Token导航 LogoToken导航

AI 资讯 · 北大金融评论杂志

魏炜:AI将指数级放大人的认知差距

更新 2026-11-17北大金融评论杂志正文 1万字阅读约 32分钟11 张图片
图片
同一个行业问题交给几位同事,得到的AI辅助报告往往高度相似。市场规模、竞争格局、风险分析一应俱全,结论也离不开数字化、精细化与差异化。新人交出的初稿,与资深人员的初稿越来越难从外观上区分。一种直观感受由此产生:大家用同样的AI,掌握同样的知识,最后是不是都会想得差不多?
北京大学汇丰商学院管理学教授魏炜及合作者撰文表示,AI不会让学习专业知识和训练解决问题的能力失去意义,恰恰会使它们更加重要。守住主导权,把AI用于探索、辨别和改判,才能不断突破常规认识,并在持续协作中拉开人与人的认知差距。
同一个行业问题交给几位同事,得到的AI辅助报告往往高度相似。市场规模、竞争格局、风险分析一应俱全,结论也离不开数字化、精细化与差异化。新人交出的初稿,与资深人员的初稿越来越难从外观上区分。一种直观感受由此产生:大家用同样的AI,掌握同样的知识,最后是不是都会想得差不多?
这种感受有现实依据,AI让检索、组织和表达变得容易,确实缩小了部分任务中的执行差距。但AI并没有消除理解问题、识别关键条件和作出判断所需要的能力。报告看起来相似,不代表作者能够同样准确地解释结论,也不代表他们遇到新情况时能够作出同样可靠的选择。
这种判断差距往往在条件变化时显现。补贴退出后,门店是否仍能盈利?成本口径调整后,原有方案是否还成立?有人能够迅速发现受影响的计算、分类和决策,并利用AI重新推演。有人则再次索取一份完整报告,仍未触及决定结果的关键变量。
AI既使常规答案更容易复制,也使复杂探索更容易展开。习惯于让AI直接成稿的人,往往沿着相似的问题与材料获得相似的认识。能够以内化的领域知识识别关键条件、以协同方法组织多轮比较的人,则可以在同样时间里检验更多假设、修正更多关联判断,形成标准答案难以提供的认识。一次任务中的差距由此显现,连续任务中的积累又会进一步扩大这种差距。
认知同质化的根源,不是大家用了同一个AI,而是大家把同样的东西交给了AI:问题如何定义,用什么框架分析,什么算好的答案。目标、路径和标准一旦沿用AI的默认设置,不同的人就会得到相似的认识。守住这些判断主导权的人,则会把AI的分析能力调动到真正决定结论的地方,不断拓宽问题边界,并把每轮获得的认识用于下一轮判断。
图片

一、AI为什么容易制造认知同质化的印象

认知同质化之所以成为一种流行判断,是因为人们首先看到的是AI降低了交付门槛,却很少观察成果背后的判断过程。
过去,结构完整、术语准确的报告通常意味着作者投入了较多时间进行检索、分析和写作。AI普及后,框架搭建、资料整理与文字表达可以迅速完成,报告外观不再能够可靠反映作者的认识深度。人们看到越来越相似的报告,便容易把表达能力的趋同误认为解决问题能力的趋同。
这种印象还来自通用提问所产生的通用回答。没有具体对象、业务约束和评价标准时,“如何提升竞争力”“如何减少客户流失”等问题很容易引出相似的框架与常见建议。即使模型调整了措辞,不同回答仍可能围绕同一组变量展开。使用者不断重复这种提问方式,便不断强化了AI使人“想得一样”的印象。
部分任务中的表现差距确实缩小了。Noy和Zhang的专业写作实验发现,ChatGPT提高了任务效率与产出质量,原先表现较弱者获益更多。Brynjolfsson等对客服人员的研究同样发现,AI提高了平均生产率,经验较少、技能较弱的员工改善更明显。在目标明确、规则稳定的任务中,AI能够弥补检索、表达和操作熟练度的不足。这种执行层面的追赶具有实际价值,却不能据此认定独立判断能力已经趋同。
更重要的是,许多工作评价只检查成稿。信息是否齐全、语言是否流畅、框架是否完整,都容易直接观察。作者能否识别遗漏条件、解释因果关系、处理相互矛盾的证据,以及在情况变化时及时调整判断,却很少通过一份成稿得到检验。评价停在交付外观,真正的认知差距便被掩盖。
文字与框架相似,是外观趋同。标准化任务的表现接近,是执行趋同。只有对关键事实、因果关系和行动条件形成相近且可靠的理解,才谈得上认知趋同。AI大量制造了前两种相似性,却没有自动消除第三种差异。
图片

