由 Agrawal、Gans、Goldfarb 所撰（《Prediction Machines》與《Power and Prediction》作者）。本章把 AI 化約到最簡單的經濟學：AI 是降低預測成本的機器——並提供一個七格決策畫布，協助管理者系統性評估「機器輔助決策」的可行性。

一個極簡的洞察：AI = 預測變得更便宜#

AI 讓預測變得更好、更快、更便宜。預測不只關於未來：

• 預測未來：下週天氣如何？
• 預測現在：這個西班牙文網站的英文翻譯是什麼？

預測就是「用你擁有的資訊產出你沒有的資訊」。任何「資料量大、需要篩選與排序成可行洞察」的場景，預測都能幫上忙——而現在機器能做這件事。

更好的預測在「面對不確定的決策」時最有價值——而企業每天都在不斷做這種決策。

AI 決策畫布（AI Canvas）#

作者在多倫多大學 Rotman 商學院教學時設計的工具。每一格代表機器輔助決策所需的一個要素。以下用一個真實案例說明——前 Peloton Innovations（現名 RSPNDR）執行長 Craig Campbell 在 AI 策略工作坊中設計的家用警報案例。

背景：家用安全警報觸發後，超過 97% 是誤報。安全公司必須決定：派警察、派警衛？打給屋主？還是不理？若每次都派人，10 次有 9 次會白費——但若不派，遇上真威脅就會失職。

上排四格：決策的關鍵要素#

1. Prediction（預測）#

明確指出你想預測什麼。本案例：警報是不是由陌生人觸發（真假警報）。

• 簡單動作感應器本身就是一種預測機
• 加上機器學習可整合更豐富的感應輸入：家中相機辨識熟人與寵物、能識別誰在家的門鎖
• 預測從「移動 = 警報」升級為「移動 + 不認識的臉孔 = 警報」，大幅降低誤報

2. Judgment（判斷）#

預測永遠不可能 100% 準確。決定是否投資更好的預測，需評估錯誤代價：

• 打電話確認的成本？
• 派警衛的成本？
• 快速回應的價值？
• 真有入侵者卻沒回應的代價？

判斷會反過來改變你想部署的預測機。例如「家裡到處裝相機」也許最能找出陌生人，但很多人會抗拒——他們寧願承擔更多誤報以換取隱私。判斷有時是在不易量化的因素之間衡量價值。

3. Action（行動）#

預測會驅動什麼行動？可能簡單如「派/不派」，也可能更細緻：

• 派人
• 啟動遠端即時監控
• 與屋主某種形式的聯繫

4. Outcome（結果）#

行動的結果。例如派了警衛（行動），警衛抓到入侵者（結果）。每個決策回頭看都能評估「對應是否正確」，這對「持續改進預測」至關重要。

若不知道你想要什麼結果，改進就極其困難——甚至不可能。

下排三格：與資料相關#

5. Input data（輸入資料）#

決策當下蒐集到的資料。本案例為警報觸發時的即時動作與影像資料。

6. Training data（訓練資料）#

歷史感應資料配對歷史結果，用來校準預測機核心的演算法。可想像成一張巨大試算表：每列是一次警報觸發、是否真有入侵者、加上時間與地點等。

訓練資料越豐富、越多樣，初次部署時的預測就越準。若資料不足，可能必須先部署一個普通的預測機，靠時間累積來改善。

7. Feedback data（回饋資料）#

預測機在真實情境運作時持續蒐集的資料，環境往往比訓練資料更豐富——例如透過窗戶感應的動作、相機在實際光線下捕捉的臉部影像。可針對單一住宅客製，也可彙整多個住宅的資料。

怎麼用 AI Canvas#

為組織內每個關鍵決策填寫這七格，便能系統性辨識 AI 能降本或提升績效的機會。

Canvas 不會告訴你該自建還是外購 AI，但會幫你釐清：

• AI 貢獻什麼（預測）
• 如何與人介接（判斷）
• 如何影響決策（行動）
• 如何衡量成功（結果）
• 訓練、運作、改善需要哪些資料

一個更大的想像#

警報之所以「只是把預測傳給遠端人員」，正是因為誤報太多。

想像若預測準到沒有誤報——派人還是最好的回應嗎？也許可以發展現場攔截系統（像卡通那樣！），或更進一步，在入侵者進門前就預測其意圖。

更好的預測，會打開全新的問題解法。