能后果，也能让建议越来越接近优秀员工的处理方式。
Brynjolfsson、Li和Raymond对5,179名客户支持人员的研究提供了提示性证据：生成式AI辅助工具能够传播高绩效员工的常见做法，尤其能帮助经验较少的员工改善表现。这项研究不能直接说明企业应该怎样续约，却足以提醒我们，把论证建立在“AI学不会优秀经验”之上并不可靠。
在续约现场中，更强的模型可能不会只给出折扣一个选项。它可以同时提出先恢复服务、安排高层沟通或调整商务节奏，并说明各自对续约概率、客户关系和交付压力的可能影响。它还可以从历史案例中发现，公司过去在类似问题上通常采取了什么行动。
这些能力提高了方案质量，也让企业更清楚地看见选择空间。但模型仍然必须从已有目标、资料和历史模式中推定一个方向。它可能采用更常见的做法，也可能选择在现有指标下预期结果更好的方案。无论推理多么完整，企业仍然需要回答：公司是否愿意在类似情境中持续采用这种取舍。
所以，企业判断建设的理由不是“AI不会判断”，而是模型形成判断以后，公司仍要决定什么判断可以继续作为自己的选择依据。模型越强，越能帮助企业形成和比较高质量方案；它不能替企业完成对自身选择的确认。
四｜合理的选择，为什么不一定是这家公司的选择
开篇中的业务负责人选择先恢复服务，并不证明折扣方案普遍错误。另一家公司可能正处于保住客户规模的关键阶段，也可能有能力在续约以后迅速补足服务。面对相同的客户状态，它先给折扣同样可能合理。
两家公司都知道客户发生了什么，也都希望减少流失。它们的差异不是一个掌握了正确事实，另一个仍然缺少资料，而是各自更愿意承担什么后果，又更不愿意牺牲什么。脱离公司的经营阶段和已有承诺，很难裁定一个适用于所有企业的唯一答案。
当多个行动都有事实依据，也都能推进目标时，公司需要一套经营逻辑决定自己通常会怎样取舍。企业判断，是公司在具体经营目标和情境中，用来决定多个合理选择之间应当怎样取舍的经营逻辑。
它不能脱离事实、目标和具体情境单独成立，却也不是三者自然相加的结果。资料负责让公司看清选择，目标负责限制行动方向，模型负责形成和比较方案；企业判断让其中一种选择能够体现公司的经营策略。
业务负责人的纠正让这个缺口第一次变得可见，却不能仅凭一次纠正证明企业已经拥有了判断。针对当前输出补一条要求，可以修正这一次行动，也不等于公司已经把缺失的判断作为独立对象识别出来。本篇要建立的边界只到这里：企业需要先看见，当前缺少的并不是又一条客户资料。
五｜AI Agency为什么让这个缺口不能继续隐藏
过去由业务负责人处理续约时，他会在一次工作中同时完成几件事：读取客户状态，理解续约目标，回忆公司作过的承诺，再决定下一步。事实、目标和取舍都由同一个人处理，业务能够继续向前，企业也不容易意识到这些其实是不同的工作。
AI Agency改变了这个条件。它不只回答一次问题，而是要跨客户、跨时间读取新的业务状态，持续形成下一步。原来由负责人顺手补上的选择，必须能够在一次行动之后继续参与下一次判断，Agent才可能独立推进同一项经营目标。
对当前建议作一次纠正，只能改变当前客户的这一步。下一个客户可能同样出现服务问题，却有不同的合同阶段、关系状态和恢复进度。Agent仍然需要判断先做什么，而上一次“不要先给折扣”的纠正，并不会自动告诉它这一次公司准备怎样选择。
只要公司的选择仍然留在负责人一侧，每到一个关键业务分支，Agent就必须重新等待。它可以更快地整理资料、生成方案，也可以在选择完成后迅速执行，但经营推进的节奏仍由负责人能否及时补上判断决定。
这种依赖不会因为处理量扩大而自然消失。Agent接触的客户越多，需要形成的下一步越多，业务就会越频繁地卡在负责人这里。企业得到的可能是更高效的分析和执行，却还没有得到能够按照公司经营方式持续推进目标的Agency。
六｜下一次评审，先分清AI究竟缺少什么
当业务负责人再次认为一个AI建议“不像公司”时，不必马上增加资料。企业可以沿着同一个续约现场，先判断偏差究竟来自哪里。
