《权力与预测》（Power and Prediction）这本书由Ajay Agrawal、Joshua Gans和Avi Goldfarb共同撰写，探讨了人工智能（AI）对经济的深远影响，特别是它如何改变决策制定和权力结构。
阿杰伊·阿格拉沃尔（Ajay Agrawal）创新颠覆实验室创始人，多伦多大学罗特曼管理学院战略管理教授。
乔舒亚·甘斯（Joshua Gans）创新颠覆实验室首席经济学家，多伦多大学罗特曼管理学院战略管理教授。
阿维·戈德法布（Avi Goldfarb）创新颠覆实验室首席数据科学家，多伦多大学罗特曼管理学院营销学教授。
以下是对书中每个章节内容的总结和作者观点的分析，以及全书核心论点的概述。
第一部分：过渡时期（The Between Times）
作者首先介绍了三位企业家的故事，以寓言的形式引出了开发和部署人工智能所面临的挑战。这部分强调了人工智能作为一种通用技术，如同电力一样，其潜力在于它能带来系统级别的创新，而非仅仅作为现有流程中的一个点解决方案。作者指出，虽然早期的应用可能看起来像是简单的工具替换，但真正的革命来自于新系统的创建。
第1章：三个企业家的寓言
讲述了三个不同企业家如何利用AI技术的故事，引出AI作为预测技术的核心观点。
第2章：AI的未来系统
讨论了AI如何成为系统变革的驱动力，以及这种变革对经济和社会的潜在影响。
第3章：AI即预测技术
强调了AI在预测方面的能力，以及这种能力如何改变现有的业务模式和决策过程。
实现巨大生产力的关键在于理解新技术的内涵。一个企业家如果在1890年向人们推销电力，可能会把“降低燃料成本”作为该技术的关键价值主张。但是电力的关键价值主张并不是“降低燃料成本”，而是“能极大地提高生产力的工厂设计”。最初的AI创业机会包括Verafin等点解决方案，它们通过更好、更快、更便宜的方式取代了其他预测方法。还有一些AI应用解决方案，需要围绕人工智能重新设计设备或产品。
鉴于我们现在对人工智能的了解，如果从头开始，那么将如何设计产品、服务或工厂呢？如何进行以人工智能为核心的系统设计？
我们要回答这两个问题：（1）人工智能真正带给我们的是什么？（2）如果我们从头开始设计业务，那么将如何建立业务流程和商业模式？
人工智能的主要好处在于它将预测与决策的其他方面“脱钩”，从而通过重新构想决策之间的相互关系，促进了组织设计的创新。通过将预测与决策的其他方面“脱钩”，并将预测从人类转移到机器，人工智能实现了系统级创新。决策是这种系统的关键构件，而人工智能增强了决策能力。
不同类型的解决方案提供了不同的获取市场权力的机会。当企业家既能创造价值又能获取价值时，他们就能盈利。点解决方案的问题通常是最初创造的价值相对较少。随着我们转向应用解决方案，然后转向系统解决方案，企业家创造的价值变得更有说服力。
不同企业家如何抓住同一技术转变（从蒸汽到电力）来开发不同的价值主张：点解决方案（降低动力成本和摩擦导致的能量损失——没有改变工厂的系统设计）；应用解决方案（在每台机器上安装独立的电动发动机——机器是模块化的，因此一台机器的停工不会影响其他机器——没有改变工厂的系统设计）；系统解决方案（重新设计工厂——轻量化结构，单层，在空间布局、工人与材料流动方面优化了工作流程）。
尽管人工智能具有令人震撼的预测能力，但在过去十年中，生产力下降了一半，自20世纪90年代末以来，大多数美国人的实际收入一直停滞不前。这种生产力悖论并非新鲜事。我们在20世纪80年代的计算机时代也经历过类似的情况。我们称之为“中间时代”，即在见证了人工智能的力量后与实现其广泛应用前景前的时代。虽然点解决方案和应用解决方案可以相对快速地设计和实施，但能够释放人工智能巨大潜能的系统解决方案需要更多时间。
第二部分：规则（Rules）
书中深入分析了决策过程，提出了三个普遍的主题：做决策的认知成本、规则体系对不确定性的掩盖作用以及决策间的关系。这部分的核心观点是，当人工智能改善了预测时，它打破了传统的基于规则的做事方式，揭示了隐藏的不确定性，使得现有的系统必须经历根本性的变革才能充分利用这些新的预测能力。这种变革往往是颠覆性的，因为它需要重新设计整个系统，而不仅仅是改良单一决策点。
第4章：决定与否
分析了在AI的帮助下，组织如何从遵循规则转向基于预测的决策制定。
第5章：隐藏的不确定性
探讨了不确定性对决策的影响，以及AI如何帮助揭示和处理这种不确定性。
第6章：规则是粘合剂
讨论了规则在组织中的作用，以及AI如何可能改变这些规则，从而影响组织结构。
标准操作规程和清单是隐藏的不确定性的代表，这些不确定性在组织内部产生了无数条规则。对于每一条规则，都有导致其出现的不确定性。对于每一条规则，我们都可以问这样的问题：如果有了人工智能预测，我们是否可以将规则转化为决策，并将其从标准操作规程手册中删除以提高生产力呢？
第三部分：系统（Systems）
作者讨论了创建新系统的过程，强调了系统思维的重要性。他们展示了人工智能如何推动创新过程中的系统性变化，这为理解其他领域可能发生的类似转变提供了框架。此部分内容还探讨了为什么初创企业和新进入者往往比成熟企业更擅长实现这种系统级的优化。
第7章：粘合系统与润滑系统
对比了依赖规则的系统和依赖AI预测的系统，讨论了它们在灵活性和效率上的差异。
