AI时代，判断力决定价值
过去很长一段时间，信息本身就是资源。
在电力行业尤其如此。早些年，一个人是否熟悉规程制度，是否掌握设备历史，是否了解某个地区的网架结构、负荷特征和运行习惯，往往直接决定其专业价值。很多复杂问题之所以依赖专家，并不完全是因为专家拥有更高明的方法，而是因为信息分散在不同系统、不同专业和不同人员手中，普通人很难在短时间内获得完整信息。
信息化建设改变了这种局面。业务系统逐步替代纸质台账，设备档案、运行数据、缺陷记录、工单流程和经营指标被持续积累。到了移动互联网和大数据阶段，信息获取速度进一步提高。今天，大模型又把信息检索、归纳整理和内容生成的门槛大幅降低。过去需要几天完成的资料收集，现在几分钟便可以形成一个结构完整的初稿。
问题也随之发生了变化。
过去工作的主要困难，是找不到资料、拿不到数据、问不到合适的人。现在更多时候，困难变成了信息太多、观点太多、方案太多，每一个方向似乎都有道理，却很难确定真正应该做什么。
人工智能时代，信息正在快速失去稀缺性。真正稀缺的，是能够从大量信息中识别关键变量，理解其背后的约束关系，并据此作出取舍的能力。这种能力就是判断力。
很多企业仍然把信息丰富程度等同于决策质量。
一项工作推进不顺，往往首先想到继续调研、增加材料、补充案例、扩展数据。这样做有时必要，但在复杂问题上，信息量达到一定程度后，继续增加资料并不会自动带来更清晰的结论，反而可能使决策更加困难。
以人工智能规划为例。今天任何一家企业都可以迅速获得大量资料：技术趋势报告、行业案例、模型排行榜、厂商解决方案、咨询机构方法论和竞争对手实践。表面上看，决策条件比过去充分得多。但当真正进入规划阶段，问题依然存在：
究竟应该优先建设统一平台，还是先推动业务场景落地？通用大模型、专业小模型和传统算法应如何分工？哪些业务值得改造，哪些流程即使接入AI也难以形成价值？算力、数据、样本、知识和应用之间应该如何安排投资顺序？
这些问题无法靠继续收集案例解决。因为不同案例成立的条件并不相同，厂商展示的是技术可能性，咨询报告强调的是方法框架，而企业真正需要面对的是自身的业务基础、组织能力、历史系统和资源约束。
信息只能告诉人们外部发生了什么，判断则要求把外部变化放回自身条件中重新解释。
长期从事电力项目的人会发现，同一项技术在不同单位的效果可能相差很大。原因往往不在模型本身，而在数据基础、业务流程、专业人员参与程度和后续运营机制。案例可以复制表面形态，却很难复制其背后的成立条件。
因此，判断力首先体现为一种“去表象”的能力。它要求人从热闹的信息中识别哪些因素真正决定结果，哪些只是伴随现象。
一个结论是否正确，不能脱离适用条件。
这一点在电力行业尤为明显。电力系统的很多经验都具有明确边界。某种运行方式在一种网架结构下有效，换到另一种结构未必成立；某类模型在一个地区表现良好，换了设备类型、通信环境和用户构成，效果可能明显下降；一个试点项目可以依赖少数专家持续维护，扩大推广以后，原来的组织方式往往难以支撑。
经验丰富的人与刚进入行业的人，差别通常不在于知道的概念更多，而在于能否迅速判断一个方案成立需要哪些前提。
例如，看到一个AI场景识别准确率达到95%，普通人容易把注意力放在指标本身。真正做过生产系统的人会继续追问：样本来自哪些区域，异常样本占比多少，测试数据是否与训练数据同源，换到新型号设备后表现如何，误报会增加多少人工复核工作，漏报会造成什么业务后果。
这些问题并不否定技术价值，而是在判断其适用边界。
AI时代尤其需要这种能力。大模型生成的答案通常结构完整、表达流畅，很容易让人产生“问题已经被解释清楚”的错觉。但完整表达不等于完整认知。模型可能给出一套逻辑合理的方案，却忽略企业的权限体系、历史系统、数据质量和执行责任。
