ARTICLE · 1268507

专业AI工具来了,你是否可以轻松了——人在决策中的主导作用

发布时间：2026-10-28 18:22:06 最近访问：2026-10-28 18:22:06

基于人工智能的应用发展得很快。最近陆续看到一批企业估值和项目经济性评价工具上线：输入一家公司的名字、一个项目的基础数据，大模型自动调取财报和行情，搭好现金流贴现或可比公司模型，完成计算和报表勾稽，几分钟输出一份带数字、带区间、带风险提示的报告。宣传的口径也高度一致：过去分析师要在报表、模型、数据之间忙上一周的活，现在一句话就能完成，等于给每个人配了一个专业分析师。

以前很多决策者最烦的就是财务分析部分：一大堆表格、数据，想具体深入看一下，缺乏专业基础，根本看不下去；不看吧，所有问题到最后还是要落到调整哪些财务表格上，拍板的依据还是算出来的那几个指标，心里又有点不踏实。现在好了，专业工具来了，自己可以直接上手，马上看到结果，有最新最火的AI技术加持，看来以后的决策要轻松多了。

投资里有一句经典的话：世上没有免费的午餐。意思是甘蔗没有两头甜，收益的另一面必然是风险，没有只赚不赔、既好又好的事。放到工具上也是同一个道理，效能提升的另一面，是要求提高。今天就把这件事具体说一下。

投资决策这件事拆开看，是一个三层的系统。

第一层是执行层：取数、建模、计算、勾稽等等，输入明确、规则封闭，机器做得又快又稳，这部分没有争议。

第二层是判断层：预测假设如何形成、可比对象为什么可比、参数是否还外生于决策、数据口径冲突时要不要停下来不给结论。这些不是计算问题，而是形成判断的问题：眼前对象该按什么性质对待、用哪一套方法、外推的前提还成不成立。工具把计算自动化了，并没有把这些问题一起解决。

第三层是制度层，也是决策层：报告送上投决会或班子会、党委会，目标是什么、利弊怎么权衡、谁有权依据它拍板、拍错了谁负责、怎样防止一屋子人拿着同一份报告说出同一个结论，是制度、流程、权限的问题。以前的人工报告和现在这类工具生成的报告末尾，大多附有免责声明，写着使用者应独立核验、自行决策，所以报告可以代替，但责任并没有转移。

工具能自动化的只是三层中的一层。以为有了它，判断和决策也可以一并轻松交出去，正是需要澄清的误解。这类工具该不该用、怎么用，答案不在工具本身有多强，而在决策这个系统怎么构成。先把三层看清楚，工具的位置自然就有了。

一、三层不是孤立的，是相互衔接的整体

三层不是三个孤立的抽屉，而是一条相互衔接有接口的链条：执行层的输出是判断层的原料，判断层的结论是制度层的议题。三层都到位，一件事才能从一堆数据走到一个决定。

缺一层，链条就在那里断开，另外两层再用力也补不上来。只有执行层、没有判断层，数字齐备、方法套错，错误算得越漂亮越危险，因为漂亮本身会替错误开路；只有判断层、没有制度层，判断就悬在半空——目标是什么、要权衡哪些利弊、能承受多大代价，这些都不在判断者手里，判断再准也不知道哪一个对自己最有利；两层都在却缺了执行层，决策者层级再高、见识再广、权力再大，面对一堆原始数据也无从下手，没有发挥水平、本事的地方。

决策是个系统问题，而系统最重要的是结构。决策质量首先是一个结构问题：三层分工合理、反馈畅通，系统才立得住。单个环节——包括最先进的工具环节——再强，也代替不了结构。

二、经济是动态的，分工必须随状态迁移

这条链不是静态的，一次画好就可以固定不动。

决策面对的事情有三种状态：

第一种：按确定规则办、答案可复核的事；
第二种：可以用概率分布描述的风险；
第三种：不存在确定规律和历史数据，无法用概率分布来描述的极端不确定性。

真正要紧的是，一件事处在哪个状态不是固定的。立项时参照类坚实、可以按概率处理的项目，遇到技术替代、政策转向或需求越过临界点，可能迁到第三种状态；反过来，规则逐步补齐、数据积累充分之后，一些过去只能凭主观判断的事也会下沉到第一种。

建设项目评价方法的变迁就是迁移的实例。二〇〇六年版的方法与参数在它的年代站得住：融资成本按计划给，价格由行政定，各地各行业按条块分工、环境近似相互独立，参数对单个投资者是外生的，这时候它基本处在第一种，少量在第二种。市场体制和存量时代到来之后，地价、利率、租金、客流成了市场预期的交易结果，地区间的独立从制度上被拆除，相互间的关联度随着全国统一市场建立而大幅增加。同一份测算，在状态稳定的时期可以用第二种状态来测算，接近临界点区域就是第三种状态为主。