第8章：系统思维
强调了在AI时代，采用系统思维对于理解和利用AI的重要性。
第9章：最伟大的系统
探讨了AI如何成为影响最广泛的系统，以及它如何重塑行业和市场。
与任务思维形成对比的是，系统思维看到了人工智能的更大潜力，并认识到为了产生真正的价值，包括机器预测和人类在内的决策系统都将需要被重组和构建。这种情况已经在一些地方出现了，但历史告诉我们，对于刚进入某个行业的新企业来说，实施系统变革以利用新的通用技术（如人工智能预测）要比成熟企业更容易。虽然汽车比马好，但汽车需要加油站、良好的道路和一套全新的法律才能保障顺利运行。
人工智能可以改善创新活动的优先级排序，从而影响探索过程中的生产力；可以提高创新的预期价值，并根据创新的不同而增加或减少下游测试；降低探索过程中与明确瓶颈相关的成本。人工智能对创新的影响最终可能会超过其在所有其他应用中的影响。因为创新是生产力、经济增长和人类福祉的核心，通过对创新的影响，人工智能可能比前几代通用技术（从蒸汽机到互联网）产生的影响更大。
第四部分：权力（Power）
聚焦于系统变革所带来的权力转移问题。作者回顾历史，解释了行业内的重大颠覆通常伴随着系统的变化。对于人工智能来说，尽管机器本身并不掌握权力，但它们背后的引导者——那些能够有效利用预测做出正确判断的人——将成为新的权力中心。这部分还探讨了数据作为支撑预测的基础资源，如何成为累积权力的关键因素之一。
第10章：颠覆与权力
分析了AI如何颠覆现有的权力结构，以及这种颠覆如何影响经济和社会。
第11章：机器有权力吗？
讨论了AI是否拥有权力，以及这种权力如何从人类转移到机器。
第12章：积累权力
探讨了AI如何帮助组织和个人积累权力，以及这种权力积累的潜在后果。
规则和隐藏的不确定性是导致这种盲点的原因。当出现这种情况时，要管理颠覆就不是简单地应对不同的客户群体，而是要调整企业组织结构并且确定要优先解决的问题。被颠覆的最快方法就是忽视实施新技术需要进行的组织变革。
在许多情况下，技术变革是结构性的，会改变组织的优先规则，而由于组织结构很难被改变，这就为能够从零开始的新生组织提供了良机。处理结构性或系统变革所面临的挑战就在这里。第一，为了实施变革，你需要那些最初看起来没有竞争力的产品，因为它们必须做出选择，牺牲客户似乎会关心的性能。第二，为关注性能而创建的现有组织，没有能力迅速理解新技术所做的所有权衡，即“只见树木，不见森林”。第三，对于这个错误没有快速的反馈。iPhone花了4年的时间才对手机制造巨头的销量产生影响。黑莓在2007年后销量达到了最大值。只有在苹果和谷歌都推出自己的设备之后，新的手机设计才受到青睐。到那时，对于所有行业巨头来说，重组并奋力追赶都为时已晚——尽管它们确实尝试过。
行业巨头通常会采用点解决方案，因为点解决方案既可以改善特定的决策或任务，又不会影响其他相关决策或任务。然而，行业巨头通常很难采用系统解决方案，因为这些解决方案需要改变其他相关任务，而组织已经在优化其他任务方面进行了投资。此外，对于某些任务，系统解决方案的效果可能不好，尤其是在短期内，这就为颠覆奠定了基础。
要与预测竞争，你需要从好的算法和输入数据入手。但在许多情况下，你还需要获取反馈数据。显而易见的是，你的数据策略将决定你能否持续性地参与竞争。在某些情况下，可能存在明显的先发优势，因为高质量的预测会吸引更多的用户，同时又会产生更多的反馈数据，从而改进你的预测并吸引更多的用户。那些没有收集反馈数据并将其纳入设计中的竞争对手可能无法迎头赶上。反馈循环可以创造先发优势。
在自动驾驶车辆中，我们对错误的容忍度很低。只有当人工智能比人类更可靠时，我们才能把人类的生命托付给它。第一家构建这种人工智能的公司将面临很少的初期竞争，因为构建这样一种人工智能所需的数据规模很大。这有一定的紧迫性，因为一旦人工智能达到最小有效规模，它就可以开始产生预测回报。然而，如果市场增长迅速，这种达到最小有效规模的先发优势将是短暂的。其他公司只需获取足够的数据来建立超过最低阈值的预测，就能进入市场。最小有效规模并不足以让先行者产生持续优势。原因在于，在技术上，数据的规模回报是递减的。要让数据产生长期优势，先行者需要利用更重要的经济力量来支持它们：反馈数据。通过在实际操作中收集反馈数据，它们可以直接改进预测，使其他公司难以赶上。优势并不在于它们推出预测时其他公司无法这样做，而在于推出预测后它们可以收集反馈数据。
如果你能尽早将你的人工智能推向市场，那么人工智能就可以从客户那里收集数据。这些数据将使预测变得更准确，产生积极的反馈循环，并对其他竞争对手造成进入壁垒。如果反馈循环足够快速，早期的领先优势就会加速形成，并且这些数据将持续产生更好的预测。这样，预测机器增加了传统意义上的人类优势——它们可以从结果中学习。人工智能从学习中获得优势的程度与反馈延迟有关。在预测人寿保险的死亡率时，反馈可能会延迟几十年。在这种情况下，由于反馈循环很慢，公司在预测死亡率方面的早期领先能力将受到限制，无法维持其领先优势。但是，如果在生成预测后能够快速生成反馈数据，那么早期的领先优势将随着时间的推移转化为更大的领先优势，从而实现持续的竞争优势。
第五部分：AI如何颠覆（How AI Disrupts）