二、习惯性使用AI,为什么会让认识趋同

默认使用AI的共同特点,是在不知不觉中把判断的主导权交给了机器:问题按AI的默认理解来界定,分析沿着通用知识的路径展开,评价以文字和数字无误为标准,过程在成稿那一刻便不再受到监控。下面四种情形,分别对应目标、路径、标准和监控的让渡。
首先是目标的让渡:未经界定的问题把后续分析锁定在常见方向。企业利润下降,直接询问AI“怎样增加客流”,实际上已经把利润下降解释成客流不足。模型可以迅速提出营销方案,却可能忽略商品组合、配送成本和补贴退出等更重要的原因。许多人从同一个未经核实的假设出发,自然得到相似的解决方案。
其次是路径的让渡:情境资料没有进入推理,模型便只能沿着通用知识的路径作答。即使使用者可以获得合同、门店记录和费用明细,如果输入的只是行业摘要、汇总数字与一般性描述,决定企业差异的条件仍被排除在分析之外。相似的信息基础会引出相似的解释,专业知识的作用也难以发挥。
再次是标准的让渡:核验往往停在文字和数字是否正确,没有检查证据与结论之间的关系。来源真实、计算无误,并不意味着因果解释成立。即使解释成立,也仍需判断它能否支持相应行动。许多看似完整的方案之所以相似,正是因为它们共同跳过了这两项最需要专业判断的工作。
最后是监控的让渡:使用者把完整成稿视为任务结束,后续修改主要是增加案例、润色表达和补齐章节,没有更新关键假设,也没有把AI节省的时间投入深入分析。下一次遇到新问题,又从相似的提示词和框架开始。反复使用AI增加了报告数量,却不一定增加独立解决问题的能力。
从通用提问到相似材料,从默认解释到完整成稿,这条路径把复杂问题压缩成容易复制的答案。问题边界、分析角度与行动建议随之趋同,才是习惯性使用AI造成认知同质化的主要原因。这种让渡之所以难以察觉,是因为每一步看起来都由使用者自己完成:问题是自己提的,成稿是自己交的。最隐蔽的风险不是人知道自己依赖AI,而是人误以为自己仍在独立思考。
这种使用方式还保留了原有任务的边界。使用者只是借助AI更快地检索、整理和成稿,却没有追问执行成本下降之后,是否能够研究过去无暇处理的问题。任务定义没有变化,AI带来的能力扩展便主要表现为效率提升,而不是认识上的突破。
当AI成为普遍可用的工具,依靠通用知识和标准流程获得的效率提升,也会逐渐成为多数使用者的共同能力。若问题定义、分析依据和判断标准都没有变化,使用AI只能让大家更快地完成相似的工作,难以形成独特的认知优势。
图片

