AI应用的投资决策：从Schneier框架看风险收益比

直接给出核心判断：Schneier提出的“是否该用AI做任务”的决策框架，本质上是一个风险收益比模型。从资产配置角度看，它揭示了AI商业化的真正瓶颈——不是技术能力，而是任务的可归因性和责任闭环。这直接决定了哪些AI公司值得长期持有，哪些只是短期情绪溢价。

Bruce Schneier在文章中提出一个简单判断标准：如果一个任务你能明确解释“为什么做”以及“如何判断做得好”，那么AI可以介入；如果需要人类直觉、道德判断或跨领域常识，AI就不该用。这话听起来像常识，但放在投资视角里，它恰恰是区分“工具型AI”和“故事型AI”的分水岭。

[!tip] 核心逻辑

可用AI的任务 = 高确定性 + 低风险后果 + 可量化反馈

不可用AI的任务 = 低确定性 + 高责任归属 + 复杂价值判断

短期看，市场正在为“AI能做什么”过度定价，忽略了这个框架的约束条件。很多AI公司估值锚定在“替代人类”的宏大叙事上，但实际落地时，用户对错误容忍度极低。例如医疗诊断AI，技术准确率可达95%，但剩下5%的误差可能导致法律纠纷，医院采购决策会变得极其保守。从风险收益比看，这类应用的真实回报率被高估了。

长期看，真正有壁垒的AI公司，是那些能主动定义任务边界、并建立闭环反馈系统的企业。它们不会试图“通用”，而是聚焦于特定任务，让AI的输出结果可以被轻松验证、归因、修正。这就像投资组合中的“核心-卫星”策略——核心资产是那些任务边界清晰、数据飞轮稳健的AI工具；卫星资产是那些高风险、高天花板但需要长期观察的通用AI平台。

投资判断清单：

• 任务可归因性：AI输出能否被人类轻松审计？若不能，保险成本会吞噬利润。
• 反馈闭环速度：从错误到修正的周期多长？高频迭代任务（如广告竞价）比低频任务（如法律合同）更易规模化。
• 责任转移成本：当AI出错时，用户是否愿意承担？若必须由企业承担，则该商业模式的净利润率会被严重压缩。

用代码块展示一个简单的估值修正模型：

# 假设一个AI公司年营收1亿，但25%任务属于高风险不可归因区间
# 风险调整后估值
revenue = 100_000_000
risk_share = 0.25 # 不可归因任务占比
cost_of_liability = 0.3 * risk_share * revenue # 因子基于行业平均诉讼成本
adjusted_ebitda = (revenue * 0.7) - cost_of_liability # 假设毛利70%
print(f"调整后EBITDA: {adjusted_ebitda:.0f}")
# 若市场给15x EV/EBITDA，则合理估值较原始估值折价约30%

这个模型只是示意，但核心逻辑明确：如果一家AI公司30%以上的收入来自“不可归因”任务，它的有效估值倍数应打7折。目前二级市场很多AI股没有体现这种风险定价。

Schneier的框架还隐含了一个激进判断：AI不能处理“元任务”——即决定“是否该用AI”这件事本身。这意味着AI公司永远无法完全替代人类决策层，它们只能做执行层优化。从商业模式看，这意味着AI公司的护城河不是技术专利，而是行业know-how和数据积累。那些能深度嵌入客户业务流程、且让客户无法分离的AI方案，才具备真正的竞争壁垒。

从资产配置角度看，当前AI投资应该做两件事：

1. 减持那些依赖“通用AI替代”概念、实际任务边界模糊的公司。这类资产的波动率与利率预期高度相关，宏观切换时最先被抛售。

2. 增持那些聚焦“低风险、高反馈、可归因”垂直场景的公司，比如企业级自动化、供应链优化、代码辅助工具。这些场景的AI渗透率仍在早期，但风险收益比优于大盘。

一句话总结：AI不是万能魔法，是带杠杆的工具——用对了放大收益，用错了放大亏损，而Schneier的框架就是那个判断杠杆率的标尺。

原文链接：https://www.theguardian.com/commentisfree/2026/jul/24/should-you-use-ai