System One 模型本质上是一种“做判断”的 AI 模型：它读取工单、日志、邮件这类杂乱的非结构化输入，从预先设定的答案集合中给出结论，并为每个答案附上表示把握程度的概率。它不取代决策管理，而是补上决策管理一直欠缺的“非结构化数据快速感知”能力；模型负责“这是什么”，业务规则负责“该怎么办”，两者配合才能做出可信的智能决策。

本文编译自 Sparkling Logic 联合创始人 Carlos Serrano-Morales 的文章（原文为第一人称）。

决策管理在非结构化数据上缺什么？

决策管理（Decision Management，DM）一直擅长决策中“深思熟虑”的部分：基于以结构化数据为主的显式逻辑，人可以阅读、测试和治理。一直存在的机会，是利用非结构化数据来增强这些自动化决策。

一类新的 AI 模型——System One 模型——正是瞄准了这一点。它作为自动化决策中常规决策管理方法的补充出现。

System One 模型是什么？

System One 模型本质上是一种“做判断”的 AI 模型。它读取杂乱的非结构化输入（如工单、日志条目或邮件），从预设的答案集合中返回答案，每个答案都带有一个概率，表示模型的把握程度。

一个理赔的例子

假设一家保险公司的理赔系统使用一个 System One 模型，设计用来回答三个问题，每个问题都有固定的可选答案：

理赔类型是什么？水渍损失、火灾、盗窃、责任险、其他
紧急程度？低、中、高
是否涉及第三方？否、是

理赔系统收到这样一条报案说明：

“从昨晚开始，水一直从厨房天花板渗下来。楼上邻居说是水管爆了。地板全湿了。没有人受伤。”

System One 模型处理后返回：

理赔类型 = 水渍损失，概率 0.93
紧急程度 = 高，概率 0.88
涉及第三方 = 是，概率 0.74

注意模型没有做什么：它不会写一段关于这笔理赔的文字，也不会对下一步该怎么办发表意见，而是交回决策可以直接使用的结构化答案。

System One 模型和大模型（生成式 AI）有什么区别？

过去三年，AI 竞赛的焦点是“写”：更像人的回答、更深的推理、更好的代码。驱动生成式 AI（GenAI）的大语言模型（LLM），无论构建、评测还是宣传，都围绕生成文本的能力。把它们用于真正的自动化决策，得到的关注则少得多。

原文作者在 DecisionCAMP '25 的“Ask an Expert”专家讨论中说过：大语言模型模拟的是语言，而不是现实；但它们太擅长让你相信并非如此，以至于很容易忘记这一点。从 DM 的角度看，生成式 AI 并不适合直接做运营决策，原因是结构性的：

输出自由、不一致：同样的输入，每次运行可能得到不同答案，而且答案是一段文字，决策还得再去解读。
置信度靠不住：大模型即使错了也显得很确定，它表达出的“自信”并不是经过测量的概率。
延迟和成本：逐个 token 生成文本又慢又贵，对一天要运行成千上万次的决策影响很大。这也是作者不认为机构会依赖生成式 AI 做直通式处理（straight-through processing）的原因之一。

System One 模型更接近传统机器学习模型

System One 模型走的是另一条路。它更接近 DM 已经常用、成熟的传统机器学习（ML）模型，类似零样本文本分类模型：

输出有边界：答案由人预先定义，决策永远不用猜模型是什么意思。
置信度经过校准：概率表示答案正确的可能性，而不是下一个 token 接在前一个之后的可能性。因此可以为每个问题单独设定阈值，按出错的代价来调整。
速度快、效率高：分类比写作快得多。

对比项	大语言模型（生成式 AI）	System One 模型
输出形式	自由文本，同输入可能不同答案	预设答案集合，结构化
置信度	表达出的自信不是测量过的概率	经过校准的概率，可按问题设阈值
速度与成本	逐 token 生成，慢且贵	分类，快且高效

这并不意味着 System One 模型不会出错，也不意味着它能替代生成式 AI，两者做的是不同的事。但“快、有边界、经过校准”引出一个更大的问题：这种模型到底为决策贡献了什么？什么时候可以信任它？

为什么叫 System One？

名字来自诺贝尔奖得主、心理学家丹尼尔·卡尼曼（Daniel Kahneman）。他在《思考，快与慢》（2011）中把人的认知描述为两个系统：

系统 1：快速、自动、不费力、靠联想。
系统 2：缓慢、受控、遵循规则。

系统 1 是判断的起点，是我们赖以生存的直觉或本能。它不仅启发了这类模型的名字，也启发了它们的用途。直觉很有力量，但被直觉坑过的人都知道，它不总是对的。

什么时候可以信任直觉？

系统 1 思维让我们活下来，但不一定让我们活得好。所以系统 2 充当监督者，认可或推翻系统 1 的判断。

卡尼曼和加里·克莱因（Gary Klein）在论文《Conditions for Intuitive Expertise: A Failure to Disagree》（American Psychologist，2009）中得出结论：直觉判断在满足两个条件时值得信任：

