AI把几个市场机会排好顺序之后,得分最高的那个,就是公司应该走的方向吗?
它可能是值得研究的选项,但还要知道分数怎么来、哪些东西没有算,以及谁有权接受那些代价。
我对算法崇拜的警惕仍在。但要批判的,是把未经验证的建议当成功保证,再把后果推给工具;不是一概否认AI能协助判断,或把人的直觉当成更高的证据。
TL;DR:数据整理、预测、最佳化与授权采用是不同工作,却不必被说成永远无法衔接的鸿沟。结构化、半结构化、非结构化是数据组织方式,不是可计算性的等级。AI可能补足问题,也可能误解或遗漏,不能保证最佳答案。本文保留作者对有限性与责任的反思,改用目标、证据、遗漏与授权四项检查,支持有边界的决策辅助。
一、先分清楚工具正在帮哪一种忙
把市场数据整理成表、估计某种结果、依目标比较选项,以及批准投入资源,是不同工作。同一套系统可能参与其中几步,但不能因为前几步做得顺,就假定后续采用已经得到授权。
假设模型把市场A排在前面,我会先追问:它是在整理既有数据,还是在预测未来?得分依据是营收、风险、团队能力,还是几项权重的组合?这是本文的示意,不是新增某次公司决策的纪录。
如果目标和限制已明确,最佳化可以成为决策的一部分;在不确定条件下,也能比较有条件的选项。问题是,那些条件是否适合眼前的工作,而不是所有决策在原理上都不能计算。
我不想因为反对过度承诺,就把真正有帮助的分析一起否定。
二、数据形式不是从可算到不可算的阶梯
结构化数据可以依固定栏位组织;非结构化内容没有同样固定的表格形式。半结构化则保留部分组织方式。这些分类谈的是数据如何安排,不是数据是否值得信任,也不是理解能走到哪一步的排名。
邮件可能同时有寄件者、日期等栏位与自由文字;市场报告、会议逐字内容也不能一概叫半结构化。人的一个眼神若有被记录,也不会因此在原理上成为永远不可分析的东西。
AI能处理的内容不只表格。以Gemini2.5的2025年开发者技术报告为例,研究描述文字、影像、声音与长内容等能力。[1] 这只是反驳「只能处理表格」的历史材料,不保证它正确理解每份合约、对话或情境。
需要查的是内容、任务与结果,而不是看见某个数据分类,就宣布工具一定懂或一定不懂。
三、直觉可以提出线索,不能自己替自己验证
一份分析可能漏掉重要条件;人的直觉也可能提醒我们再查。反过来,直觉同样可能受偏好、记忆或立场影响,不能因为难以量化,就自动比模型更可靠。
原稿用饭局上的一句话来说明判断跳跃。本版不把那段情境补成可追溯的亲历对话,也不据此宣告算法永远看不到、模拟不了其中任何信息。
我的做法会是把直觉先翻成可讨论的问题:是不是有一项市场限制没有被放进去?这项消息可靠吗?如果它不成立,选择还会一样吗?
这些是作者的工作建议,不是已证明直觉优于模型的实验。选A或选B都需要理由,刻意反着AI做,也不是独有竞争力的保证。
四、保留责任,可以靠程序,不必靠一人独自跳跃
我把「科学教」用来形容对确定性保证的过度期待。它是作者的批判修辞,不是对所有宗教的定义,也不是每个使用决策工具的人都在逃避痛苦的心理诊断。
真正让我不安的是:团队把模型分数当成采用理由,却没有问目标谁订、风险谁接受、信息不足时谁能要求暂停。
NIST的2023年AI风险框架要求厘清人机角色及组织领导的风险责任;OECD的AI原则也依角色与情境谈责任和追溯。[2][3] 这些方向不等于禁止自动化,也不是每个决定都得由一个人重新计算。
依工作需要,可以由团队审议、专业程序或有范围的自动化来执行。采用什么安排,就要说明授权边界、错误处理与负责人,不能只留下「AI叫我这样做」。本文不是个别产业的法律分析。
五、有限性提醒我承认不知道,而非停止求证
神学训练中的有限性,是我理解这件事的一个角度:知识和视野都有边界,仍要在这个条件下尽力负责。这是作者的信仰反思,不是决策在数学上不可计算的证明。
接受有限性,不代表数据不重要,也不代表工具无法协助。它更像提醒我:一个分数不会自动带上所有背景,一段合理说明也不能取消后续检查。
AI有时可能提醒问题前提不对,也可能沿着错误前提继续回答。不能把「输出永不超过问题品质」或「永远只会忠实照问」当通用定律;领域知识与核对仍然必要。
原文标示2017年起稿、2026年回顾。本版保留这个时间背景,没有取得2017年的原始版本,也不补出当年的私下说法、团队案例或成果数字。
六、把建议变成可负责的采用
下一次拿到AI分析时,我会先问四件事:
- 目标、权重与限制由谁设定,有哪些取舍需要重新讨论?
- 重要数据与推论能否查验,哪些只是尚未确认的假设?
- 模型与我的直觉各漏掉什么,什么证据会改变选择?
- 谁有权采用或停止,如何记录理由、检查结果并处理错误?
这是作者整理的实务建议,不是四项法定标准,也不能保证投资、招募或经营成功。
若有工具宣称能改善决策,我愿意看它的测试、适用范围和失败情况。我反对的是无根据的必胜承诺,而不是所有协助人做判断的产品。
工具可以帮我们看见更多选项。使用它之后,组织仍应说清楚为何采用、接受哪些代价,以及当事情不如预期时,谁会负责把问题处理完。
数据来源与阅读界线(查核至2026年11月4日)
- Gemini2.5技术报告v1,2025年7月7日,模型与多模态能力相关段落。开发者报告,只作不局限表格的历史例子,非2026能力排名或个别分析正确性背书。
- NIST,AI Risk Management Framework 1.0,2023年1月,GOVERN2.3、3.2与MAP1。采风险责任、角色及情境的方向,不把框架改成禁止自动化的定律,也未完成个案部署验证。
- OECD,AI Principles官方页,2024修订原则的Accountability段。依角色、情境及行动能力谈责任、追溯与风险管理,不替本文四问赋予法律效力。
修订说明:本版修正数据分类与AI只能处理表格的说法,撤下直觉必然优胜、算法永远不能判断及决策辅助平台一概不可信的断言。保留对确定性崇拜的批判,但不推论所有宗教或工具用户的心理。


💬 留言讨论
加载中...