三、真正拉开差距的,是AI参与关键判断的深度

标准化任务需要的是可靠的一致性。按照既定口径计算周转率,或根据明确规则对客户分类,结论相同意味着规则得到了正确执行。这类子问题规律稳定、结论可以快速验证,判断可以放心交给AI,由人抽查;坚持凭手工和直觉去做机器做得更准的事,反而是另一种失败。真正需要拉开认知差距的,是原因尚未查清、方案存在取舍、判断会影响重大行动的问题。
问题的模糊程度与判断后果决定了AI应当怎样参与。MIT CISR以模糊度和风险区分不同决策情境,前者涉及现有信息能否确定答案,后者涉及错误后果及其可逆性。对规则清晰的任务,AI可以承担大量标准化执行。对解释不确定、行动代价较高的任务,使用者必须把更多精力投入证据比较、取舍判断和风险控制。
问题明确、后果有限时,采用标准流程即可提高效率。问题明确但后果重大时,需要强化核验与责任分配。存在多种合理解释时,要通过证据区分假设。解释不清且后果重大时,还需要设置试验、停止和接管条件。任务越需要从事实中辨别不同解释,个人内化的领域知识与协同方法越能决定AI产生的价值。
例如,计算门店坪效可以通过统一公式得到相同结果,决定是否复制门店却要判断坪效与真实盈利的关系、试点条件能否推广,以及哪些不确定性需要通过试验解决。一个是按规则得出数字,一个是根据有条件的事实决定行动。两者对认知的要求完全不同。
AI也会在缺少有效约束时放大错误。Dell’Acqua等的顾问实验发现,AI在部分任务中提高表现,却在超出其能力边界的任务中降低了参与者答对的概率。因此,报告是否完整、回答是否流畅,都不能代替对关键判断的审查。AI越是参与问题界定和框架生成,人需要审查的就越不只是事实错误,还有问题设定和分析框架本身。
要在同一任务中显著拉开差距,就应当找出哪些条件会改变结论,将AI的搜索、比较和推演能力集中到这些条件上。能够从关键变量出发反复修正关联判断的人,获得的不是更多文字,而是对问题更深入、更有行动价值的认识。
AI对认知差距更深层的放大,在于改变了人能够探索的问题范围。过去受限于检索时间、计算成本与个人精力,一项经营判断往往只能比较少数方案。如今,AI可以帮助使用者迅速展开多种假设、连接不同领域的信息,并反复推演条件变化带来的后果。习惯性使用者仍用它完成既定任务,善于协同的人则据此发现新的问题、重新选择分析方向,把原本难以开展的探索转化为更深入的认识。