迁移不会自动报警。模型不会宣布自己的前提失效，它只是安静地继续给出答案。正因为如此，判断层必须始终有人值守：执行层可以按既定分工运转，识别"现在处在哪一层、有没有越界"这个动作，规则不回答、模型也不回答，只能由人完成。合理的分工因此是动态的——状态迁移，三层的工作都要重新调整一次。

三、工具在三层中的位置

位置由三层结构决定，也随状态变化。

执行层是工具的主战场，而且人工智能确实比人更强。规则内的计算、套定额、编表格、复核勾稽，跑分布、蒙特卡洛模拟、敏感性分析，交给机器又快又稳，这部分效能是真实的，没有理由不用。

第二层能让出去的只是运算，不是前提。金和凯在《极端不确定性》里讲得很清楚，概率方法成立靠两条：存在稳定的参照类，过程在相似条件下重复发生，分布平稳。用哪一段历史做样本、参数是不是真的外生于决策、各地环境是否还相互独立，这些都需要判断层来确定，机器默认按"历史延续、参数给定"处理，而这恰恰是转型期最容易失效的两条。概率还有一个内在边界：聚合有效、单次无效。人群的死亡率表可以精确到小数点后两位，但某一个具体的人明年在不在仍然无从知道；概率安排的是群体，向单个项目派发精确的概率，本就超出了这套方法的能力。

到了第三层，工具必须更换角色，从法官降为证人。它可以组织情景、暴露假设、检查内部是否自洽、生成一份供人盘问的叙事，但不能给无处安放的概率临时造一个安放处。期望效用理论的创立者萨维奇本人早就声明，他的理论只适用于掷骰子、打牌这类状态封闭的"小世界"；在状态清单都不完整的"大世界"里使用，是理论的越界。现实的教训不止一次：二〇〇八年之前，房贷违约模型建立在"美国全国房价从未同时下跌"这个频率上，输出越客观，风险在精确外表下积累得越深；银行的风险价值模型用平静期的频率估计风险，恰好在分布被打破时给出最安全的错觉；二〇二〇年某行原油期货产品出现成交价格跌成负数的情况，但挂钩产品的风控模型状态空间里根本没有负价格，而允许负价成交的规则也是出事前不久刚刚修改。

人的位置由此非常明确：守好规则适用性的开门判断，守好概率分析的前提设定，在没有分布的地方承认没有分布，改用压力测试、选择权保留、分步试错和溯因推理。判断层让不出去，因为模型不回答关于它自己前提的问题；制度层也让不出去，因为目标、取舍和最后的拍板只能由人来做，工具不为任何后果承担什么。

这些位置让不出去，还有更深一层的原因。

在生物学领域，达尔文讲适者生存，而非强者生存：环境稳定时，把冗余削光、高度特化的物种效率最高；环境一变，特化就成了陷阱，活下来的是保留了多样性和回旋余地的物种。在复杂系统领域，也有一条对应的规律：系统内部的多样性必须匹配环境的多样性，才能吸收得了环境抛来的扰动。模型的本性是收敛和优化，按单一目标把多种叙事、反证、冗余、可退出都当成本钱砍掉，它可以增加效率，但同时减少系统应对未知所必需的内部多样性。在没有分布的世界里，决策的首要目标不是最优，是存续和适应——金和凯在书里反复强调的robust和resilient，韧性和选择权，说的就是这一层。多种叙事、异议、冗余、可退出，这些"不经济"的东西只能由人在判断层和制度层保留下来。让AI用最优化的逻辑主导，系统会朝强者的方向越绷越紧；人站在主导的位置，才可能朝适者的方向留出余地。这在增量时代听起来像过于保守，但在存量时代，首要条件是生存下来。

四、系统还要防自己内部的合成偏差

决策系统面对的不止单个使用者和工具的关系，还有使用者彼此之间的关系。一个人用一份报告，和很多机构用同一类工具产出的报告，是两件不同的事。

参与者对世界的认知，通过行动改变世界，被改变的世界再回来修正认知，索罗斯把这称作反身性。金融学界有过一个著名的观察：期权定价公式被广泛接受之后，市场价格反而主动向公式的结果靠拢。项目评价同理，测算报告是拿批复、拿贷款、上投决会的通行证：测算被相信，资金进入，项目开工，早期现金流好看，测算于是被进一步证明正确，更多资金跟随。工具不只是测量世界，它会参与塑造被测量的对象。

人工智能把这条回路拧得更紧。生产快、复制零成本，而所有用户面对同一类底座、同一批训练数据、同一套默认假设，结论天然趋同。过去不同评审人的错误是分散的，多少互相抵消；现在错误被高效收敛成同一个精确数字。单点没有错，系统也会出错——如果桌上每个人手里的报告都长得差不多，正确的个体加总会合成错误的整体。

