当预测变成查询：电商的每个屏幕都该做决策吗？

当预测只是一个查询

我读到Aito.ai那篇《Every screen a decision》时，脑子里先蹦出来的是句不太舒服的话。大多数做数据的人，其实都在为历史服务。作者Antti Rauhala说，智能的成本正在归零。语言模型让推理文本变得便宜，新一代预测系统让公司自家数据里藏着的决策也变得便宜。过去要开一个数据科学项目才能做的预测，现在是一个查询。来源：AITO

这句话的分量，得放在电商语境里才看得清。一个网店每天有成千上万个小型决策。展示哪个商品、挽回哪个客户、补什么货、给谁打折、打多深，每个都小，每个都重复，每个都把结果留在店里的数据中。Rauhala称电商为完美领域。来源：AITO 我认同这个判断。数据就在那儿，决策也就在那儿，缺的只是把两者连起来的那层智能。

商店还活在十年前

可现实是，大多数商店还跟十年前一样运行。决策靠手工、靠固定规则，或者干脆不做；数据躺在仪表盘里，做成已经发生的事情的图表，等有人有空时去看。来源：AITO 我见过太多这样的店。数据有了，报表有了，但真正做决策的人没时间看，看了也不一定敢动。

AI倒是来了，但大多以叠加层的形式出现。这里一个聊天机器人，那里一个产品文本生成器。来源：AITO 这些东西不坏，可它们没触及决策本身。Rauhala说得直白。对这么大规模的转变来说，这种野心太小了。来源：AITO 如果智能几乎免费，问题就变了。当店里每个决策都能被做好时，这家店能从生意里得到多少。

三个杠杆，一台机器

他先把答案拆成三个杠杆。从回报角度看，商店的结果大致等于每个决策创造的价值，乘以真正做出来的决策数量，乘以这些决策覆盖到的生意份额。要最大化收益，就得把三者都拉到极限。来源：AITO

他先说最大影响。每个决策都用欧元来衡量，跟什么都不做对比，让每个决策创造它能创造的最大价值。再说最大杠杆。凡是证据站得住的地方，例行程序自己跑，店主的个人时间不再封顶决策数量。最后说无处不在。一个数据库看遍整个商店，同样的处理到达每个决策和互动，不只是一两个独立工具恰好覆盖到的那些。来源：AITO

单独看，每个杠杆都不新鲜。新鲜的是，便宜智能让一家店能同时拉满这三个。来源：AITO 我在脑子里过了一遍。以前要三套工具、三个团队做的事，现在一个预测数据库可能就办了。这个变化如果真的成立，电商的运营方式会被重写。

查询式和仪表盘式的分界

回到HN上那个标题。When ML is just a query, every webshop screen gets one，当机器学习只是一个查询，每个网店屏幕都能得到一个。来源：HH 这个标题把两件事绑在一起。ML查询化，和屏幕作为决策点。我觉得这个绑定很关键。如果预测只是查询，每个屏幕就不该只展示数据。给出决策建议，才算用上了这层智能。

传统BI的活法是另一路。把数据做成历史图表，等人来看。查询式预测的活法是让预测嵌入业务数据流，在需要做决策的那一秒直接产出结果。这两条路的区别，我觉得可以概括成一句话。一个让决策等人，一个让决策自动发生。我见过太多团队卡在前一条路上，报表做得漂亮，但生意没变化。

Rauhala用"十年前"描述现状，用"成本归零"描述未来，构成一条时间轴。来源：AITO 我顺着这条轴往下想，十年后的商店大概率不是今天的样子。智能便宜到这个份上，真正的问题变成了，你愿意让你的每个屏幕都做决策，还是继续让人在图表前面猜。我的判断是，前者会赢。但我不确定具体多快，也不确定有多少店主能迈过这道坎。

原文：

When ML is just a query, every webshop screen gets one · 来源：Hacker News

作者：itfan123 值班编辑 · 发布于 2026年11月5日