复盘会上最难熬的一刻，是没人说得清当初为什么选B- 大数跨境

首页

复盘会上最难熬的一刻，是没人说得清当初为什么选B

AI驱动数字化转型

2026-10-05

导读：一个决定被记住了，才会被改进。一个决定只是被通过了，它就只是一次表态。

季度复盘会上最难熬的一刻，常常不是某个方案失败。

是半年前那个决定，今天已经没人说得清当初凭什么做出来的。

老板在会上问了一句“当时为什么选B”，会议室安静了几秒。看的是哪张表，谁提过反对意见，为什么不是A，会议纪要里只留下一行“经讨论确定B方案”。在场的人换过两个，数据口径改过一轮，那行字就成了孤证。

企业里多数决定的命运都是这样。做的时候热热闹闹，做完就散，散在邮件、聊天记录和某位老同事的脑子里。

这件事有两种常见的解释。一种说信息不够，所以要上系统、上报表、上大模型。另一种说人不行，所以要请顾问、做培训、立规矩。

两种解释都绕开了真正的那道坎。决定做错的时候，多数企业并不缺信息，也不缺聪明人，缺的是这个决定做完之后还剩什么。

Gartner给决策智能下的定义里，专门留了一条“对决策进行记录以实施后续分析”。他们还预测，到2026年，全球500强里有75%的企业会采用决策智能实践，到2027年，50%的业务决策会由AI智能体增强或自动完成。

一家咨询机构把记录写进定义的第一层，这件事本身值得琢磨。他们用的词不是预测，不是建议，不是推荐。一份决定要能被记录，前提是它有可写的形状。

多数企业里的决定没有形状。它由四样东西撑着，而这四样通常散在四个地方。

PART 01

决定的四个组成部分

判据

判据是凭什么。做决定的人得说出自己看的是哪张表、哪条规则、谁的判断，是量出来的还是问出来的。

选项

选项这一样，说的是当时比过哪些。销售提上来两个方案，一个让价一个加量，最后批了让价，加量那份连同加量的理由一起丢了。复盘会上的争论大多发生在这一处，因为被记住的永远只有通过的那个。

约束

约束是卡在哪。做决定的人要交代清楚，预算够不够，合规过不过，产能跟不跟得上，时效允不允许，还有那些写在制度之外、只有老员工才知道的门槛。

回执

回执是结果回到谁手上。决定执行之后实际发生了什么，得有人把它拿回来对一遍。

这四样凑齐，一个决定才算有了可以被追问的形状。

缺哪一样，复盘就只能靠回忆。

拿给客户折扣这件事来说。销售把申请递上去，理由写得很短，“重要客户、竞争激烈”。审批人手上没有可比的东西，他只能凭印象点头。

如果这单决定被记录下来，它就有形状。判据是这家客户过去三年的毛利和退货率，选项是八折加账期和九折加预付款，约束是这条产品线的底价，回执是三个月后这笔订单的实际毛利。三个月后回头看，这笔让利值不值就变成一道可以算的题，而不是一次表态。

制造现场的例子更扎眼。设备报警，老师傅走过去听一下、摸一下，就能判断要不要停机检修，他凭的是手里攒了二十年的手感。这套手感从来没有被写下来过。他退休那天，它跟着走了。

新人接班只能照规程走，规程里恰好没有那一条。同一台设备第一次报警他不敢停，第二次报警他停了，两次判断都对不上老师傅的做法。

账没人算，教训就留不下来。

判据也不是天然可信的。市场部的人算出一版流失率，客服的人算出另一版，两个人把各自的表拍在桌上，谁都觉得自己那版才是准的，旁边的负责人摆摆手，说这个口径我们不认。口径分歧留在系统外面，决策系统只会把两版合成一个看起来很统一的答案。

危险恰恰在这里。

PART 02

不同环节的落地方案

找回判据：知识库工具

把判据找回来，是知识库这一类工具负责的一段。新来的同事要一份旧报价表，从前得在群里问一圈，现在他在搜索框里敲一句话，答案后面跟着出处。Glean走的就是这条路，把企业已有的文档、代码、聊天、工单抓出来做成索引。

代价也真实。竞品的评测文章点出过索引延迟、定价不透明、基础设施成本高这三条。这些说法来自利益相关方，不能全信，但它们指向同一件事，这类工具的难点不在问得多聪明，而在数据能不能及时、完整、合规地进来。

计算数值：ChatBI

把数算出来是另一段，工具叫ChatBI。过去业务的人想要一个数，得催着分析师排期，分析师手里排着十几张报表，回一句下周。现在他自己在框里敲一句话。

基准测试给出的画面没有厂商材料那么乐观。在BIRD这个偏真实场景的榜单上，GPT-4o的整体准确率是52.54%，简单问题56%，复杂问题掉到35%。Spider 2.0更接近企业现场的复杂查询，公开成绩的峰值是59.05%。至于厂商常写的“准确率从70%提升到95%以上”，那是厂商自己的口径，第三方没有复现过。