判断力的重要表现，是能够分辨“理论上可行”和“在当前条件下可落地”的差异。
真正成熟的专业判断，很少是简单的支持或反对。它通常会进一步说明：在哪些条件下值得推进，哪些风险必须提前解决，哪些部分可以先试，哪些动作不宜过早开放。
AI最直接的价值，是降低信息加工和任务执行的成本。
它可以快速整理材料、分析数据、生成代码、形成方案，并通过智能体调用工具推进任务。这种能力无疑会提高效率，但也带来一个容易被忽视的问题：当方向判断错误时，AI同样会提高错误执行的效率。
过去一个项目方向存在偏差，团队需要较长时间才能完成需求分析、系统设计和功能开发，过程中的讨论还有可能暴露问题。现在利用AI工具，需求、原型、代码和测试都可以快速生成。如果最初的问题定义错误，团队可能在更短时间内把一个错误方向做得更加完整。
电力企业中并不缺少这种情况。部分项目技术上完成度很高，模型效果也不错，但上线后没有形成稳定业务价值。问题通常不是研发能力不足，而是项目一开始就把“能够识别什么”当成了目标，没有进一步想清楚识别结果如何进入业务流程、由谁处理、处理结果如何验证。
AI并不会自动纠正这个问题。它只能在既定目标下提高效率。
这意味着，企业越广泛使用AI，越需要提高前端判断的质量。问题定义、场景选择和边界设计一旦出现偏差，后端能力越强，资源浪费可能越大。
过去人们常说“方向比努力重要”。在AI时代，这句话的含义更加具体：当执行成本快速下降，方向选择会成为决定价值的主要因素。
经验的价值经常被误解为“知道过去发生过什么”。
真正有用的经验，是能够从不同事件中识别重复出现的结构。
电力行业过去二十年经历了自动化、信息化、数字化和智能化多轮技术建设。每一轮技术都带来了新的工具，也伴随着类似的问题：技术能力与业务需求之间存在距离，系统建设与组织运行之间存在断点，试点效果与规模推广之间存在差异。
理解这些重复出现的结构，可以帮助人们更冷静地看待今天的AI热潮。
例如，统一门户并没有自然实现业务统一，数据汇聚也没有自动形成业务认知。今天建设一个统一智能入口，同样不意味着企业已经具备跨系统智能执行能力。底层业务对象、接口语义、权限边界和责任体系没有变化，新的入口很可能只是把原有复杂性隐藏起来。
再如，过去很多系统上线后逐渐失去活力，并不是功能没有完成，而是缺少长期运营机制。AI系统更加依赖样本更新、模型评测和业务反馈，如果仍然按照一次性项目建设，其衰减速度可能更快。
这些判断并不来自某一篇研究报告，而来自长期观察技术进入真实组织后的结果。
但经验也有局限。过去成功的做法可能形成惯性，使人低估新技术带来的结构性变化。成熟判断需要同时理解“什么没有变”和“什么已经发生变化”。
电力系统对安全、责任和可靠性的要求不会改变，但实现这些要求的技术和组织方式可能变化。业务专业性不会因为大模型出现而消失，但专家经验的沉淀和传播方式可能被重新组织。
经验的意义，不是用过去拒绝未来，而是用历史形成尺度感，判断哪些变化只是工具升级，哪些变化会触及系统结构。
很多分析停留在直接效果。
AI提高写作效率、减少重复操作、缩短分析时间，这些都属于第一层影响。它们真实存在，却不足以说明AI最终会如何改变组织。
更值得关注的是第二层影响。
当所有人都可以快速生成材料，材料数量会显著增加，组织的稀缺资源将从写作能力转向筛选和决策能力。管理者面对的可能不是材料不足，而是材料过剩。
当智能体可以跨系统调用能力，企业软件的入口会变得简单，但原有权限体系和审计机制可能失效。效率提升的同时，机器身份、授权范围和责任追溯会成为新的治理问题。
当AI承担大量基础分析工作，年轻员工通过重复劳动积累经验的路径会缩短。企业如果不重新设计人才培养机制，短期效率提升可能带来长期专业能力断层。
这类影响往往不会在技术演示阶段出现，却决定技术进入组织后的真实结果。
