---
name: ai-operations-method-prediction
description: |
  《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。
  触发词：「预测机器」「AI商业价值」「人机分工」「AI定价」「AI壁垒」。
---

# 《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）

1. 判断流程是否值得 AI 化 → 看是否依赖预测
2. AI 预测已便宜 → 重新设计流程（预测便宜改变决策方式）
3. 设计人机分工 → AI 做预测、人做判断
4. 评估 AI 壁垒 → 看互补资产（模型本身易复制）
5. AI 产品定价 → 按"预测价值"定价而非成本
6. 数据是燃料 → 先解决数据获取
7. AI 化推进受阻 → 从低风险预测任务开始
8. 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。