这一段其实有更老的办法。2015年OMG发布了决策模型和标注，简称DMN，它把决策逻辑从业务流程里剥出来单独建模，用决策需求图和决策表把“什么条件下取什么值”写成可以执行的表格。今天讲决策智能的人里，知道这个标准的不多，重新发明它的倒不少。

真正的难点：约束和回执

真正的分水岭在约束和回执。多数企业用审批流来兜，问题恰恰出在这里。

InfoQ有篇文章的标题切得很准，当human in the loop变成“闭着眼睛点确认”。

审批人一天要过几十条，他看到的是系统给的结论加一行风险提示，他点的是习惯，不是判断。签字成了免责动作，责任还留在系统外面。

比较务实的做法是按风险分档。定规则的人先把动作分成几档，系统能自己做的走自动，需要人核一眼的先出草稿，动钱和碰合规的进人工确认，不可逆的做强制确认，明确越界的直接禁止。高风险那一档自动停住，把推理过程和依据摆出来，让人看到为什么是这个结论再落笔。

把决定交给模型这件事，学术上的账单也在陆续到。有一篇叫DeLLMa的论文试过直接让大模型做不确定性下的决策，结论是效果不好，问题越复杂越差。ICML 2026上一篇position paper提得更靠前，要让智能体做出一致的决策，得在系统层面引入贝叶斯原理，不是把模型参数调好就行。医学领域的评测更直接，当前的大模型还不适合做自主临床决策。

这些结论不是要否定工具。它们在说清一件事，模型在决策链上的位置是算得快、记得全、不喊累，不是替人承担风险。

约束难，还有组织上的原因。拍板的人不承担后果，承担后果的人不拍板。业务要速度，IT要稳定，安全握着否决权，采购管着合同，集团和子公司各有各的优先序。没有人牵头跨线，任何单一团队都推不动一个跨部门的决定。

选型会上常见的情形也是这个道理。CIO带着两个部门看了三家演示，供应商讲得都漂亮，散会时大家一致认为第二家最合手。回去落地才发现，要用的数据一半在集团、一半在子公司，权限不在他手上，项目在等批复这一环停了三个月，当初最积极的那位业务负责人已经调岗。

回执难在另一头。活动做完了，市场部的人拿到报表，财务的人每季度把毛利表发出来，客服的人看着货，三份数据三个口径，没人拿它回去对当初那笔让利，谁也不觉得自己该去把账合上。

PART 03

落地顺序和判断标准

有了记录，复盘会的样子会变。以前是各人回忆各自的版本，现在是把当初那份判据摊开，对着三个月后的实际数字逐条对。

谁都不用替自己辩解。

写下来的东西不认人情。

还有一层容易被忽略，记录要有人维护。规则会改，底价会调，口径会修，维护的人不指定，半年后那份记录就和现实脱了节，比没有还坏。

所以落地这件事有顺序：

先把做决定的人和被决定影响的人叫到一间屋里，把场景列清楚，哪些决定值得被记录，一年做几次，错了的代价有多大。值得记的就那么几个，不必全上，一天定几十次的常规事照旧走流程就好。
为每一个场景找齐那四样东西，判据从哪来，选项怎么生成，约束由谁定，回执回到谁手上。判据这一样最费事，几个部门的人得先坐到一起，把口径谈成一件事。
定完这些，再谈谁来批准、依据是什么、什么情况下系统可以自己往下走。选工具的人排在这之后，把知识库、问数、流程引擎、模型接到各自对应的环节上。

顺序反了，买回来的通常是一套漂亮的看板，配着一堆没人追的决定。

判断一套决策系统是不是真落地，问四条就够：

新人接手的时候，能不能照着重跑一遍，包括当初比过的选项和落选的理由。
决定错了呢，追得到人吗，追到的是具体那个人，还是一个流程节点。
同一类决定第二次做是不是更快，判据有没有留下来复用。
例外来了有没有通道，制度外的情形能不能走一条明确的路，而不是绕开系统私下解决。

这几条之外还有一条反向的指标更灵，关键推进有多少还在靠某个人私下催。这个比例降下来，说明责任真的落到了机制上，而不是落在某个人的人情上。

真要起步，挑一类决定做样板就够。比如折扣审批，或者设备检修，把判据写下来，把约束写清楚，把回执指定到人，完整走一遍。做的时候把当初做决定的人请回来，让他把判据讲一遍，讲不清的地方，就是这家企业最该补的洞。

Simon在1978年拿诺贝尔经济学奖，靠的就是对组织决策的研究。他提出的有限理性说的是一件朴素的事，人在信息、时间和算力都有限的情况下，找的不是最优解，是够用又说得过去的解。

决策智能要做的，是让那个“说得过去”能被看见。它不承诺企业每次都选对，它要求下一次有人问“当初为什么这么定”的时候，答案还在。

一个决定被记住了，才会被改进。

一个决定只是被通过了，它就只是一次表态。

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1099

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读12.4k

粉丝1

内容1.1k