個案經驗分享 · AI 應用實戰 · 決策工程
收斂的委員會
Decision Convergence Engineering 的一次實踐
人越多，越難收斂——這是多數人對開會的印象。但我的經驗剛好相反：當與會者全是 AI，收斂速度反而比任何真人委員會都快。
Mr. τ ／ 風雲網通系統 · 2026
🤔 一個違反直覺的觀察
很多人對開會的直覺是：人越多，立場越多，越難有結論。
這個直覺在真人世界裡完全正確。但當與會成員換成 AI 助理，這個規律就失效了。
我長期使用多模型合議來輔助重大決策，觀察到一件事：AI 委員會的發散速度很快，收斂速度也很快。 而且幾乎不需要主席強行裁決——觀點的碰撞本身就會自然篩選出值得保留的東西。
⚖️ 真人委員會 vs AI 委員會
真人委員會難以收斂，不是因為人不夠聰明，而是因為人帶著太多與問題本身無關的東西進入討論：
| 真人委員會的阻力 | AI 委員會的特性 |
|---|---|
| 權力鬥爭與派系利益 | ✔ 無組織政治 |
| 面子問題、不願認錯 | ✔ 無自我防衛 |
| 情緒反應與歷史包袱 | ✔ 每次對話都是新的起點 |
| 部門本位、各守地盤 | ✔ 只針對問題本身給出立場 |
| 開會時間有限、精力有限 | ✔ 幾分鐘內給出有結構的完整立場 |
AI 之間觀點不同，但沒有任何一個模型有「贏過其他模型」的動機。它們只是在回應問題本身。這讓討論的訊噪比大幅提高。
🧭 實際流程是這樣跑的
我的主導 AI 助理是 Claude。開新案時，由 Claude 先提案，關鍵處互相提問與補充——這個來回本身就是思考的初步淬煉。
但真正要動手寫規格書之前，我會刻意停頓，然後依序開啟：Gemini、ChatGPT、Grok、MiniMax M3（ollama cloud 版），把 Claude 的提案與對話脈絡一起分享給這些審核成員。
Decision Convergence Engineering · 合議流程
主導提案
主席收斂
各模型的預訓練程序、參數量、微調角度各不相同——這正是多模型合議的設計前提。異質性越高，觀點碰撞的品質越好。
📐 三種合議結果，各有意義
合議跑完之後，通常出現三種情況——每種都有它的信號價值：
情況 A · 多數支持
Claude 的提案獲得大多數模型認同——方向正確，可以放心推進。這是最快的結果，但不是最有價值的。
情況 B · 異見浮現 ← 最值錢
某個模型提出其他模型都沒發現的邊界條件或風險。一出現就知道是真的。這種情況最值錢——它是你花了多少時間自己想都可能想不到的那種提醒。
情況 C · 核心分歧
各模型對某個核心假設看法分歧——這代表提案裡有一個沒有釐清的前提，需要回頭重新定義問題。表面上像是會議失敗，其實是最深的收穫。
核心洞察
合議的目的從來不是讓所有 AI 都同意。
而是讓問題被更多維度的光源照過一遍。
真人委員會的收斂障礙是政治。AI 委員會的收斂動力是問題本身。
這才是這套方法論真正的底層邏輯。
🏷️ 這是一種決策工程方法
我把這套實踐命名為 Decision Convergence Engineering（決策收斂工程）。
它不是「問很多 AI 然後取平均值」，也不是「讓 AI 幫你做決定」。它的本質更接近：
設計一個能讓不同觀點安全碰撞的場域，然後由人類主席負責最終的意義提取與決策收斂。
AI 負責發散的品質，人負責收斂的判斷。分工清楚，各司其職。
同系列文章 · 理論基礎
這篇是實踐記錄。如果你想理解這套方法背後的工程哲學，可以對照這兩篇：
《Stacked Harness Engineering：從提示詞操作到多模型意圖調度系統》
多層輸出 → 比對 → 修正 → 再生成的系統框架，是 Decision Convergence Engineering 的上層架構視角。
結語
AI 時代的決策品質，不取決於你用了哪個最強的模型。
而取決於你有沒有設計一個——能讓不同觀點安全碰撞、讓政治因素消失、讓問題本身說話的機制。
「我要的不是更多的答案，而是一個被不同視角驗過的決定。」
Mr. τ ／ 風雲網通系統
委外 CKO · IT 知識工程 · 台中精密機械 SMB 服務
#Decision Convergence Engineering
#多模型合議
#AI決策
#個案經驗分享
#PCPiLOT Lab
#委外CKO
Comments