图片
四、同一个问题,为什么会形成悬殊的认知成果
设想一家区域零售企业准备复制社区小店。甲、乙两位分析者的认知元能力、深度思考逻辑和价值取向相近,使用同样的AI,拥有可比的资料权限,也受到同样的时间约束。两人起初都认为小店具有扩张潜力。区别有两点:一是乙在零售问题上积累了更多内化的领域知识,二是乙掌握了更有效的人机协同方法。
第一点决定了什么值得追问。看到坪效高,乙会本能地追问“高在哪里、靠什么高”。这种追问来自内化的领域知识,即在大量真实问题中反复使用、已经变成直觉的经验,而不是临时向AI调取的知识。补贴政策和租金条款,甲同样可以向AI查到,但甲想不到要查。
领域知识的作用还在于改变AI的分析方向。熟悉业务的人能够将门店经营规则、费用关系和实际约束转化为具体的分析条件,让AI围绕不同门店的真实差异展开推演。由此形成的认识不再局限于公开资料中的通用框架,而是建立在使用者自身积累的业务知识之上。
第二点决定了追问能否落地。有效的协同方法,是在人机之间做好双向翻译:交给AI的不只是问题,还有判断目标、情境资料、证据标准、反方要求和需要标注的不确定性;收回AI的输出时,再把其中的事实、推断、价值判断和未知分开处理。AI不会自动消除这两点差异,反而为它们的充分发挥提供了更大的空间。
甲让AI汇总销售额、营业面积和成本,发现部分试点店的坪效较高,随后按照常见框架整理选址、竞争与经营风险,并提出“分批扩张、加强成本控制”。报告完整,数字也得到核对,但没有进一步区分试点期间的阶段性支持与常态经营收益。
乙则凭借内化的领域知识识别了这一关键区别。乙先让AI整理补贴、租金优惠和费用分摊的适用条件,再核对原始协议,并将不同门店与相应条件对应起来。假设分析发现,部分门店在优惠退出后仍可盈利,另一些门店的利润则主要依赖阶段性支持,原先“高坪效意味着值得复制”的判断便需要重估。
这一发现同时改变了门店分类、扩张区域、资金需求和后续核验重点。乙没有把新信息当作报告中的一条附注,而是要求AI根据新的分类重算持续收益,比较不同门店的扩张方案,并识别哪些预测必须同步调整。关键条件一旦进入完整的分析链,报告的结论便从笼统的扩张建议转向针对不同情境的决策。
新的判断又引出了更深的问题:为什么有些门店失去优惠仍能盈利?是配送密度、自然复购还是费用分摊方式造成了差异?乙借助AI同时比较这些解释,调用计算工具复算,再回到原始记录查证。每查清一个关键条件,就能进一步修正相关分类和推断,形成下一轮探索的依据。
在这一过程中,内化的领域知识决定了什么值得追问,协同方法保证了追问能够转化为有效操作,AI则大幅降低资料整理、方案比较和多轮推演的成本。原本受时间限制的分析可以连续展开,一项发现又牵动多项关联判断,认知差距便在同一次任务中迅速拉开。
甲乙可能最终都提出“分批扩张”,但甲提供的是一般方向,乙则能指出哪些区域可以推进、哪些仍需试验、哪些应暂停,以及何种条件变化将触发决策调整。结论的字面相似掩盖不了理解深度和决策价值的差异。