有效的环境：线索与结果之间存在稳定、可学习的规律；
学习这些规律的机会：判断者已经通过大量练习、并在快速而明确的反馈中掌握了这些规律。

他们还提醒：自信并不是准确的可靠信号。在不可预测的环境里，一个自信的判断者只是“自信地犯错”。System One 模型的置信度经过校准，但和大模型一样，仍可能过度自信。

什么时候可以信任 System One 模型？

把卡尼曼和克莱因的研究用到企业决策上，可以得到几条实用准则：

卡尼曼和克莱因的结论	对 System One 模型的含义
可信的直觉需要有效的环境	只用在线索能可靠预测结果的地方，如类别、紧急程度、意图、文档类型
可信的直觉需要学习的机会	需要有带标注结果数据的反馈闭环来验证模型
自信不等于准确	必须在自己的数据上验证校准情况，再按出错代价为每个动作设定阈值

换句话说，当 System One 模型满足可信直觉判断的条件，并且有一个能让“系统 2 思维”推翻其判断的机制时，才可以放心地把它用于自动化。这个机制正是决策管理的用武之地。

决策管理怎样充当“系统 2”的监督？

DM 是一门把可重复的运营决策当作资产来建模、自动化、度量和改进的学科。它的基本做法是把决策逻辑从应用代码中抽离出来，放进决策管理系统，由对决策结果负责的业务人员来管理。

像 Sparkling Logic SMARTS™ 这样的决策管理系统结合了：

显式决策逻辑：决策中由人有意写下来的部分，以决策流、表格、规则等业务人员能读懂的形式表达，而不是埋在应用代码里。SMARTS™ 让分析师通过决策流、规则、表、树、图、评分卡和查找模型来建模和编写逻辑，支持图形化表达和智能体式 AI。
预测模型：从历史数据中学习规律，产出评分等派生信息，用于支撑决策。SMARTS™ 可以从数据中归纳规则和模型（BluePen），也可以导入并运行 Python、ONNX 和 PMML 模型。
质量度量：为决策的效率、公平性和可解释性给出量化数字，上线前在历史案例上度量，上线后在实际结果上度量。SMARTS™ 把历史数据放在编写过程的中心，并用决策分析（包括对已部署决策的实时分析）来度量和追踪结果。
测试与实验：决策上线前要测试，上线后要通过对比备选方案、按目标优化来持续挑战。SMARTS™ 支持仿真、冠军/挑战者实验和影子部署。
安全与治理：对关键业务决策的变更必须受控、可追溯。SMARTS™ 提供版本管理、发布管理（含云端和本地部署）、访问控制，以及用于可重复决策管理任务的工作流。

决策管理带来问责

结果是可问责的决策：每个决策都受治理、用真实数据测试、在生产中度量，并用于改进下一个版本。用卡尼曼的话说，DM 是“工业化的系统 2”——缓慢、审慎、遵循规则的思考，被做到足够快，每秒可运行数千次。

System One 模型和决策管理怎么配合？

DM 很适合充当 System One 模型所需要的系统 2 机制，因为在很多机构中，它已经在风险、信贷、产品配置等众多自动化运营决策中扮演这个角色。与其让模型来做决定，不如用它来感知杂乱输入在说什么（水渍损失，概率 0.93），再由 DM 来决定怎么做（派查勘员评估损失）。System One 模型负责感知，DM 负责政策。

回到理赔的例子。决策收到三个答案后，应用业务方编写的规则，每个问题有单独的阈值。举例来说，规则规定：理赔类型为水渍损失且概率 ≥ 0.90、紧急程度为高且概率 ≥ 0.85 时，派出查勘员。两个答案都达标，于是派出查勘员。而“涉及第三方”的概率 0.74 低于 0.80 的阈值，规则就把这笔理赔标记给理赔专员，由人确认是否涉及其他方。

这些逻辑都不在模型里，而在决策里：分析师可以阅读它、用历史理赔数据测试它，明天就能修改它。

对国内和东南亚的意义：国内和东南亚的金融、保险机构同样积累了大量客服工单、报案描述、邮件等非结构化文本。“模型只做识别、规则决定动作、阈值按风险分别设定”的分工，让这类数据进入风控和运营决策时仍然可控、可审计。

合适的架构

据原文介绍，SMARTS™ 已经具备用 System One 模型运行这个闭环、产出可信决策的架构。在理赔例子中，System One 模型作为预测模型接入，显式决策逻辑负责阈值和分派规则；质量度量追踪校准情况和实际结果；测试与实验可以回放历史理赔、通过冠军/挑战者实验逐步放量；安全与治理控制谁能改阈值、何时发布新版本。其决策智能体把运行时的各部分组合在一起：

负责分类和预测的机器学习模型——System One 模型就放在这个位置；
提供合规保障的业务规则引擎；
用于人工监督和漂移监控的实时监控。

AI 在决策管理中扮演哪三种角色？

System One 模型在 AI 进入 DM 的各种方式中处在什么位置？Sparkling Logic 联合创始人 Carole-Ann Berlioz 在 DecisionCAMP '26 上提出了一个有用的框架：AI 的角色正从“决策助手”向“决策架构师”演变。

