从心理学角度分析AI能否参与业务

一、万物皆关系：人类认识世界的基本范式

世界上的物质与自然规则本就存在，但只有经由人的感知、讲述与运用，才能真正参与到人类活动之中。换言之，人需要对世界加以描述，万物才得以融入人类社会。人对每一项事物的描述，会相互关联，形成一张庞大而有序的网络。这张网络是有流向的：其中存在因果关系与先后顺序，关系之间相互制约、相互分支；更重要的是，这些关系与网络在人与人之间被广泛接受和共享。这一巨大的关系网，既构成了社会运行的基础，也构成了人类活动本身的骨架。通过某一具体目标，人类可以在这张网络上构建出目标的执行链路与影响关系图谱。

以上古时代为例：人们看到后来被称为“闪电”的自然现象，由于完全无法理解，便构建了一个名为“神”或“雷公”的存在，并借助人类自身的情感逻辑，将“发怒”这一动作与“神”和“闪电”相连接，形成了一条简单的意义链条。这正是人类认知世界的原始范式——以描述建立连接，以连接构筑意义。

精神分析的RSI模型：理解人类与世界关系的三重维度

从心理学中精神分析学派的视角来看，拉康以RSI模型（真实界、象征界、想象界）来解释世界的运行机制。

真实界：核心是“不可言说”。它并非通常意义上的现实，而是语言无法覆盖、思维无法抵达的剩余物。通俗地理解，真实界指的是尚未被语言和法则所描述的、原始存在于现实世界中的事物。即使是一个苹果，在亲口品尝之前，也无法确切描述它究竟会带给人甜美还是酸涩的感受。

象征界：核心是语言与法则。它由“大他者”（社会、文化、语言体系）所主导，涵盖语言系统、社会规则、法律与文化规范。我们正是通过进入象征界，才成为真正意义上社会性的“人”。可以将象征界理解为世间万物的“说明书”——对真实事物以多种被广泛接受的方式进行描述，例如：一个苹果是近似圆形的、青绿色的、带有淡淡果香的。

想象界：核心是“自我”的建构。它起源于拉康所说的“镜像阶段”，涉及幻象、认同与二元关系，是个体对他人的投射与对自身形象的整合。通俗地讲，想象界是存在于“我”这一主体之上的个人思想、理解与诠释。例如：当我听到“青色的、带有淡淡果香”这样的描述，便能在脑中自动关联出一个具体的青苹果形象。

我们所学习的知识、社会运行的基础，本质上都是象征界的产物。我们正是借助象征界，将人与人、人与万物关联起来，并对其关系加以详细诠释。

在此基础上，人还具备一种独特而伟大的能力——发现关联，乃至创造关联。人类知识的进化历程，正是不断扩展、桥接世间万物之描述的过程。人们通过建立一套符号系统（即知识与通识），对真实世界进行描述，并借助相对规范化的结构（语言、文字）来传递特定的符号内容。

二、生成式AI的本质：象征界的概率漫游者

将视角转向AI——本文主要讨论生成式AI，即常说的大语言模型。生成式AI是经过大规模数据训练、基于概率算法的逻辑处理系统。

那么，AI与人之间究竟有何根本差异？若从人类理解世界的框架来看，生成式AI本质上是基于人类已构建的事物描述关系网，以概率方式进行路径选择的。

首先，AI并不真正接触实体世界。它对物理现实的全部“理解”，都来自于人类的描述，而非亲身经历。这意味着AI永远活在象征界之内，对真实界只能间接感知。

其次，AI的逻辑选择与处理过程，与人类高度类似——前提是我们承认，人类的选择同样是基于概率的，而非某种“命中注定”的确定性事实。

第三，也是最关键的一点：现阶段的AI在架构与理念上，注定无法在抽象事物之间建立真正崭新的连接。换句话说，它无法在一个尚未发现万有引力的世界中，如牛顿一般凭空发现这一规律——因为它只能在既有的象征界中漫游，而无法真正触碰真实界。