环节

停在同质化做法

把AI用于深化判断

发现试点店坪效较高

围绕扩张补充通用论据

区分坪效、盈利与可复制性

核实优惠适用范围

作为一项风险写入报告

重分门店,重算持续收益与资金需求

获得新的成本资料

增补表格和说明

检查哪些解释及方案排序必须调整

完成交付

留下一份完整报告

留下有条件的方案、核验依据与可复用方法

这个案例说明,当一个被忽略的条件足以改变多项关联决策时,能够发现并核验它的使用者,会把AI提供的信息处理能力转化为更高水平的认知成果。差距不只是多掌握几个事实,更在于一份方案是否能够支撑具体、有边界的行动。
专业知识本来就能改善分析质量。AI的关键作用,是让具有内化领域知识和协同方法的人在有限时间内完成更多比较与核验,使原有优势从识别一个问题,扩展到重新组织一组相互关联的判断。
图片
五、如何使用AI突破同质化,形成认知优势
高水平使用AI的关键,是让每一轮协作都推进问题、证据与决策之间的关系。仅仅增加对话轮次或生成更多版本,不会自动提高认知质量。
第一,先确定需要判断什么、写下自己的初步判断,再让AI展开分析。
报告的章节不是判断的起点。面对社区小店扩张,应当首先明确试点盈利是否依赖一次性支持、哪些成本会随着复制而变化、哪些地区具备足够需求与配送密度,再将现有证据和待查条件交给AI。问题越具体,AI越能围绕真正影响行动的变量展开工作。
提问之前,最好先写下自己的初步判断和理由,哪怕只有一句话,再与AI的分析对比。这一步守住的是问题的定义权:目标在提问前已经明确,就不容易在对话中被AI的默认理解改写。两者差异最大的地方,往往正是最值得深入核验和学习的地方。
领域知识不足时,应当主动借助AI补充概念、业务约束和核验线索,再根据当前情境逐项判断适用性。补知识的目的不是收集更多术语,而是提高识别问题、组织分析与评价结论的能力。
这时的现实目标不是立即作出专业判断,而是达到准专业审查:会拆题、会追问、会验证,知道争议在哪里、该找谁兜底。尤其要警惕“伪深度”。借助AI,术语和框架可以在一夜之间变得完整,“我懂了”的感觉来得更快,也更容易是错觉。一个简单的检验是,不看资料,能否向业内人士复述决定结论的关键假设,并得到对方认可。做不到这一点,就只做“不被忽悠”的判断,把“该不该做”的判断交给真正的专业人士。
第二,让AI并行比较相互竞争的解释。
面对利润变化,不要只让AI罗列可能原因,还要区分不同解释各自预期出现的事实。如果问题来自客流,销售与到店数据应当呈现何种变化?如果来自商品组合或配送成本,毛利结构和履约费用又会怎样变化?能够区分解释的证据,才值得优先检验。
AI显著降低了并行探索的成本,使过去难以同时展开的多个分析方向能够进入同一次判断。但候选解释越多,筛选标准越重要。使用者必须依据业务目标和关键证据排除不适用的解释,才能把探索的广度转化为认识的深度。
更重要的是,并行探索不应止于对既有问题增加几种答案。比较中出现的新变量和新联系,可能提示原来的问题本身需要调整。此时应当重新界定研究对象和判断目标,让AI的处理能力服务于新的问题,而不是继续加工最初的答案。
第三,集中核验决定结论的关键环节,并同步修正关联判断。
“小店坪效较高”是观察,“小店更有盈利能力”是解释,“应当大规模复制”是行动建议。三者之间需要不同的证据。坪效计算正确,不代表盈利解释成立。即使部分门店具有盈利能力,也不意味着在其他区域复制一定合算。
AI可以提取资料,计算工具可以复算数值,使用者则必须核对关键事实和因果关系。每当重要条件被确认或推翻,都应更新受其影响的分类、预测和方案排序。只改一处数字,却让后续判断沿用旧假设,意味着错误仍在分析链中传播。
交叉检查的价值在于发现不同的错误来源,而非增加模型数量。针对106项实验的元分析发现,人机组合的平均表现低于人或AI中较强的一方,在决策类任务中损失尤其明显;而当人单独表现优于AI时,人机组合更容易产生增益。协同的价值,取决于人能否在自己更强的地方守住判断,在AI更强的地方放手交给AI。因此,有效协同必须把生成、复算和事实核验区分开来,使关键判断经得起独立证据的检验。复核应当优先回到原始来源、请教真人,换一个模型只能作为补充:不同模型的训练数据和方法高度重叠,犯的错往往也相似。
第四,将分析转化为行动,并利用结果校准认识。
证据充分、后果可控的方案可以推进。关键条件尚未明确时,可以先开展小范围试验。风险超出承受范围时,应暂停行动并取得必要支持。责任、观察指标和停止条件明确以后,行动反馈才能帮助使用者判断原有解释是否成立。
同样的资源和权限并不保证同样的学习收获。能否设计有效试验、识别结果中的干扰因素并据此调整判断,仍然取决于使用者将分析落实到实际业务的能力。
第五,记录关键改判,让本轮认识成为下一轮的起点。
每次协作结束,都应记录哪些假设得到了支持或修正,哪些事实改变了判断,以及哪些结论虽未改变却获得了更可靠的依据。还应记下当时的把握程度,以及采纳和拒绝了AI的哪些建议、为什么。前者让日后的复盘能够检验判断是否准确;后者让主导权看得见,说不清采纳和拒绝的理由,就是认知让渡的信号。这样留下的是可以复查、可以迁移的认识,而不只是一份定稿。
有效学习不要求每次推翻原有结论。证据更充分、适用边界更清楚、不确定性得到缩小,同样体现了判断质量的提升。相反,反复向AI索取类似答案,即使文档不断增多,也不会自然形成新的认知能力。
第六,把已经形成的方法运用于新的情境。
换一组门店或改变一项条件,使用者应当先判断哪些关系可以复用、哪些事实必须重新核验,再借助AI进行检验。配送密度改善后,原本暂缓的扩张方案可以重新比较。优惠退出后出现持续亏损的门店,则应调整原有判断。方法可以迁移,结论必须服从新的事实。
真正掌握一种方法,意味着能够解释其依据,并在条件改变时独立判断如何调整。AI提供的信息只有经过理解、核验和应用,才能成为使用者持续解决问题的能力。
图片

