AI把预测变便宜了，你的公司谁在负责判断？

多数老板想到AI，想的是它会不会取代员工。三位经济学家给了一个更冷静的答案：AI不是变聪明了，它只是让「预测」这件事变便宜了。预测是拿现有信息去填补未知信息的过程，翻译、推荐、自动驾驶，底层都在做这件事。便宜的东西不值钱，跟它搭配的东西才会涨价——判断、数据、行动。而对一个管理者来说，真正该花力气的从来不是学会用AI写邮件，是决定「拿到这个预测之后，我要不要改掉原本的决定」，以及「如果预测不用钱了，这门生意还该用现在这种做法吗」。

一个决定，其实是两个动作

书里把任何决策拆成两块：预测告诉你「会发生什么」，判断告诉你「面对这个结果该怎么办」。这两个动作平常黏在一起，所以很难察觉自己每天到底在做哪一种。一个主管看报表说「这个月营收会掉一成」，这是预测；接下来决定要不要砍广告预算、要不要先跟员工说清楚，这才是判断。判断需要价值观、需要权衡后果、需要有人承担责任，这正是机器接不了手的部分。多数公司犯的错不是不会判断，是把大量时间耗在预测上——整理报表、比对数字、找趋势——结果真正该花力气的判断，反而被挤压到只剩会议最后五分钟仓促拍板。

数据值不值钱，不是看多而是看独特

书里提到一家芯片大厂花了超过一百五十亿美元，买下一家做自动驾驶数据采集技术的以色列公司。注意它买的是数据采集的能力，不是算法——算法可以复制，数据生态很难复制。这给管理者一个很直接的提醒：你公司手上那些别人拿不到的现场数字，其实比你以为的值钱很多——生产异常记录、客诉处理过程、老客户的下单习惯，这些东西竞争对手花钱也买不到。反过来，如果你的数据库里塞的是谁都查得到的公开统计，那就算量再大也换不了多少筹码。管理者该问的不是「我们有没有大数据」，是「我们手上有哪一块数据是别人复制不了的，我们有没有好好保存和使用它」。

第二层：敢不敢照着预测，改掉一个原本的决定

书里把AI的用法分成三层。第一层是工具层——拿AI写邮件、做摘要、整理资料，工作内容没变，只是快了。这一层对管理者来说几乎没有讨论的价值，因为所有人都能用同样的工具做同样的事，效率提升很快就会变成人人都有的基准线，不再是谁的优势。真正拉开差距的从第二层开始：你不只是用它省时间，你开始根据它给的信息，做出跟以前不一样的决定。

书里有个很具体的示范。假设你是零售企业的采购经理，AI告诉你下一季某款产品的需求是一万件，误差上下两千。多数人直接照一万件下单——这其实还停在第一层，你只是把估算的工作外包出去而已。第二层的人会先问：如果实际只有八千件，我的损失是什么？如果来到一万两千件呢？哪一种错误更承受不起？因为预测本身是对称的，后果几乎从来不是。缺货的损失若远大于库存积压，你该订一万一千件；反过来就该保守到九千件。AI给的是同一个数字，最后下单量却差了两千件，差别完全来自你有没有问那几个问题。

这一层卡住多数公司的不是技术，是勇气。做一个跟以前不一样的决定，出了事是你自己扛；照着惯例走，错了至少大家一起错。很多主管宁可停在「我们也在用AI」这个安全的位置，也不愿意真的因为一份预测去改掉一个决策——但那等于主动放弃了整件事里最值钱的部分。所以想让团队走进第二层，你要给的不是工具权限，是决策授权：明确指定某个人有权根据数据做出不同的决定，并且把「这个决定谁负责、错了怎么算」讲在前面。

第三层：如果预测不用钱，这门生意会长什么样

第三层是战略层——你不再只是用AI把原来的事做得更好，而是去做原本根本不可能的事。书里举的例子是某家电商巨头在二○一三年申请的一项专利，叫「预测性购物」：传统流程是消费者想买、下单、商家发货；他们的设想是先由AI预测你想买什么，直接把东西寄给你，你留下要的、退回不要的。这个模式会不会成功不一定，退货成本可能很高，但它的思路本身就值得学：它问的不是「消费者想要什么」，而是「如果我们能提前知道消费者想要什么，整个流程可以怎么重新设计」。

这就是第三层的标准句型——把「预测很贵」这个前提拿掉，再重新想一遍你现在的做法。你的库存为什么要压在仓库，是因为不知道谁会买；你的业务为什么要一家一家拜访，是因为不知道谁会成交；你的产线为什么要留缓冲，是因为不知道哪一台会出状况。这些做法全都是为了对抗「不知道」而设计出来的，而「不知道」这件事正在变便宜。当前提变了，为前提而生的流程就该重写，这不是效率问题，是商业模式问题。

同样导入AI，有些公司只是把报表产得更快，有些公司开始改变决策流程，还有极少数重新定义自己在卖什么。三年之后，这三种公司的差距不会是效率的差距，会是商业模式的差距——而后面这种差距，追不回来。

管理者可以拿走什么

• 先确认自己有没有卡在第一层：问自己一个问题——过去三个月，有没有任何一个决定，是因为某份数据或某个AI输出而做得跟以前不一样？如果一个都想不出来，那你们公司再怎么导入工具，都还停在效率层。
• 拿到预测先问后果，不要直接照数字执行：不管是需求预测、离职风险还是逾期概率，先问如果它偏高两成、偏低两成，我的损失分别是什么，哪一种错误更承受不起，再据此把决定往安全的一边调，而不是照单全收。
• 把决策授权跟责任一起写下来：指定某个人有权根据数据做出不同的决定，同时白纸黑字写清楚这个决定谁负责、错了怎么算。没有这一步，团队永远只敢拿AI做摘要。
• 每季挑一个流程，做一次「如果不知道变成知道」的推演：挑库存、排班、客户拜访任何一个，问如果我们能提前知道结果，这个流程还需要现在这些步骤吗？这是走进第三层唯一的练习方式。
• 把难复制的数据列成公司资产：盘点外面拿不到的现场数字——生产异常记录、客诉轨迹、老客户下单习惯，想清楚谁在管、谁有权限用、有没有在流失。第三层要改造商业模式，燃料就是这些东西。
• 晋升与招募时，把「判断力」当成独立指标：不要只看谁的报表做得快、数据查得全。直接问一个情景题——如果这个预测错了，你会怎么调整这个决定？看的是他有没有想过后果，而不是背不背得出数字。

如果是你的公司

过去三个月，你公司里有哪一个决定，是因为一份预测而做得跟以前不一样？如果答案是没有，那你们买的AI工具，买到的其实只有效率，而效率很快就会变成别人也有的东西。

你手上哪一个流程，是专门为了对抗「不知道」而设计的？如果「不知道」明天就消失了，这个流程还剩下多少必要？

你敢不敢明确授权某一个人，让他能根据数据做出跟惯例不一样的决定，并且事先讲好错了算谁的？如果不敢，那这就是你们停在第一层的真正原因。

本文整理与分析取材自 YouTube 频道「简单经济学」的视频〈二十六分钟读完《AI经济的策略思维》〉，完整的故事脉络与说书细节建议前往原片观看，也欢迎订阅简单经济学支持原创作者持续产出好内容。