AI 降下来的是执行的成本：读《权力与预测》，对照制造企业
一位朋友读了我们写 APSer-Atelier 的文章，推荐了《权力与预测》。这本书把 AI 做的事归结为预测，把 AI 落地分成点、应用、系统三级。我们这一年的体会是，AI 降下来的是执行的成本：写代码、出方案、写文档都便宜了。本文讲这本书说了什么、三级在制造企业里各是什么样子、怎么判断一家工厂走到了哪一级，以及我们自己的交付落在哪里。
先说结论
- 我们这一年的体会是：AI 降下来的是执行的成本，写代码、出方案、写文档都便宜了。《权力与预测》把这类工作归为预测：给出最可能对的结果。预测要进入决策才有价值，决策的另一半是判断，也就是对各种结果看重多少，判断和责任留在人这边。
- 书把 AI 落地分成三级：点解决方案改进一个现有决策，其余不动；应用解决方案带来一种新的决策方式，仍可单独采用；系统解决方案要求相关的其他决策一起改，价值最大，也最慢。
- 放到制造企业里，多数 AI 应用停在第一级；判断走到了哪一级，看一个问题就够：别的部门不改做法，它的价值还出不出得来。
- 我们用 AI 编程工具把写代码做快了，这是点解决方案；APSer-Atelier 重新安排「谁产出、谁判断、谁放行」，是我们在自己的交付里做的一次系统级尝试，结果还要靠记录来证明。
一位朋友读了我们的《APSer-Atelier 从哪里来》，推荐了一本书：《权力与预测：人工智能的颠覆性经济学》，作者是多伦多大学的三位经济学家阿杰伊·阿格拉沃尔、乔舒亚·甘斯和阿维·戈德法布，英文原版 2022 年出版，中文版 2024 年由中信出版集团出版 [1]。朋友的看法，和我们这一年常说的一句话一致：写的成本降了，判断的成本没有降。
读完以后，我们发现这本书给了我们这一年的做法一套现成的说法。本文先讲书的主要框架，再对照制造企业，最后说我们自己的交付落在哪里。文中对书的复述是我们的理解；把书的框架用到大模型上，是我们的推演，书成稿时大模型还没有普及。
一、这本书讲的是什么？
书的起点是一个经济学家常用的做法：把一件热闹的新事物还原成一个朴素的要素。作者把 AI 还原成预测：用手头有的信息，补出手头没有的信息。判断一笔交易是不是欺诈、一张片子里有没有肿瘤、下周要订多少货，都是预测。
预测本身不产生价值，要进入决策才有用。作者把一个决策拆成几样东西：
| 组成 | 含义 | 例子（带不带伞） |
|---|---|---|
| 预测 | 各种结果发生的可能性 | 下雨的概率是多少 |
| 判断 | 对各种结果看重多少 | 淋湿一次和白带一天伞，各算多大损失 |
| 行动 | 最后做什么 | 带伞，或不带 |
| 数据 | 用来训练和校正预测的信息 | 过去的天气记录、这次预报准不准 |
以前，预测和判断发生在同一个人的脑子里，分不开。机器接过预测以后，两者就分开了，于是有了一个新问题：谁来判断。书里的判断是，判断和对结果的责任始终在人这边；看起来是机器在决定，其实是有人事先把判断写进了系统。
二、为什么说 AI 降下来的是执行的成本？
这一年我们用 AI 编程工具做交付，最直接的变化是执行变便宜了：写一段代码、搭一个页面、起草一份方案，过去要几天，现在几小时。书里把这类工作叫作预测：用手头有的信息，给出最可能对的结果。书里的例子多是识别和估算，识别欺诈、识别图像、估算需求；大模型写代码、出方案，给出的是「最可能对的下一段」，按同样的思路看也是预测。所以执行变便宜，在书的框架里就是预测变便宜。
执行一旦便宜，有两件事跟着发生。一是它会被用到更多地方；二是和它互补的东西变得更值钱，其中最重要的就是判断。我们在《品位与决策》里写过：同一个需求 AI 能做出好几版，稀缺的换成了看得出哪一版好、定得下用哪一版。这与书的框架是同一个意思，换了一套说法。
