ONTAO 理论体系 · 第三篇：决策链理论

落脚点选在哪——为什么是决策链，怎么选，怎么跑通。
这一篇决定 ONTAO 的价值边界：建模哪里，不建模哪里。

一、为什么落脚点是"决策链"而不是"对象"或"流程"

回顾第二篇的结论：本体论的价值单位是决策，不是对象。

三个论证：

价值论证：AI 在真实业务中产生价值的时刻，是它参与决策的时刻——不是它"知道"某个对象的时刻。查得到库存 ≠ 值钱；能判断"这个单能不能插"才值钱。
复杂性论证：从对象出发建模，会滑向"数字孪生"——几百个对象、几千条关系、越建越多、越来越没人看。复杂到没人看 = 等于没有。
可验证论证：决策链是可跑通、可验收的单位。"供应商异常时 AI 能给出处置建议并推动低风险动作"——这是可以检验的真/假命题。而"关系图画得对不对"无法检验。

决策链的定义（重申并精确化）：

一条决策链 = 从触发条件到动作落地的完整通路，包含：触发 → 对象集合 → 数据 → 规则 → 动作 → 审批 → 执行 → 回填。

二、三条标准的深层逻辑

选决策链的标准：高频、昂贵、依赖多人判断。缺一不可。为什么是这三条？

标准	深层逻辑	缺了会怎样
高频	频率决定复利——同样的建模投入，跑的次数越多回报越大	一年一次的事，建模成本收不回来
昂贵	代价决定容错价值——决策错了损失越大，AI 参与的价值越大	小事错了也无所谓，AI 没价值
依赖多人判断	复杂度决定痛点强度——信息分散在多人/多系统/多经验里，才需要"拼接地图"	一人拍板的事，AI 只是加速器，不是拼图者

三者的关系：高频保证收益，昂贵保证价值，多人判断保证AI 不可替代性——这正是 Palantir 选客户/选场景的底层逻辑，也是我们选落脚点的底层逻辑。

反直觉推论：最好的落脚点往往不是"最赚钱的流程"，而是"最痛的、最常发生的、最需要多方对齐的"判断。因为它最需要本体论，也最容易让本体论见效。

三、反对"数字孪生"：为什么全量建模是陷阱

数字孪生的诱惑

"既然要做本体，那就把整家公司建模出来——所有对象、所有关系、所有规则。" 听起来完备，实际上：

数字孪生的四个死因

没人看：几百个对象几千条关系的图，复杂到所有人看不过来 → 沦为壁纸
维护成本爆炸：业务每变一次，图就要改一遍 → 很快过时 → 过时的图比没有图更危险（AI 依据过时本体行动，后果自负）
验证无从下手：全量图无法验收——没人能说清"这张图对不对"
收益不集中：资源撒在百里，不如砸在一处——决策链跑通有闭环，全量建模没有闭环

正确姿势

不是：先把全公司建模，再让 AI 干活
而是：找一条决策链，沿链建模（够用就停），跑通闭环，再扩展

本体不是一步画完的地图，是从一条条决策链长出来的活体。

四、最小闭环原则

定义

最小闭环 = 一条决策链上，AI 从"理解状态"到"权限内推动动作"的完整通路，用最小成本跑通。

最小闭环的四步

① 触发    定义什么情况进入这条链（可判定的触发条件）
② 理解    AI 读取相关对象的状态与属性（地图）
③ 建议    AI 依据规则给出处置建议（分析）
④ 动作    AI 在权限内推动下一步（低风险自动/高风险报人审批）

为什么必须"闭环"而不是"半截"

只做到②（AI 能理解）→ 还是聊天助手，员工仍要复制答案去群里确认 → 失败
只有做到④（AI 能推动动作）→ 才是"地图+按钮" → 成功

验收标准（固定不变）：

状态	判定
AI 给答案后，还要复制到群里找人确认、开会审批、手动操作	❌ 只是聊天助手
AI 理解当前真实状态，识别受影响对象，在权限内推动下一步动作	✅ 接近真正本体论

五、如何识别一条好的决策链（实操方法）

识别入口（从哪找候选）

高频事务：每天/每周都会发生、需要反复判断的事
痛点访谈：哪些事"最怕出错的""最需要找很多人确认的""最依赖老师傅经验的"
事故回溯：过去出过事、赔过钱的判断点
多系统交界：信息分散在 CRM/ERP/Excel/微信群/人脑里的判断——多系统交界处就是本体论的主战场

筛选问题清单（对每条候选链逐个提问）

[ ] 多久发生一次？（高频？）
[ ] 判断错了，代价多大？（昂贵？）
[ ] 需要几个人/几个系统/多少经验才能判断？（多人判断？）
[ ] 现在判断依据是"文件+数据+人"还是"只有人"？（后者痛点更强）
[ ] 跑通后 AI 能否产生真实动作？（还是只能给建议？）

反向筛选（什么不值得建模）

一年一次：不值得
错了无代价：不值得
一个人拍脑袋就能定：不值得
AI 只能给建议、永远无法推动动作：暂缓

六、含糊问题清单：本体论真正困难的地方

文档的警告（本体论.txt）

本体论真正困难的地方，从来不是画图、不是写代码，而是逼着企业去回答过去经营中一直含糊的问题。

含糊问题 ≠ 复杂问题——含糊问题是"从来没被逼问过"的问题，答案藏在各部门的默认假设里：

"重要客户"到底谁说了算？        （销售/财务/老板各有一本账）
"已成交"是不是同一个意思？       （销售看签约，财务看回款，交付看上线）
出现异常谁有权判断？谁负责处理？  （以为有流程，实际靠人吼）
处理结果应该回到哪里？           （结论散在群里/邮件里/脑子里）
谁最终认为这件事"结束了"？       （没有人——所以永远在打补丁）

