加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 专家表现出非对称算法厌恶：在收到负面AI建议时会显著降低项目评估，而在收到正面AI建议时则基本予以忽略。
- 负面投资建议遵循析取逻辑，仅凭显性的预警信号就足以否决一个项目，从而促使专家认为负面AI建议高度准确。
- 正面投资建议遵循合取逻辑，需要同时结合显性与隐性知识；由于专家怀疑AI评估隐性因素的能力，正面AI建议会触发人类的独立调查而非直接采纳。
实践启示
CIO / IT 高管
Review the enterprise AI portfolio and mandate that all AI tools in high-stakes financial evaluation explicitly separate explicit metrics from tacit risk factors in their UI dashboards to address asymmetric trust.
IT 经理
Audit your team's current AI deployment to ensure that negative AI recommendations display the specific explicit rules or red flags that triggered the warning, making the disjunctive logic transparent to users.
商业战略师
Update your investment screening workflow to explicitly require human due diligence specifically for positively-rated AI projects, countering the tendency to blindly trust positive AI advice without verifying tacit factors.
研究人员
Design an experimental study isolating how cognitive framing of tacit versus explicit knowledge impacts decision-maker integration of neutral or mixed AI recommendations in Fintech.
政策制定者
Draft regulatory compliance guidelines requiring Fintech AI developers to publish audit trails showing how their models weigh tacit versus explicit knowledge, particularly for positive financial investment advisories.
摘要
本研究探讨了在金融科技领域（具体为首次代币发行（ICO）项目评估中）人类在人工智能（AI）建议辅助下的决策过程。通过两项随机对照实验、一项实地研究以及定性访谈，作者研究了决策者如何将AI的正面与负面建议纳入其评估之中。该研究强调了人类对AI的依赖程度取决于该建议需要显性知识、隐性知识还是二者兼具。
核心问题
尽管先前的文献基于用户或任务特征探讨了普遍的算法厌恶现象，却忽视了AI给出的具体建议性质如何改变人类的依赖程度。金融投资评估既需要可编码的显性知识，也需要微妙的隐性知识，但用户对AI处理隐性信息的能力仍持怀疑态度。这导致了一个尚未被深入探讨的研究空白：对于同一任务，当AI给出正面与负面建议时，专家会做出怎样的不同反应。
文稿
Expert: 谢谢 Anna，大家好。很高兴能与大家一起探讨这项研究的发现。
Host: 在商业决策领域，算法厌恶是一个经常被讨论的话题，许多人倾向于怀疑算法的判断。这项研究提出了一个独特的切入点，你能先为我们介绍一下它所针对的核心现实问题吗？
Expert: 过去关于算法厌恶的研究，大多聚焦在用户自身特征或者任务本身的属性，探讨人们是否普遍排斥算法。然而，这些研究往往忽略了 AI 建议本身的性质对人类信任度的影响。在金融投资等复杂场景中，评估一个项目既需要可量化、可编码的显性知识，比如财务数据或技术指标，也需要依赖商业洞察和直觉的隐性知识，例如创始团队的领导力。由于专业人士普遍怀疑 AI 处理隐性信息的能力，这就带来了一个值得探究的问题：当面对同一个评估任务时，如果 AI 分别给出正面与负面的建议，人类专家的反应是否存在差异。
Host: 这是一个非常切中实际决策场景的问题。那么研究团队采用了怎样的研究方法来进行验证呢？
Expert: 研究团队结合了定量与定性方法，包括两项随机对照实验、一项实地研究以及深入的定性访谈。在实验中，参与者需要对真实的 ICO 项目进行投资评估，研究人员向他们提供来自算法的正面建议、负面建议或不提供建议，以此观察参与者对项目评分的调整幅度，并结合访谈分析他们背后的逻辑。
Host: 实验结果显示了什么？决策者对正面和负面建议的反应一致吗？
Expert: 结果显示了明显的非对称性，也就是所谓的“非对称算法厌恶”。具体来说，当收到负面 AI 建议时，专家会显著降低对项目的评估，甚至直接采纳建议否决项目；然而，当收到正面 AI 建议时，专家则基本予以忽略，并没有相应提高对项目的评价。
Host: 为什么会出现这种只采纳负面建议、忽视正面建议的现象？背后的决策逻辑是什么？
Expert: 关键在于正面建议与负面建议所依赖的知识类型不同。研究指出，负面投资建议遵循的是析取逻辑。在投资决策中，只要存在一个严重的硬性缺陷，例如代码存在漏洞或团队背景不实，就足以一票否决项目。这些预警信号属于 AI 擅长处理的显性知识，因此专家认为负面 AI 建议高度可靠。
Host: 那么正面建议的情况又是怎样的呢？
Expert: 正面投资建议遵循的是合取逻辑。一个项目要想被认定为值得投资，不仅需要硬性指标合格，还需要具备团队凝聚力、愿景可行性等软性实力，而这些高度依赖隐性知识。由于专家不相信 AI 具备评估隐性因素的能力，正面的 AI 建议不仅不会被直接采纳，反而会促使人类专家展开独立的尽职调查，亲自去核实那些隐性信息。
Host: 这项研究对于企业管理者和技术产品团队有哪些切实的业务应用价值？
Expert: 这项研究为企业设计和引入 AI 决策支持系统提供了清晰的指导。首先，在系统定位上，AI 最适合作为“风险排查工具”或“守门人”。让算法专门去识别合规漏洞、财务异常等显性红线，这类负面反馈更容易获得业务专家的直接信任和采纳，从而显著提升初筛效率。
Host: 那么对于需要综合判断的正面推荐，企业又该如何应对呢？
Expert: 企业需要认识到，在依赖隐性知识的复杂决策中，单纯让 AI 输出“推荐”或“高分”往往难以直接推动决策落地。相反，AI 应当被设计成辅助人类获取隐性信息的工具。例如，系统可以提示需要重点核实的疑点、提供访谈提纲，辅助专家去完成线下尽职调查，而不是试图替代专家做最终决策。
Host: 也就是说，根据任务所需的知识类型是显性还是隐性，合理划分 AI 与人类的分工，才能最大化系统的实际采纳率。非常感谢 Alex 今天的深入分享。
Expert: 谢谢 Anna。
Host: 感谢大家收听本期的 A.I.S. Insights — powered by Living Knowledge。我们下期再见。
Artificial Intelligence, AI Augmentation, Decision Making, Algorithm Aversion, Fintech, Tacit Knowledge