三、点、应用、系统三级解决方案，各指什么？
书借电力的历史讲这三级。电灯发明后的二十年里，电在美国工厂里用得很少；又过了二十年，才用得普遍。前面那段时间，工厂只是把蒸汽机换成电动机，厂房照旧围着一根传动轴盖；后来有人按电的特点重新设计了单层、按工序排布的工厂，生产率才真正上来。作者把我们今天所处的阶段叫作「中间时代」：AI 的能力已经被看见，但还没有被系统地用起来。
三级的定义，关键在一个词：独立。
| 级别 | 定义 | 电力时代 | 书中的 AI 例子 |
|---|---|---|---|
| 点解决方案 | 预测改进一个现有决策，这个决策可以独立改进，其余不动 | 在传动轴一端用电动机替换蒸汽机 | 银行用新模型替换旧的欺诈识别模型 |
| 应用解决方案 | 预测带来一个新决策或新的决策方式，仍可独立采用 | 给每台机床单独配电动机 | 为设备重新设计的识别功能 |
| 系统解决方案 | 预测带来的价值，以相关的其他决策一起改变为前提 | 重新设计整座工厂 | 电商「先发货、后购物」，前提是退货几乎不花钱，要重做物流 |
书里的看法是：点解决方案最容易落地，也最常见；价值和对行业格局的改变，主要来自系统解决方案，而它最慢、最难，因为要改的不止一处。
四、三级在制造企业里各是什么样子？
以生产计划为例，下表按我们的理解对照：
| 级别 | 制造企业里的样子 | 别的部门要不要改 | 怎么判断走到了这一级 |
|---|---|---|---|
| 点解决方案 | 用模型把需求预测、设备故障预警做准一些；让大模型把排产结果解读成一段话 | 不用改 | 把它拿掉，别的环节照常运转 |
| 应用解决方案 | 急单插进来时，系统算出几套方案，由计划员选定；以前只能凭经验改一版 | 计划员的做法变了，采购、仓库照旧 | 出现了一种新的选择，但别的部门不必跟着变 |
| 系统解决方案 | 接单时按算出来的产能报交期，排产、齐套放行、采购下单一起按计算结果调整，谁定什么重新分工 | 销售、计划、采购、仓库都要改 | 别的部门不改做法，它的价值就出不来 |
「规则是黏合剂」是书里另一个有用的说法。工厂里有很多规则：安全库存留几天、提前期按固定天数、计划冻结几天、宁可早投料。书的看法是，这些规则背后都藏着一种预测不了的东西，规则是用来兜住它的。规则之间又互相咬合：计划冻结期是给采购和外协的承诺，固定提前期是算物料的依据。只把排产这一格换成算法，而采购、仓库仍按旧规则，排程算得再好，也会被其余规则抵消。这也是很多系统「上线了、用不起来」的一个原因，我们在《企业系统持续变化中反复出现的八类失败》里记过类似的案例。
书里还有一个现象对排程很有启发，作者叫它 AI 长鞭效应：一处用预测把决策做得更灵活，却让它对上下游变得更难预期。一家餐厅用需求预测改了订货量，供应商的订单跟着大起大落，一路传到种植户。工厂里，排程一灵活，采购和外协就更难预期。书给的应对有两条：加强协调，让相关的人看到同一份信息、一起调整；或者用模块隔开，比如冻结期、缓冲库存，让一处的变化传不到别处。
五、怎么判断一家工厂适合从哪一级做起？
书的后半部分给了一个工具，叫系统探索画布。按我们的理解，进一家工厂时可以这样用：
- 写下使命。 比如「按承诺的交期交货，库存和加班尽量少」。
- 假设预测足够准，列出实现使命需要的最少几个核心决策。 生产计划这一块，通常是接单时承诺什么交期、按什么顺序排产、什么时候放行投料、插单时怎么调整。
- 逐个写清：这个决策需要什么预测，判断错了各付什么代价。 交期报早了，付的是违约和客户信任；报晚了，付的是丢单。代价由谁来权衡，要写明。
