AI把幾個市場機會排好順序之後,得分最高的那個,就是公司應該走的方向嗎?
它可能是值得研究的選項,但還要知道分數怎麼來、哪些東西沒有算,以及誰有權接受那些代價。
我對演算法崇拜的警惕仍在。但要批判的,是把未經驗證的建議當成功保證,再把後果推給工具;不是一概否認AI能協助判斷,或把人的直覺當成更高的證據。
TL;DR:資料整理、預測、最佳化與授權採用是不同工作,卻不必被說成永遠無法銜接的鴻溝。結構化、半結構化、非結構化是資料組織方式,不是可計算性的等級。AI可能補足問題,也可能誤解或遺漏,不能保證最佳答案。本文保留作者對有限性與責任的反思,改用目標、證據、遺漏與授權四項檢查,支持有邊界的決策輔助。
一、先分清楚工具正在幫哪一種忙
把市場資料整理成表、估計某種結果、依目標比較選項,以及批准投入資源,是不同工作。同一套系統可能參與其中幾步,但不能因為前幾步做得順,就假定後續採用已經得到授權。
假設模型把市場A排在前面,我會先追問:它是在整理既有資料,還是在預測未來?得分依據是營收、風險、團隊能力,還是幾項權重的組合?這是本文的示意,不是新增某次公司決策的紀錄。
如果目標和限制已明確,最佳化可以成為決策的一部分;在不確定條件下,也能比較有條件的選項。問題是,那些條件是否適合眼前的工作,而不是所有決策在原理上都不能計算。
我不想因為反對過度承諾,就把真正有幫助的分析一起否定。
二、資料形式不是從可算到不可算的階梯
結構化資料可以依固定欄位組織;非結構化內容沒有同樣固定的表格形式。半結構化則保留部分組織方式。這些分類談的是資料如何安排,不是資料是否值得信任,也不是理解能走到哪一步的排名。
郵件可能同時有寄件者、日期等欄位與自由文字;市場報告、會議逐字內容也不能一概叫半結構化。人的一個眼神若有被記錄,也不會因此在原理上成為永遠不可分析的東西。
AI能處理的內容不只表格。以Gemini2.5的2025年開發者技術報告為例,研究描述文字、影像、聲音與長內容等能力。[1] 這只是反駁「只能處理表格」的歷史材料,不保證它正確理解每份合約、對話或情境。
需要查的是內容、任務與結果,而不是看見某個資料分類,就宣布工具一定懂或一定不懂。
三、直覺可以提出線索,不能自己替自己驗證
一份分析可能漏掉重要條件;人的直覺也可能提醒我們再查。反過來,直覺同樣可能受偏好、記憶或立場影響,不能因為難以量化,就自動比模型更可靠。
原稿用飯局上的一句話來說明判斷跳躍。本版不把那段情境補成可追溯的親歷對話,也不據此宣告演算法永遠看不到、模擬不了其中任何資訊。
我的做法會是把直覺先翻成可討論的問題:是不是有一項市場限制沒有被放進去?這項消息可靠嗎?如果它不成立,選擇還會一樣嗎?
這些是作者的工作建議,不是已證明直覺優於模型的實驗。選A或選B都需要理由,刻意反著AI做,也不是獨有競爭力的保證。
四、保留責任,可以靠程序,不必靠一人獨自跳躍
我把「科學教」用來形容對確定性保證的過度期待。它是作者的批判修辭,不是對所有宗教的定義,也不是每個使用決策工具的人都在逃避痛苦的心理診斷。
真正讓我不安的是:團隊把模型分數當成採用理由,卻沒有問目標誰訂、風險誰接受、資訊不足時誰能要求暫停。
NIST的2023年AI風險框架要求釐清人機角色及組織領導的風險責任;OECD的AI原則也依角色與情境談責任和追溯。[2][3] 這些方向不等於禁止自動化,也不是每個決定都得由一個人重新計算。
依工作需要,可以由團隊審議、專業程序或有範圍的自動化來執行。採用什麼安排,就要說明授權邊界、錯誤處理與負責人,不能只留下「AI叫我這樣做」。本文不是個別產業的法律分析。
五、有限性提醒我承認不知道,而非停止求證
神學訓練中的有限性,是我理解這件事的一個角度:知識和視野都有邊界,仍要在這個條件下盡力負責。這是作者的信仰反思,不是決策在數學上不可計算的證明。
接受有限性,不代表資料不重要,也不代表工具無法協助。它更像提醒我:一個分數不會自動帶上所有背景,一段合理說明也不能取消後續檢查。
AI有時可能提醒問題前提不對,也可能沿著錯誤前提繼續回答。不能把「輸出永不超過問題品質」或「永遠只會忠實照問」當通用定律;領域知識與核對仍然必要。
原文標示2017年起稿、2026年回顧。本版保留這個時間背景,沒有取得2017年的原始版本,也不補出當年的私下說法、團隊案例或成果數字。
六、把建議變成可負責的採用
下一次拿到AI分析時,我會先問四件事:
- 目標、權重與限制由誰設定,有哪些取捨需要重新討論?
- 重要資料與推論能否查驗,哪些只是尚未確認的假設?
- 模型與我的直覺各漏掉什麼,什麼證據會改變選擇?
- 誰有權採用或停止,如何記錄理由、檢查結果並處理錯誤?
這是作者整理的實務建議,不是四項法定標準,也不能保證投資、招募或經營成功。
若有工具宣稱能改善決策,我願意看它的測試、適用範圍和失敗情況。我反對的是無根據的必勝承諾,而不是所有協助人做判斷的產品。
工具可以幫我們看見更多選項。使用它之後,組織仍應說清楚為何採用、接受哪些代價,以及當事情不如預期時,誰會負責把問題處理完。
資料來源與閱讀界線(查核至2026年11月4日)
- Gemini2.5技術報告v1,2025年7月7日,模型與多模態能力相關段落。開發者報告,只作不侷限表格的歷史例子,非2026能力排名或個別分析正確性背書。
- NIST,AI Risk Management Framework 1.0,2023年1月,GOVERN2.3、3.2與MAP1。採風險責任、角色及情境的方向,不把框架改成禁止自動化的定律,也未完成個案部署驗證。
- OECD,AI Principles官方頁,2024修訂原則的Accountability段。依角色、情境及行動能力談責任、追溯與風險管理,不替本文四問賦予法律效力。
修訂說明:本版修正資料分類與AI只能處理表格的說法,撤下直覺必然優勝、演算法永遠不能判斷及決策輔助平台一概不可信的斷言。保留對確定性崇拜的批判,但不推論所有宗教或工具使用者的心理。


💬 留言討論
載入中...