AI 作为决策助手：例如 Sparkling Logic 的 AI Assistant，帮助业务分析师使用决策管理系统，起草、验证和解释决策逻辑，完成开发阶段的其他任务。错误是局部的，可以在测试中发现。
AI 作为决策架构师：Carole-Ann 认为这不只是功能升级，而是风险类别的变化。当 AI 被授权编写整个决策模型并自行解决冲突时，错误会变成系统性的，且难以发现。此外，当 AI 对不完整的需求套用统计上“典型”的假设时，结果可能是正确的，却缺少让机构保持竞争优势的那些独有规则。

预测型 ML 模型和 System One 模型解决不了决策架构师角色的难题，但它们指向了 AI 在 DM 中的第三种角色：运行时顾问。按设计使用时，它们为决策提供建议，而决策仍由人掌控。

AI 角色	作用时点	做什么	风险特征
决策助手	设计阶段	起草规则、解释逻辑、生成测试，由人审核	可控：错误是局部的，测试能发现
决策架构师	设计阶段	自行编写整个决策模型并解决冲突	系统性：错误在数百条规则中涌现，难以解释
运行时顾问	执行阶段	提供额外上下文，辅助由人设计的决策	有边界：错误受答案结构、按动作设定的阈值和周边规则约束

规则挖掘、预测模型和 System One 模型怎么选？

如果角色是运行时顾问，下一个问题就是请哪位“顾问”。在人无法自己写出规则的情况下，机构现在有三种做法：

对比项	规则挖掘	建预测模型	用 System One 模型
生产中运行的是什么	从数据和专家经验中学到的可读规则	作为决策一部分被调用的模型	作为决策一部分被调用的模型
最适合的输入	结构化历史记录	通常是数值型结构化数据	非结构化文本：备注、工单、邮件
解释方式	逐条规则解释，部署前可审核	给出答案及相关统计信息，可能附原因码	每个答案一个概率；原因不是可追踪的轨迹
如何变化	分析师编辑或重新挖掘规则时	用新数据重训或自适应重训	模型版本变化时

三者有重叠，选哪种取决于具体情况。规则挖掘适合结构化、受监管、每个结果都必须站得住脚的决策；预测模型从结构化数据中补充上下文，System One 模型则从非结构化数据中补充上下文。它们并不互斥，三者可以用在同一个决策里。

在 SMARTS™ 中，BluePen 可以挖掘规则、创建预测模型，还能计算差异影响（disparate impact）、SHAP 等公平性和可解释性指标，帮助确保决策站得住脚。也正是出于这个原因，决策中有些部分无论模型多好，都不应该交给模型。

哪些部分必须保持显式规则？

无论机构采用哪种做法，无论模型变得多快多便宜，决策中有些部分都应保持显式：

授权与权限：例如账户是否存在、谁可以审批、是否已记录同意。
监管逻辑：一组规则或一张决策表，严格按人写下的内容执行，可以逐行展示给监管机构，只有人编辑时才会改变。贷款中的拒绝原因说明（adverse-action reasons），以及费率备案下的资格和定价规则，都属于这一类。
不可逆的动作：付款、注销、生产变更等，不论模型置信度多高，都需要显式的把关。
机构差异化的判断：Carole-Ann 的观点在运行时同样适用。那些让一家机构的决策与众不同的“非显而易见”的规则，应该被写下来、有人负责，而不是隐含在一个通用模型里。

如何落地 System One 模型？

对已经在用决策管理系统的机构来说，引入 System One 模型和给现有决策增加一个新策略差别不大。作者建议的步骤是：

选对决策：选一个满足卡尼曼和克莱因可信条件的决策——量大、线索与结果之间关系稳定、结果数据可以标注。
让模型只做感知，不做政策：模型只回答“这是什么”，业务规则回答“我们该怎么办”。
先决策、不立即执行：让新策略（System One 模型 + 业务规则）以影子模式与现有策略并行运行，在真实案例上对比结果。
在自己的数据上检查校准：在设定任何阈值之前，先确认模型给出的概率与实际观察到的准确率相符。
谨慎自动化：只开放低风险、可逆的分支，并按动作设定阈值。例如，设置一个冠军/挑战者实验，让 10% 的决策在 7 天内走新策略，加一道人工复核来验证这些决策，再慢慢放量。
持续监控，判断何时重新评估：关注更正率上升、模型漂移和政策更新，发生重大变化时应触发重新校准。

System One 模型会如何影响决策管理？

结论是：System One 模型现在不会、将来也不会取代决策管理。它提供 DM 一直欠缺的、对非结构化数据的快速感知；DM 则提供受治理的政策，让这些判断可以放心地付诸行动。两者结合，可以实现值得信任的自动化决策。

作者的建议是从小处着手：选一个决策，给模型一个感知任务，以影子模式运行，让你自己的数据告诉你下一步怎么做。

智能决策新思路：System One 模型与大模型有何不同