- 写清这个决策现在由谁做、靠什么规则兜底。 这一步往往能找到藏在规则背后的不确定性。
- 看它牵动哪些部门。 只在一个部门里的，可以先做点解决方案；牵动几个部门的，要准备系统级的改动，或者先用模块把它隔开。
六、我们自己的交付落在哪一级？
按书的尺子量，我们用 AI 编程工具把写代码做快了，这是点解决方案：交付的其余环节不变，只是一格变快了。
APSer-Atelier 是我们在自己的交付里做的一次系统级尝试。它是我们自研的工作平台，定位是可持续交付的底座：执行交给可替换的执行器，主控留在平台里，判断留给人。具体说，我们提需求、拍板、在真实环境里验收；写代码、出方案交给 Claude Code、Codex 这类 AI 编程工具，它们是执行器；APSer-Atelier 作为主控负责组织：登记每一件事，派给执行器，把需要人决定的事项登记成待拍板，写清选项和代价，等人答复；可以撤回的内部改动按事先写好的规矩往下走，涉及客户和不可逆的动作停下来等人；每一步留下验证记录。这与书里说的「预测和判断分开」「把判断事先写进规则」「按犯错的代价决定哪些交给自动化」对得上。
这里说的 APSer-Atelier 主控包括两部分：面对我们的主控会话（一段 Claude Code 或 Codex 对话），负责组织和派出；Atelier 平台，负责登记每一件事、挂起待拍板、记下要求、按规矩放行并留下记录。
这次尝试走过弯路。我们在《从哪里来》一文里记过：有一段时间，我们让平台替人执行，平台开发反而吃掉了大量时间；后来转向让不同工具之间的认知接得上、让判断有地方记下来。用书的话说，前一种是找一格替掉，后一种是重新安排谁决定什么。
系统级的改动，早期指标往往难看，书里用手机行业的例子讲过这一点。我们的平台目前也有反面证据：自动派出的工作有三成出错；从一句意图出发、无人介入一路做到上线，目前只在测试用的代码仓上跑通过。所以我们把它当作要验证的方向，不作承诺。交付给客户的系统独立运行，不依赖这个平台在线。
七、这本书有哪些局限？
- 成书在大模型普及之前。 书里的 AI 主要指识别和估算类的机器学习。把写代码、出方案也算作预测，是读者的推演。
- 案例多来自北美的大企业和平台公司。 书里引用的一项 2020 年调查说，只有 11% 的组织从 AI 得到了显著的经济收益。国内中小制造企业的起点更靠前：很多工厂的数据还不齐，口径还没写清，先要解决的是这些。
- 「权力」是经济学意义上的。 书里的权力指控制稀缺资源的能力，讲的是 AI 改变「谁来决定」之后，经济利益怎样转移。放到企业内部，它提醒的是：新系统改变了谁定什么，失去决定权的一方会抵触，这要在项目开始前想到。
以下是我们的看法
以下内容是我们的观点，供您参考。
第一，先问这件事改进的是哪一个决策。 书里说，初创公司说自己的 AI 能给客户「洞见」时，往往是还没想清楚拿预测去改进哪个决策。评估一个 AI 应用时，您可以先问这一句。
第二，从点解决方案做起，但要知道它的上限。 点解决方案落地快、风险小，适合起步；想要更大的改变，就要准备改规则、改分工，那是系统级的工作。
第三，判断要先写下来。 书里讲过一个「先有鸡还是先有蛋」的困境：不知道拿预测做什么，就不愿投资预测；没有预测，也想不清该怎么判断。对制造企业来说，打破它的第一步，是把交期、合格率这些口径和取舍按自己的定义写清楚。
第四，拍板留给对结果负责的人。 机器可以把选项和后果算清，选哪一个，要由懂业务、有授权的人来定。
青岛艾普仕以制造业深度定制化交付为主业，APSer-Aps 生产排程系统和 APSer-One 制造运营平台用在定制交付中。如果您在考虑 AI 进入工厂从哪里做起，欢迎预约交流。