《Prediction Machines》· AI 商业方法论
预测成本下降 + 判断×预测×数据×行动 + 互补资产,判断 AI 产品的商业价值与壁垒。
核心框架
1. AI = 预测成本下降(Economics of AI)
- 适用场景:判断 AI 产品商业价值、定价与替代逻辑
- 步骤:识别预测任务 → 成本重估(预测边际成本趋近零)→ 重新设计流程(人判断,AI 预测)
- 输出物:AI 化机会清单
2. 判断 × 预测 × 数据 × 行动(决策框架)
- 适用场景:AI 产品设计、人机分工
- 步骤:预测(AI)→ 判断(人)→ 数据(燃料)→ 行动(闭环)
- 输出物:人机分工设计
3. 互补资产(AI 价值的另一半)
- 适用场景:判断 AI 壁垒与差异化
- 步骤:识别核心预测能力 → 识别互补资产(品牌/渠道/关系/数据)→ 组合壁垒
- 输出物:AI 产品壁垒分析
决策规则(8条)
- 判断流程是否值得 AI 化 → 看是否依赖预测
- AI 预测已便宜 → 重新设计流程(预测便宜改变决策方式)
- 设计人机分工 → AI 做预测、人做判断
- 评估 AI 壁垒 → 看互补资产(模型本身易复制)
- AI 产品定价 → 按"预测价值"定价而非成本
- 数据是燃料 → 先解决数据获取
- AI 化推进受阻 → 从低风险预测任务开始
- 判断 AI 投资 → 看预测任务的价值增量
检查清单
- 识别了产品中的预测任务
- 评估了 AI 化价值增量
- 人机分工明确(AI 预测/人判断)
- 数据来源与质量确认
- 互补资产识别
- 定价基于预测价值
- 合规与伦理检查
反模式
- 为 AI 而 AI(没有预测任务硬上)
- 让 AI 做判断
- 只买模型不建数据
- 忽视互补资产
- 按成本定价
边界声明(≥3条)
- 成书于 2018 年(大模型前),生成式 AI 超出"预测"框架需补充
- 经济学框架宏观,运营细节覆盖少
- 案例以西方企业为主,中国语境需适配
- 作者立场:有"预测万能"倾向,忽视伦理与创造性风险
诚实说明
提炼基于《Prediction Machines》(Agrawal, Gans and Goldfarb, 2018)公开章节与权威解读,信息截止 2026-09;非原文的直接推断已标注。
本 Skill 由陆羽Skill生成。