六、认知差距为何能够持续扩大:从一次优势到多轮复利

一次任务中的高质量协同首先改变当次判断。更深远的作用,是把经过核验的知识、分析工具和工作方法留给下一轮,使使用者不必每次从常见问题和通用框架重新开始。
依赖AI直接成稿的人,每次任务结束主要留下文本,遇到下一项任务仍需重新索取通用答案。善于协同的人则不断积累业务约束、可靠数据、复算工具和有效核验路径。此前的成果降低了后续准备成本,节约出的精力得以转向更复杂的问题,两人的下一轮起点便逐渐拉开。
这种积累具有连续强化的作用。被反复用于解决同类问题的知识,会逐渐内化为直觉式的经验,使用者识别关键条件的速度随之加快;更成熟的协同方法,让同样时间内能够完成更多有效核验;已有的分析成果,又能直接进入多个新问题。新的探索继续产生知识和方法,领域知识、协同方法与AI使用效率相互促进,优势便不再只是固定的起点差异,而开始影响每一轮增长的幅度。
随着知识和方法不断积累,使用者能够承担的也不再只是更多同类任务,还包括此前因信息量过大、分析路径过多而难以开展的复杂问题。新的问题带来新的知识组合与实践经验,认知能力的提升因而又推动下一轮探索范围的扩大。
这种增长与简单重复不同。保存更多报告,只增加资料数量。把可靠认识转化为可复用的分析能力,才能不断提高后续工作的起点与效率。两种使用方式持续分化,人与人的认知距离便会随多轮协作不断拉开。
这一循环的质量取决于能否不断纠正旧知识、更新方法并获得现实反馈。错误如果被反复保存和复用,也会随着AI的处理规模一起扩散。因此,高水平协同始终需要把学习建立在可复查的事实和真实的行动结果之上,并定期在不借助AI的条件下完成同类判断,检验知识和方法是否真正长在了自己身上。
图片
七、认知优势如何体现:看理解深度与决策价值
真正的认知优势不在报告篇幅、框架数量或措辞复杂程度,而在使用者是否发现了重要遗漏、提出了可靠解释,并据此作出更好的判断。
理解质量首先体现在能否说清关键事实之间的关系,区分观察、解释和行动建议,明确哪些条件变化将使自己调整结论。证据质量则体现在重要数据能够追溯来源,口径一致,计算可复现,矛盾材料得到解释。
认知成果还必须接受行动与成本的检验。方案能否在现实条件下实施,实施后产生什么结果,为核验、返工和执行付出多少时间与资源,决定了分析的实际价值。如果一份更复杂的报告没有改善关键判断,却大幅增加成本,其复杂程度便不能代表认知优势。
比较认知差距,还要考察任务开始前后发生了什么变化。相同结论如果获得更可靠的证据和更清楚的适用边界,认识仍然得到提升。不同结论若缺乏可信依据,则只是观点的分歧,不能直接视为认知水平提高。
认知优势还需要经过时间的检验。一次任务中乙看得更深,不等于乙判断更准。判断是否可靠,要看多次判断之后,命中率与当时的把握程度是否相符:说“八成把握”的事,大约八成应验。这要求在判断时记下把握程度和复盘日期,到期回看结论对不对、把握准不准。经常“九成把握”却只对了六成,说明存在系统性的过度自信,这比单次判断出错更值得警惕。
Otis等关于肯尼亚企业主的现场实验发现,使用同一AI经营辅助工具后,整体平均效果并不显著:原本经营较好的企业主从中受益,原本经营较差的企业主表现反而变差。这进一步说明,AI的价值并不取决于是否获得建议,而取决于使用者能否判断哪些建议适用于自己的处境,并加以选择和落实。