第一，AI是否缺少或误解了一个会改变行动的业务事实？如果Agent不知道客户仍有未解决的关键故障，补充这个事实可能直接改变风险判断和行动顺序。这属于知识问题，企业需要让正确的业务状态进入分析。
如果资料已经存在，Agent却无法理解故障、使用下降与续约风险之间的关系，或者不能比较几个行动的可能后果，问题更接近模型能力。企业需要改善的是AI处理这些关系的能力，而不是继续增加相同类型的资料。
第二，AI是否清楚这项Agency需要持续推进什么经营结果？如果团队只是要求它“处理续约”或“跟进客户”，Agent并不知道什么结果值得持续改善。此时企业首先要说明运行目标，而不是用更多案例暗示它自行猜测。
第三，如果事实和目标都清楚，模型也能提出几个有理由的方案，公司是否通常会优先选择其中一种？折扣和服务恢复都可能推进续约，业务负责人纠正的也不是一个事实错误。到了这里，企业面对的才是需要单独识别的判断缺口。
不同诊断会导向不同建设动作：缺事实就补业务状态，缺目标就说明要改善的经营结果，模型无法处理关系就提升相应能力；只有当这些条件都已经具备，企业仍然需要反复补上“我们会怎样选择”，才应该把这一类关键决定列为企业判断的建设对象。
这三个问题的价值，不是为评审增加一张检查表，而是让企业停止用“再让AI懂一点业务”处理所有偏差。问题被分清以后，公司才能知道哪些投入会真正改变Agent的下一步，也才能判断它是否已经具备扩大运行的基础。
ANC视角
一次不合适的续约建议，表面上是在讨论Agent该不该给折扣。从公司层面看，真正的问题是：企业把一项经营目标交给AI以后，是否也把决定下一步的经营判断建设进去了。
如果目标、资料和执行能力已经进入AI，公司的取舍却只在业务负责人纠正时出现，企业并没有真正把这段业务的持续推进交给Agency。它只是把分析和执行交给AI，把每一次关键选择继续留给Human临场完成。Agent进入了业务，但公司决定下一步该怎么走的判断，并没有进入Agent的运行。
AI Native Company不要求把所有决定都交给AI。有些判断可以继续由Human承担，关键在于这是公司主动保留的经营责任，还是Agency因为缺少公司判断而不得不停下来等待。对于企业希望由Agency持续推进的目标，公司必须知道哪些关键选择不能继续只存在于负责人的临场纠正中。
这意味着，企业判断不是Agent需要补充的一类背景信息，而是公司必须持续拥有的经营能力。企业是否真正把一段经营推进交给了Agency，不只取决于AI有没有目标、资料和执行工具，也取决于公司的判断有没有进入运行。
AI可以给出一个合理选择，但只有企业能决定什么选择代表这家公司。
写在最后
看见判断缺口，只是企业判断建设的起点。
业务负责人的经验、公司过去的做法和现有制度，都可能提供判断线索。但它们分别记录了某个人怎样选择、公司过去怎样选择，或者制度目前允许怎样选择，并不自动说明公司未来仍然希望怎样选择。
下一期需要继续回答：
把优秀业务负责人的经验交给AI，为什么仍不等于建立企业判断？
来源与限制
- Generative AI at Work，Erik Brynjolfsson、Danielle Li与Lindsey R. Raymond，NBER Working Paper 31161，2023年4月发布、2023年11月修订。研究基于5,179名客户支持人员，支持“生成式AI可能传播高绩效员工常见做法”的有限判断；它不证明历史做法天然等于公司未来希望持续采用的经营判断。
- 文中的B2B软件客户续约Agent是综合设想案例，用于呈现“事实与目标清楚，多个行动仍可能合理”的经营现场，不对应任何特定公司的内部实践，也不声称折扣或先恢复服务是普遍更优的续约策略。
- “企业判断”的最小定义、四个对象之间的分界，以及企业需要主动决定并持续拥有自己的选择依据，均为ANC在本文提出的原创判断。本篇只负责识别企业判断这一建设对象，不展开谁的经验能够代表公司、判断如何表达、验证、维护，也不讨论审批、授权、接管和责任链。
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。