除此之外，AI并不存在“自我”的构建，它确实拥有逻辑分析和推理能力，但它的“理解”是没有主体的映射，而非发自自我的诠释。不过在社会生活中，资本通常并不在乎一个劳动者是否存在自我，广为流传但无从考究的一个故事是迪士尼创始人华特迪士尼曾抱怨员工会疲劳、需要休息和吃饭，从而感叹如果员工都是机器人就好了。正因如此，AI没有自我这一特质，在商业落地层面反而构成了一种优势——它不需要被激励，不会疲劳，也不会对指令产生主观抵触。这让我们进一步思考：如何才能让AI真正有效地参与业务？

我们根据以上的分析可以得出一个有用的比喻：生成式AI就像一位经过各行各业系统训练、博学多识却没有任何原创发现能力和自我感情且不知疲倦的顶尖毕业生。一切能够被明确描述和固化的事务，原则上都可以由AI来处理（不包括需要直接与物理世界交互的内容）。

从这一角度审视，AI与人的差距其实并非天壤之别。当二者接收到“近似圆形、一种水果、表面光滑、青绿色、口感清脆、酸甜交织”这样的描述时，无论是人还是AI，都能通过“通识教育”将这段描述与青苹果关联起来，并在此基础上持续进行分析与推理。

三、业务的象征界：以制造业库存场景为例

我们已经探讨了人类参与世界的基本范式，现在将这套范式具象化到一个典型的商业场景中。

假设某制造业公司已建立了一套面向账务管理的库存业务系统。以最基础的业务链路为例：生产线（外部系统）发起一张出库单，需要从特定存储位置取出一批物料。

从出库单到实际库存交易的流程如下：系统根据出库单行中记录的具体信息，创建对应的库存交易数据；库存交易完成后，在库存现有量表中进行相应扣减。在创建库存交易之前，系统须先核验是否存在足够的可用库存。

由于该公司的特殊业务形态，存在一种称为“概预留”的库存预占机制。与常规预占不同，“概预留”通常由销售部门在不指定具体存储位置的前提下，在更高库存维度上进行预占，以确保销售出库的可靠性。因此，在判断可用库存时，需要将现有量、常规预留与概预留三者综合计算。

在这个例子中，我们可以梳理出如下几条核心链路：出库单→出库单行；出库单行→创建库存交易；库存交易→判断可用库存（现有量）；库存交易→扣减现有量；现有量→计算（预留/概预留/库存交易）。

业务认知的门槛：新员工上岗的教育过程

当一位刚毕业的大学生加入公司时，需要经历一个系统性的“业务教育”过程：首先，必须告知他基本业务实体是什么——库存单、库存单行、库存交易、现有量、预留，尤其是“概预留”这类特殊业务形态的定义与逻辑；其次，需要向他说明业务规则，例如概预留与预留的计算公式、现有量的操作原则等；在此基础上，还须确保他能理解完整的业务流程与逻辑；最后，正式上岗前，还需明确告知他哪些操作是他的职责范围、具体触发哪些动作会产生哪些业务结果。

基本不存在两家业务对象、业务规则、业务关系和具体操作完全一致的公司。因此，每一家企业在员工上岗前，都必须对其进行定制化的「业务教育」，以确保他能正确理解和融入公司特有的业务体系。

四、AI融入业务的挑战：自然语言的歧义性障碍

人在业务中，是通过自然语言、图像、真实行为等媒介，将他人描述的抽象业务信息转化为自身可理解的认知模型，再在实际执行时，经由思考与判断，选择具体的操作方式（如页面操作或线下动作）来完成业务。

这一基本路径对AI同样成立。若要将某项业务交由AI执行，同样需要对AI进行「业务教育」：让它理解企业的业务关系图，能够从任意节点出发，沿图谱向上或向下追溯完整路径；同时，也需要为AI提供与人类操作方式相当的「业务执行能力」。

