Power and Prediction
多伦多三位经济学家把AI经济学拆成一句话：AI做的是prediction，人做的是judgment——prediction廉价化正在重新分配决策权，多数公司还卡在改造单点任务，真正的颠覆发生在整个组织被AI重构那一刻。
- AI经济学三阶段：点解决方案→应用整合→系统重构，多数公司卡在第一阶段，真颠覆在第三阶段
- Prediction变便宜了100-1000倍，但Judgment依然稀缺——好组织让AI做预测、人做价值判断
- 决策权正在重新分配：以前senior靠经验积累的prediction能力自动化了，扁平化组织成为可能
核心观点
AI经济学三阶段：多数公司卡在点解决方案，真颠覆在系统重构
第一阶段是点解决方案——AI替换加速单个任务，比如GPT帮写邮件、Copilot帮写代码，影响有限；第二阶段是应用整合——AI重构整个流程；第三阶段是系统重构——AI改变组织结构和决策链，决策权下放到过去只有CEO才有的层级。多数公司还停留在第一阶段，真正的颠覆发生在第三阶段，先到达那里的对手会让还在第一阶段的公司死定。
Prediction廉价化100-1000倍：过去靠经验和规则应付的事，现在可以精确预测
过去prediction很贵，所以企业靠经验法则和缓冲库存应付不确定性——库存靠估测加缓冲，招聘靠HR直觉，投资靠研究员肉眼分析。现在prediction便宜了100到1000倍，改变的是整个成本收益结构，进而改变了决策方式本身。
AI让prediction成本下降的量级
库存/招聘/投资决策从经验估测转向精确预测
Judgment依然稀缺：AI做预测，人做价值取舍
AI能完成诊断、驾驶、作曲这些prediction任务，但道德判断、价值取舍、边界情形、战略决断依然需要人。好的组织架构是让AI承担prediction，人承担judgment——这不是「AI取代人」的简单叙事，是决策链条被拆成了两个不同的环节。
| 决策环节 | 谁来做 | 为什么 |
|---|---|---|
| Prediction（预测） | AI | 成本已降到极低，规模化处理 |
| Judgment（价值判断） | 人 | 涉及道德/取舍/战略，无法外包 |
决策权重新分配：过去只有资深高管才有的判断力,现在junior加AI也能做
过去senior leader拥有决策权，是因为他们积累了足够的经验来做prediction；现在prediction被AI自动化了，junior配合AI也能做出接近高级水平的决策。这意味着老式的科层制不再是必需品，扁平化和快速决策成为可能。
Prediction is cheap. Judgment is the new scarcity.
— Ajay Agrawal, Joshua Gans, Avi Goldfarb数据是真护城河：算力已经商品化，你独有的数据才是壁垒
算力人人都能买到，AI模型用公开数据训练出来的能力竞争对手也能获得。真正的unfair advantage来自你独有的数据资产——这些数据加上应用场景，才是别人复制不了的部分。
- 把算力/模型本身当成核心竞争壁垒
- 假设用了同一个大模型就等于有了同样的能力
- 把独有数据积累当成长期战略资产
- 围绕专属数据设计应用场景
免费部分到这里。墙内还有：
本书与另外 4 本书的观点交锋 · 应用篇
金句摘录
「Prediction is cheap. Judgment is the new scarcity.」
「Most companies are stuck in Point Solutions—the real prize is System Solutions.」
「Your data is your moat. Algorithms are not.」
常见问题
这本书讲了什么？
多伦多三位经济学家把AI经济学拆成一句话：AI做的是prediction，人做的是judgment——prediction廉价化正在重新分配决策权，多数公司还卡在改造单点任务，真正的颠覆发生在整个组织被AI重构那一刻。
适合谁读？
从核心观点看，适合想搞清楚「AI经济学三阶段：多数公司卡在点解决方案，真颠覆在系统重构」这类问题的人。
最核心的一个观点是什么？
AI经济学三阶段：多数公司卡在点解决方案，真颠覆在系统重构