用AI做分析，我们很容易先检查一件事：这些数据是真的吗？

这当然要查。但就算每个数字都找到了出处，最后那句“所以，现在值得投入”，也未必站得住。

资料证明一个行业在增长，和证明你现在该招人、备货，中间还差着好几件事。报告写得太顺，这几步就容易被读过去。

不妨把问题放进一个假设：你经营一家电力配套公司，想接数据中心的项目，让AI帮忙研究机会。它整理来的资料里，有微软的长期购电协议，有数据中心用电增长预测，还有国内机房的使用情况。

这些材料能不能推出一句话：“所以，我们现在应该扩招、备货”？

前面的资料可能都是真的，最后这个“所以”，却还没有得到证明。

微软签了合同，不等于你有客户

先看那份真实的合同。

2024年9月，星座能源宣布与微软签订20年购电协议，支持重启美国三里岛核电站一号机组，帮助微软为其数据中心用电匹配无碳能源。

一家科技公司，愿意为未来的电力供应作出20年的承诺。这个信号确实有分量，很容易让人联想到电源、制冷、机房建设的机会。

但同一份公告还写着：汽轮机、发电机等设备需要修复，重启需要安全与环境审查，以及相关许可。按2024年签约时的预计，机组要到2028年才能上线。

两部分放在一起看，这笔生意的样子才完整：需求已经有了，建设与审批却要按年计算。合同签了，后面的事还得一件件做。

再回到前面那家假设中的公司。你看好需求，准备招人，接下来该确认的就不是微软有多重视电力了，而是自己的潜在客户在哪：对方有没有落实项目，准备采购什么，你能不能进入供应商名单，何时交付，又何时付款？

微软的公告答不了这些问题。它是继续研究的理由，却还不够成为批准新增预算的依据。

场景插画：签约之后，仍需核实建设和交付条件。

假如你提前把人招来、货备好，目标客户却把某期项目推迟了半年，情况就很具体了。工资照发，货占着资金，指望中的回款却还没到。

这时，一句“长期空间仍然很大”，确实没法帮你付下个月的工资。

问题也不能全算在AI头上。如果一开始问的就是“AI为什么利好电力行业”，你交给它的任务，本来就偏向寻找支持理由。等它整理完，又拿这些理由回答“我现在该不该投入”，其实已经换了一个问题。

从找行业机会，到批准公司花钱，不能在报告最后加一句“建议积极布局”，就当中间的事都查清了。

场景插画：项目可以推迟，库存和用人成本却不会暂停。

同一个增长故事，落到不同地方，生意就不一样

还拿这家电力配套公司来说。即使确定要找客户，一个笼统的“数据中心缺电”，也不够它列出销售名单。

国际能源署IEA在2025年的估算中指出，2024年全球数据中心耗电约4150亿度，占全球用电约1.5%；按该报告的基准预测，2030年用电将超过2024年的两倍。这里说的是数据中心整体，不能全算成AI用电。

增长很快，全球占比却不算大。那到底紧不紧张？先看项目在哪里。

爱尔兰中央统计局在2025年6月公布的数据显示，2024年数据中心占该国计量用电的22%。它与全球统计的覆盖口径不完全相同，不能硬算精确倍数，但足以提醒我们：需求集中在少数地方，和平均摊开，是两回事。

当然，22%本身也不能证明当地缺电，还要查供给和输送能力。对你的客户来说，缺长期电源、接入工程没完成、配套设备交期赶不上，可能都被一句“电力瓶颈”概括了，需要的解决办法却不同。

你卖什么、找谁、什么时候去谈，恰恰取决于这些区别。总不能拿着全球增速，挨个园区推销同一套方案。

换个指标，也会遇到类似问题。国家数据局在2024年7月披露，截至当年3月底，10个国家数据中心集群的整体上架率为62.72%，比2022年提高4个百分点。

这组历史数据提醒我们，除了建多少，还要看使用情况。但上架率不是GPU利用率，也不是利润率，更不能替代某个客户今天的订单与回款。不能拿计算器一减，就宣布剩下的算力全浪费了。

这两组材料并没有推翻增长。它们只是让原来的问题变具体：你看好的需求，究竟在哪个地方、走到了哪一步？你的产品是否刚好解决那里正在发生的问题？

说不清，就先把客户情况补上。再找十条行业利好，也替代不了这一步。

风险写了三条，钱还是照样花？

读到这里，很容易想到一个补救：让AI再找三条反方观点，给报告加一节风险。

可如果得到的还是“需求可能不及预期”“竞争可能加剧”“政策存在不确定性”，对眼前的决定帮助不大。这些话换个行业名字，大多还能接着用。

有用的追问应该是：哪一条会改变你这次的扩招安排？

继续看那家假设中的公司。如果新增人手能否忙起来，取决于某个客户下季度开工，那就去核实开工条件和采购安排。假如关键条件尚未落实，就不能一边在末尾提醒风险，一边仍按如期开工把收入排满。

没查到采购证据，也不等于客户不会买。它只说明，目前还不能靠这些材料确认招聘时点。下一步可能是销售去问清楚，而不是继续让AI替你找信心。

还有一种情况更隐蔽：资料看起来很多，十篇文章却都在转述同一家机构的同一个预测。引用数量增加了，独立证据没有增加。需要核对的是它们各自多证明了什么，而不只是页面上有没有出处。

所以，我更建议直接把准备做的事告诉AI：“我们想为某地区的数据中心客户扩充交付团队。现有资料里，哪些能支持这个决定，哪些只是在介绍行业？如果客户晚半年启动，原建议还能成立吗？”

这时，AI能帮你整理公开的项目进度、对照不同说法、标出信息缺口。客户未公开的采购计划，还得由销售确认；新增人员的成本和能承受的等待时间，要回到公司自己的账上算。

场景插画：客户未公开的采购安排，还要直接确认。

带进讨论的材料，可以只留一页：哪些条件确认了，哪些还缺信息，什么情况出现就要重新考虑这笔投入。不必为了显得研究充分，再添十页背景。

当然，也不能走到另一个极端，等一切确定才行动。交付周期长的业务，本来就可能需要提前备货、培养人员。只是提前多少，得看客户推进到哪一步，货能否转给其他客户，自己能否承受等待，而不是只凭“这个行业值得看好”。

研究之后继续投入，完全可以。重要的是，你知道自己依据什么作决定，还有哪些不确定性要承担。

下次和合伙人讨论一份AI整理的报告，不妨先别争这个赛道到底好不好，把那句“因此，建议投入”找出来，往前对一遍。

前面的资料，究竟证明了行业有需求，还是证明了我们有客户？

如果只证明了前一件事，后面的工作还没做完。