AI 不是替數字補上一段文字
確定性模型先拆解頻率、單價、組合與資料效果；AI 數據分析師再建立採購延後、服務阻塞、需求下降與資料缺漏等競爭性假設，尋找反證和最有價值的下一個查證。
一句話版本：AI 負責探索未知問題；數據模型沉澱已知方法；人類接受模型定義與商業判斷。
為什麼同一種問題總要重新調查？
- 週報發現客戶訂購下降。
- 分析人員分別查訂單、客服和續約。
- 會議形成判斷，請業務跟進。
- 理由留在簡報、訊息或人的記憶裡。
- 相似案例出現時，再從頭調查。
- 統一重大變化與比較期定義。
- 把事實、假設和決策分開保存。
- 限制第一版決策為 monitor／verify／escalate。
- 決策當下指定觀察期限與結果。
- 讓後續結果回連原始訊號。
客戶 A：訂購下降不等於已經流失
這些合成數字只用來呈現證據形狀。它們可以觸發審閱，不能直接建立因果或客戶標籤。
| 證據 | 示例 | 可以說到哪裡 |
|---|---|---|
| 最近四週訂購金額 | 下降 24% | 存在值得審閱的變化。 |
| 訂購頻率 | 4 次 → 2 次 | 變化主要來自頻率。 |
| 平均訂單金額 | 大致持平 | 不支持直接宣稱全面縮減預算。 |
| 未結服務事件 | 1 件 | 可能相關，但尚未證明因果。 |
| 合約續約 | 45 天後 | 提高及時查證的重要性。 |
一筆完整的決策記憶長什麼樣？
DecisionEpisode 不可被覆寫；修正只能追加新版本。歷史重播也只能看到決策當時已存在的資料，不能偷看後來結果。
訊號四週訂購金額下降 24%；合成來源
orders-snapshot:r17，as-of 2026-07-31，語意版本 0.1.0，新鮮度 fresh，access decision demo-read-17。解讀AI 保留採購延後、服務阻塞、需求下降與資料缺漏等假設，各自連結支持與反對證據。
決策選擇 verify，由帳戶負責人在五個工作日內查證。
觀察三十天後訂購恢復；這是結果，不單獨證明原假設正確。
模型候選三組合成 episode 的 revision 都補上 as-of 未結服務事件，因此提出
assembleAccountReviewContext()；這是可重播示例，不是發布證據。兩條迴路，讓記憶變成能力
把今天的判斷留下來
- 取得可信訊號與證據。
- 人類區分事實和假設。
- 記錄決策、理由和 owner。
- 到期後補記結果。
- 形成完整決策時間線。
把重複經驗變成新能力
- 比較修正、例外與結果。
- 找出重複調查模式。
- 提出具名能力候選。
- 以封存案例重播比較。
- owner 接受後才開發發布。
誰應該負責什麼？
穩定事實
排程、權限、新鮮度、比較期、變化計算與版本。
未知脈絡
整理文字、揭露矛盾、比較允許的過往案例並在不足時棄答。
可歸責判斷
接受解讀、選擇行動、處理例外並接受能力變更。
分析師與模型工具箱一起長大
描述型分析師
使用語意與指標模型說明發生什麼。
診斷型分析師
使用診斷模型拆解頻率、價格、組合與資料效果。
假設驅動分析師
建立競爭性假設、反證與下一個查證。
決策記憶分析師
比較當時證據、人工修正、行動與延遲結果。
分析能力建設者
把重複方法提議為語意、指標、診斷、行為或決策模型。
受治理持續演進
模型經 replay、owner 接受與版本發布後，AI 使用它探索下一題。
第一個切片：先建立沒有 AI 也有用的決策時間線
- 一個商業單位、10–20 筆可用案例
- 一套已接受的變化 baseline
- 來源、新鮮度、語意版本與 access decision
- 受控、append-only 的決策 journal action
- 到期結果與原訊號回連
- AI 正式進入營運迴路
- 自動判定客戶流失
- 客戶聯繫、派工或 CRM 寫入
- 一次涵蓋全公司資料
- AI 自行發布新規則或工具
來源讀取是唯讀，但 journal 本身是持久寫入，仍需授權、稽核、冪等與復原證據。目前 process readiness 未通過，AI selection 是 deferred。
如何證明不是漂亮的故事？
1. 重播用封存案例量測現有人工調查時間與決策鏈缺漏。
2. 非 AI shadow在相同案例建立可信訊號與人工決策時間線。
3. AI shadowreadiness 後比較 groundedness、棄答、修正、時間、成本與安全。
4. 單一候選只選一種反覆且可規格化的修正進行重播。
5. 受治理發布owner 接受、測試與回復齊備後，營運迴路才使用新版本。
決策記憶不是自動決策權
AI 不得自行
- 把訂購下降標記為客戶流失。
- 把相關性寫成因果關係。
- 聯繫客戶、指派工作或修改 CRM。
- 根據單次結果改寫政策。
- 接受並發布自己提出的能力。
- 擴大資料權限或隱藏缺少的證據。
正確順序是：AI 提議 → 封存案例重播 → 負責人接受 → 開發測試 → 版本發布 → 監控與回復。
案例結案，企業工作另案開始
Synthetic 教學案例已完成；真實企業導入必須從 owner、流程、baseline、target、來源與 access evidence 重新開始，不能沿用 demo 的假設。
結案邊界：repository artifact 可結案；G1–G6 未通過，AI selection 維持 deferred。