单个使用者与工具的关系，衡量的是方法与状态是否匹配；使用者彼此的关系，衡量的是共用的人有多少、行动有多一致。这两件事互相独立，各自都能单独产生偏差，把它们的组合画出来，就是下面这张图。

纵轴是方法与状态是否匹配，横轴是共用工具的主体有多少、行动有多一致。左下方个体交学费，代价主要由使用者承担；右上方即使每次单点都算对，也会堵死资金流和项目布局；右下方最危险，错配的结论被全社会共用，经反身性放大成系统性偏差。人工智能正在把整个场景沿横轴向右推。

这对制度层提出了正面要求：会议上要有人从不同角度重新评价，提出挑战性问题，用最不利的假设把结论再算一遍，而不是附和一致；参数来源、模型版本、默认假设要留痕、可对照、可复核；特定类型的项目要保留禁止仅凭工具结论上会的清单。制度设计防的不是某个人算错，而是所有人拿着同一份漂亮答案。

五、法宝幻觉，是把三层一起交出去

很多人对AI工具有一种"法宝"的幻觉，以为既然是人工智能，那人需要做的就是要轻轻一按，这个工具就会像祭起的法宝一样，瞬间问题全部解决。前面把决策系统讲清楚之后，"法宝"观念错在哪里就很清楚：它不是高估了工具的执行能力，而是把三层一起外包了出去。

执行层确实被解决得很好，被一起交出去的是判断层和制度层，故障相应有三种。一是层级伪装，第三层的问题被流畅的推理、精确的数字和自信的区间包装成第二层，无法计算的事情看起来已经被认真计算过。二是工业化趋同，同源输出让不同判断在生成之前就消失了。三是精致度替错误开路，高大上的AI和精致漂亮的图表，让人更难以穿透到实质去审视和质疑。报告同时是决策依据和事后的免责凭证——程序走了，工具先进，专家签了字，真正做前提判断的人隐身于流程之后，没有人需要为"把第三层当成第二层计算"负责。

对政府和国有企业，这层故障还多一个分量。民营机构相互间独立，用错工具，错误由自己的资本吸收，后果不会外溢；政府和国企的评价连着财政资金和公共资源，而且在方式方法上倾向于统一，会造成错误的成本社会化，错误的风险扩大化。越是强调程序完备、留痕齐全的组织，越可能被精致的错误保护得严实。工具没有消除判断责任，只是让责任更难被找到。这些不是反对工具的理由，而是结构必须搭对的理由：执行层放得越开，判断层和制度层越要钉得牢。

六、工具的进步不可阻挡，要升级的是人

上面说了这么多，并不是要反对新工具，反对的是让新工具主导决策系统和人的退化。人工智能用于估值和项目评价，合理的态度是放手用在正确的位置上：规则清晰、数据量大、操作简单、可复制的活交给机器，把人从重复劳动里解放出来。工具的进步是真实的，也是挡不住的；真正要破除的只是"一按开关问题解决"的幻觉——把计算能力的进步，当成判断和决策也可以一并交付。

决策永远是人的事情，工具只是决策系统的一部分，这一部分的局部进步不等于系统的整体进步。执行层单独提速，判断层和制度层停在原地，系统的总效果不是变好，而是精致的错误产出得更快、扩散得更广。工具已经完成了它那部分升级，不会停下来等人；倒逼回来，要升级的是人。

升级分两层。

一层是人提升自己。人是系统中的主导部分，主导部分的能力必须配得上工具的效能：分得清三种状态，守得住规则适用性的开门判断，审得了概率前提，在没有分布的地方承认没有分布。这和从走路到开汽车是同样的道理，汽车的效能是步行的许多倍，但它没有把判断赐给司机，反而要求司机学驾照、懂车况、知道什么路况能开。工具的进步，始终都带来人的进步。

另一层是重塑人和工具的关系，也就是系统内部的机制联系。谁有权依据工具结论拍板、错了谁签字，参数来源、模型版本、默认假设怎么留痕对照，分歧由谁在会议上制造出来，哪类项目禁止仅凭工具结论上会——这些"道路设施"要在工具买回来之前修好，而不是出事后再补。汽车跑得快，要求车外同时有道路、标线、信号灯、交规和事故责任制度，效能、要求和风险是一起到货的。对行业和监管，还要看得见结论同质化本身就是系统风险。

经济是动态的，状态迁移一次，分工就要重新校准一次。工具越强，判断和决策越吃重，人的主导作用不是减轻了，而是更突出了——因为执行不再稀缺，稀缺的是决定执行什么、凭什么相信、错了谁认。