自然语言的天然歧义：AI理解的瓶颈

然而，AI对自然语言和纯图像的处理能力，与人类存在显著差异，其理解过程普遍存在语义不明的问题。

自然语言是一种高度抽象的表达方式——「一千个人眼中有一千个哈姆雷特，而莎士比亚只写了一部」。即便是一句看似简单的话，不同的人理解出来的含义也可能大相径庭。

例如，鲁迅曾写道“好不快乐！”——若无上下文语境或先验知识，AI很难判断这句话表达的究竟是快乐还是不快乐。再如“我不知道你知道”，这句话至少有两种截然不同的解读：其一，我不知道你是否了解某件事；其二，某件事我不明白但你明白。由于自然语言天然携带歧义，信息在传递过程中极易发生偏差——当人试图通过自然语言将意图传递给AI时，可能从第一句话起，偏差就已经产生。

图像领域同样存在类似的困境。以色盲检测图为例：这类图像专为利用人类色觉差异而设计，AI由于缺乏对应的生理感知机制，天然难以正确解读其中的信息。

如果我们将AI比作一位博学多才却缺乏原创能力的顶尖毕业生，那么教育它的方式就不能简单套用教育人类的范式。同理，让AI在界面上点击按钮、填写表单，或为其配备一个能接触物理世界的身体去执行线下操作，都并非最优路径。我们需要的，是一种更结构化、对AI更加友好的信息载体。

五、结构化建模：让AI真正参与业务的解决路径

按照上述分析，答案其实已经呼之欲出。结构化数据本身歧义更少，对生成式AI更为友好；经过妥善处理的结构化数据，即便经历多轮算法转换，也能保持信息的准确性与一致性。这正是我们对AI参与业务的核心期望——路径中的信息不发生偏差。

业务建模：为AI构建可理解的象征界

将结构化数据这一工具引入对AI的期待，意味着我们需要以结构化的方式对整个业务进行全面描述与建模。这里的建模不只是实体建模，而是需要将业务实体本身、实体之间的关系、涉及的行为动作、约束条件等属性一并纳入，形成更高层级的业务本体模型。这一建模过程，是让AI正确理解企业业务的最佳途径。

在操作层面，若将AI视作与人类同等的业务参与者，则需要为其提供一套适合AI使用的操作接口。具体而言，就是将原本面向真实人类用户的业务接口，经过封装与转换，形成面向AI的业务接口，并加以专项管理。需要注意的是，人类能做的事，AI未必都应被允许做——对待人和对待AI的权限边界，必然存在差异。

在业务模型与操作接口这两层之间，还需要一层映射机制：建立一个中间模型，将面向IT系统的“人机业务接口”，映射到面向业务语义的宏观业务本体模型上，从而实现技术语言与业务语言的双向贯通。

从本质上看，我们所做的，正是将真实业务引入一套符号系统（结构化建模），并以结构化的方式管理AI对这套系统的读取与操作（可执行接口），从而将真实业务与人类诉求共同符号化、结构化。

从理论到实践：Palantir路径的印证

当上述三层工作——业务建模、AI操作接口、中间映射机制——就位后，将AI放置到业务关系图中的任意节点，并向其提供当前的业务状态（数据层），它便能快速、准确地（尽管无法做到100%）“理解”所处的业务语境，并通过我们指定的AI业务接口，正确执行该业务节点所对应的操作。至此，AI便真正作为一个与人等价的业务参与者，融入到企业的业务流程之中。

当上述三层工作——业务建模、AI操作接口、中间映射机制——就位后，将AI放置到业务关系图中的任意节点，并向其提供当前的业务状态（数据层），它便能快速、准确地（尽管无法做到100%）“理解”所处的业务语境，并通过我们指定的AI业务接口，正确执行该业务节点所对应的操作。至此，AI便真正作为一个与人等价的业务参与者，融入到企业的业务流程之中。

我们一步步推导出的这条路线，从结果上看，与Palantir的核心思想高度一致：通过更详尽、更完善的业务建模（Foundry & Ontology），结合更友好的AI操作与执行管理机制（AIP），Palantir已在实践中有力地验证了这一路线的可行性。