学习成果还应与工具辅助下的任务表现区分开来。Bastani等的高中数学实验发现,通用AI辅助虽然改善练习表现,但撤去AI后的测验成绩可能低于未使用AI的对照组,针对学习过程设计的辅助方式则能够减轻这一问题。AI能够提高当次交付,不代表使用者已经掌握相应的知识和判断方法。
因此,要检验认知能力是否提高,可以在任务变化、提示减少或工具暂时缺席时,观察使用者能否独立解释关键关系、发现错误并调整判断。真正得到积累的知识和方法,应当能够在新的情境中继续发挥作用。
组织评价AI协同时,也应关注判断依据、复算结果、重要遗漏的发现和实际返工成本,而不只统计成稿数量。重大判断还应保留采纳记录:AI提出了什么,人采纳了什么、拒绝了什么、为什么。把评价重点转向可靠判断与可复用的方法,才能鼓励使用者将AI带来的效率收益转化为长期能力。
图片
结语:AI拉平常规答案,却放大认知能力的价值
AI让更多人快速交付结构相似的报告,也让标准化任务的执行差距明显缩小。这种表面趋同来自工具对检索、表达和常见流程的替代。当使用者继续依赖通用问题、相似资料和默认结论时,AI就会不断复制相似的认识。
真正拉开距离的,是那些把AI用于关键判断的人。他们凭借内化的领域知识识别重要条件,利用AI同时探索多种解释,通过核验和推演修正关联结论,再把分析转化为可以接受现实检验的行动。同样的模型在不同使用者手中,因此产生了不同深度和价值的认知成果。
这种差异并不止于一份报告。每次高质量协同留下的知识、工具和方法,都能提高下一次解决问题的起点与效率。不断积累的能力又使AI能够承担更广范围的探索,形成持续强化的认知优势。
AI不会让学习专业知识和训练解决问题的能力失去意义,恰恰会使它们更加重要。把问题定义、分析路径和评价标准交给AI,只会更快得到与他人相似的答案。守住这些主导权,把AI用于探索、辨别和改判,才能不断突破常规认识,并在持续协作中拉开人与人的认知差距。
图片
附录:把一次AI协作变成下一次优势
围绕一项真实任务填写。重点记录实际影响判断的知识、证据和操作方法,让每轮协作留下下一次可以复用的成果。

记录项

要留下的内容

起点与判断

要作出什么决定;提问AI之前的初始判断、依据与把握程度(百分比);哪些条件会改变方案

解释与预测

至少两种值得比较的解释;各自预期观察;区分它们的证据

核验与传播

查清了什么;来源与口径;哪些分类、计算和判断须同步调整

改判或确认

哪些结论改变;哪些未变但获得新支持;仍有哪些未知

采纳记录

采纳和拒绝了AI的哪些建议,理由是什么;哪些判断已说不清来自自己还是AI

行动与代价

采取何种行动或试验;责任、指标与停止条件;时间、返工及实施成本;复盘日期

留存与迁移

哪些知识、工具和方法可复用;哪些条件下次必须重查

下一轮检验

换材料、改条件或不借助AI时,能否解释、识错和调整;到复盘日期时,结论是否应验、把握程度是否准确;优先补哪项知识、改进哪项协同方法

文章作者:

魏炜:北京大学汇丰商学院管理学教授

吕和薇:北京大学汇丰商学院硕士研究生

张殿儒:北京大学汇丰商学院硕士研究生

《北大金融评论》第29期已经上架

订阅全年刊或三年刊

图片享独家优惠


本文编辑:鞠諃諃

文章标签应用落地

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。