为什么这比画图难得多

答案不在任何系统里——数据、文件里找不到，必须逼人去回答
答案往往是政治性的——"谁说了算"牵动部门博弈，有人不想说清
说清意味着责任明确——含糊是有好处的（可以随时解释），显性化=失去模糊空间

操作化：含糊问题清单

每条决策链建模时，第一步不是画对象，而是列出这条链上所有"过去靠人模糊处理"的问题，逐条逼出可判定的答案：

问题：什么算"重要客户"？
  逼问 → 回款评级 ≥ B 且年交易额 ≥ X？ → 是规则，入库
  逼问 → "看情况吧"？ → 不算答案，继续逼
问题：什么算"异常"？
  逼问 → 连续 3 次同步失败 或 单日收入骤降 > 50%？ → 是规则，入库
  逼问 → "感觉不对"？ → 不算答案，继续逼

验收标准：一条决策链的建模完成，不是"图画完了"，而是"清单上的含糊问题全部有了可判定答案"。每一条答不出的问题，就是本体的缺口，也是业务的隐性风险。

七、决策链的解剖：链上每一环都要能回答

以"供应商异常处置"为例（五洲）：

触发    数据异常：连续N次同步失败 / 收入骤降超阈值 / 上游API报错
        └→ 触发条件必须可判定（具体数值/次数），不能是"感觉不对"
对象    供应商、上游服务、链接、站点、下游客户
        └→ 每个对象的当前状态可查（地图）
数据    今日收入、同步日志、历史基线、上次处置记录
        └→ 数据来源明确，单一事实源
规则    什么算异常？什么程度该暂停？哪些情况要通知谁？
        └→ 规则必须可判定（见第二篇）
动作    低风险：标记异常、生成处置建议、通知相关方
        高风险：暂停同步、停用链接 ← 必须人审批
审批    谁拍板高风险动作？审批点在哪一环？
        └→ 权限四层（理解/建议/自动/必批）
执行    动作落地 → 状态更新
回填    这次处置暴露了什么新规则？写回本体
        └→ 本体是活的

解剖的意义：链上任何一环回答不了，就是本体缺口——要么补规则，要么补数据，要么补权限定义。

标准案例：插单决策（来自本体论.txt）

制造企业接到急单，老板问 AI"能不能插进来赶紧做"。聊天机器人只会翻出《紧急订单处理制度》复制给你——但真实业务里答案分散在七个地方：

客户是谁？过去回款怎么样？      → CRM + 老销售的记忆
这张订单毛利多少？              → ERP
仓库有没有能插单的原料？        → 库存系统
哪条产线有空档？                → 生产系统
插单会不会影响哪些订单？        → 排期逻辑
其他订单延期要赔多少钱？        → 合同条款
谁有权批准插单？                → 老板/管理层的默认权力

这正是本体论要拼接的：把分散在 CRM/ERP/生产系统/Excel/微信群/老员工脑子的东西拼成一张图，AI 才能"不是在猜答案，而是理解此刻真实发生的业务状态"。

这条例子的启示：插单决策 = 高频（工厂常有急单）+ 昂贵（排期/赔偿/客户关系）+ 高度依赖多人判断（销售/生产/财务/老板）——完美命中三标准。

八、多决策链的扩展逻辑

一条链跑通后，怎么扩展？

原则：从"最痛"到"相邻"，不跳跃

优先扩展共享对象的链（供应商异常处置跑通了 → 供应商生命周期里的其他链顺带补上）
优先扩展共享数据的链（同一批对象/数据源，边际成本低）
避免扩展全新领域的链（除非它符合三标准且有人力）

扩展的本质：本体像树一样生长——从第一条链的根，沿着共享的对象/数据长出相邻的枝，而不是从零开始铺一片森林。

本篇结论（立论）

本体论的价值单位是决策，落脚点是决策链，不是对象、不是全量建模
选链三标准：高频 / 昂贵 / 依赖多人判断——缺一不可，三者共同保证复利、价值、不可替代
数字孪生是陷阱：没人看、维护爆炸、无法验证、收益不集中——全量建模必然失败
最小闭环是方法：触发→理解→建议→动作，跑通闭环才算成功，半截就是聊天助手
验收标准固定：AI 能理解状态、识别影响对象、权限内推动动作 = 成功；答案还要人复制到群里确认 = 失败
含糊问题清单是建模起点：建模完成 ≠ 图画完了，而是"过去含糊的问题全部有了可判定答案"——每一条答不出的问题就是业务隐性风险
扩展像树生长：从最痛到相邻，共享对象/数据优先，不铺森林

一句话立论：决策链理论回答"本体论建在哪"——建在最高频、最昂贵、最依赖多人判断的那条链上，先把含糊问题逼成可判定规则，跑通闭环，再沿共享对象生长。

下一篇预告：人机协作理论——ONTAO 的灵魂（AI 能力光谱与权限四层）