判断力强的人，不会只问一项技术能提高多少效率，还会继续观察效率提升以后，岗位分工、责任关系和能力结构会怎样变化。
在复杂系统中，直接效果很少是全部结果。技术会改变人的行为，人的行为又会反过来改变系统。真正有价值的判断，通常来自对这种反馈关系的理解。
信息泛滥环境中，最容易出现的问题是认知被热点牵引。
模型、智能体、世界模型、具身智能不断出现，每一个概念都被描述为下一轮重大机会。如果缺少稳定的问题框架，人会不断切换关注点，却难以形成持续积累。
资深专业人员的优势，不是能够追踪所有热点，而是拥有一套相对稳定的评价标准。
以企业AI为例，无论技术名称如何变化，都可以回到几个基本问题：
它解决了什么长期存在的业务问题； 是否改变了关键决策或执行方式； 运行所需的数据、接口和组织条件是否具备； 错误发生后能否发现、接管和回滚； 能力能否通过反馈持续改进。
这些问题不会因为模型版本变化而失效。
稳定的判断框架还有一个作用，就是帮助人主动放弃低价值信息。真正的专家不需要对每一个热点发表观点，他更关注那些可能改变系统结构、成本边界和责任关系的变化。
判断力本质上是一种压缩能力。它把大量复杂信息压缩成少数关键问题，再用实践和逻辑检验这些问题。
判断力无法通过单纯增加阅读量获得。
首先要记录自己的判断，而不只是收藏别人的观点。面对重要问题，应写下当时的结论、依据和假设，经过一段时间再回看。没有结果反馈，经验很容易被重新解释，人也很难真正知道自己错在哪里。
其次要区分事实、解释和选择。事实可以相对客观，解释取决于认知框架，选择则与目标和风险偏好有关。很多争论看起来在讨论事实，实际分歧发生在目标不同。
还要主动寻找反例。一个判断如果只能通过支持材料维持，很可能并不稳固。成熟分析必须考虑在哪些条件下结论不成立。
对于重大决策，还应区分可逆和不可逆。低成本、可回退的事情可以通过试点快速验证；涉及大规模投资、核心系统改造和责任边界变化的决策，需要更高标准的证据。
最重要的是保持对自身边界的认识。判断力不是任何问题都能立即给出结论，而是知道何时证据不足，何时需要专业复核，何时应当延迟决定。
在电力系统这样的安全关键行业，谨慎并不代表保守。很多时候，能够清楚说明不确定性，本身就是专业能力。
随着信息检索、内容生成和基础分析越来越容易，组织对人的要求会逐渐变化。
过去的重要能力是掌握知识、熟悉流程和完成任务。未来这些能力仍然需要，但真正拉开差距的，可能是定义问题、选择方向和组织资源。
能够定义问题的人，知道表面现象背后真正需要解决的矛盾；能够选择方向的人，知道资源有限时应该优先投入哪里；能够组织资源的人，能够把技术、业务和人员放入同一条价值链。
这些能力最终都离不开责任。
判断不是在会议上表达一个有吸引力的观点，而是据此配置资源、调整流程，并接受结果验证。AI可以提供候选方案，却无法替代组织对目标和风险的选择。
一个真正有判断力的人，并不追求每一次都证明自己正确。他更重视判断是否有依据，过程是否可复盘，错误能否及时修正。
信息短缺时代，掌握更多信息能够形成明显优势。进入AI时代以后，这种优势正在减弱。
信息会越来越丰富，答案会越来越便宜，结构完整的方案也会越来越容易获得。真正困难的部分，将逐步转向对信息价值的识别、对适用条件的理解以及对行动方向的选择。
判断力不是脱离事实的直觉，也不是依靠资历形成的权威。它来自长期实践、结果反馈和对复杂关系的持续理解。它要求人既能看到技术变化，也能识别不变的约束；既能利用新工具，也能保持对工具输出的审慎；既能形成结论，也愿意在事实变化后修正结论。
AI能够帮助人处理更多信息，却不能替代人决定什么值得相信、什么值得投入、什么风险可以承担。
信息泛滥以后，真正稀缺的资源，已经不再是知道得更多，而是能够在复杂条件下作出可靠判断，并推动组织采取合适行动。