Noong 2018, ginawa ng Google ang isang bagay na hindi karaniwan: nilikha nila ang isang bagong posisyon ng trabaho. Si Cassie Kozyrkov ay naging unang Pinuno ng Agham sa Pagpapasya — hindi Pinuno ng Datos, hindi VP ng Analytics, kundi isang tao na may eksplisitong trabaho na tulungan ang organisasyon na gumawa ng mas magandang desisyon.
Bakit? Dahilan dito ay nakapagtanto ng Google kung ano ang pinaniniwalaan ng karamihan ng mga organisasyon pa rin: mayroon kang datos ay hindi pareho sa magagamit ang datos nang mabuti. Nakapagtanto sila ng petabytes ng impormasyon, mga hukbo ng mga mananaliksik ng datos, at mundo-klaseng infrastruktura ng ML. Ngunit sila ay nanonood pa rin ng parehong pattern: magagandang analisis na walang nangyayari, mga dashboard na walang nagbabago ang pag-uugali dahil dito, mga modelo ng AI na naglalabas ng mga insikto ngunit hindi may impluwensya.
Ang Disyiplina ng Pag-uugnay ng Desisyon ay ang disiplina ng pagpapalit ng impormasyon sa mas magandang aksyon sa anumang saklaw, sa anumang setting.
Ito ay hindi lamang isang bagong label para sa mga matatandang ideya. Ang Decision Intelligence ay kumakatawan sa isang pangunahing pagbabago sa paano ng mga organisasyon nakatutok sa relasyon sa pagitan ng datos, analisis, at aksyon. Kung nai-read ninyo ang aming guide sa Collaborative Decision Making, nakita ninyo na ang tao'y bahagi ng equation na ito — ang 240 taon ng pananaliksik mula kay Condorcet hanggang Google Project Aristotle na nagpapatunay na ang mga magkakaibang pananaw, kapag tama ang pagkakasunud-sunod, umangat sa pagiging makabuluhan sa pag-iisip ng isang indibidwal.
Ang Desisyon Intelehiyensiya ay tumatanggap ng yunit na ito at tanong: anong nangyayari kapag naidagdag natin ang AI, causal modeling, at sistematikong feedback loops?
Ang $3.1 Trilyong Problema: Pagtutuon ng Pananaw Walang Gawaan
Dito'y isang numero na dapat mag-alarma sa bawat tagapangasiwa: 65% ng mga organisasyon pa rin ay gumagamit ng datos nang selektibo upang magbigay ng dahilan sa mga desisyon na kanilang nang nakapagpasya, kaysa sa pagpapalagay ng datos na talagang magdudulot ng mga desisyon (Gartner, 2024). Meron silang Business Intelligence dashboards. Meron silang Data Science teams. Ngunit ang datos ay hindi nagbabago ng pag-uugali.
Ang Analytics-Action Gap
- BI tells you: "Mababa ang benta ng 12% sa Q3."
- Mga Kaalaman sa Datos ay sinasabi sa iyo: "Ang mga benta ay maaaring bumaba pa ng 8% sa ika-4 na kwarter."
- Walang sinasabi sa iyo: Anong partikular na aksyon na gawin, anong mahahabang epekto ang mangyayari, o kung paano malalaman kung nagtatrabaho ito.
Ang pagtataya ng McKinsey ay ang gap ng analytics-action ay nagkakapera ng $3.1 trillion taun-taon sa hindi na-realized na value mula sa mga pag-invest sa datos.
Ito ang problema na sinasolusyonan ng Decision Intelligence. Hindi sa pamamagitan ng pagdaragdag ng higit na mga dashboard o higit na mga modelo ng ML — ngunit sa pamamagitan ng pagpapanumbalik ng buong proseso mula sa impormasyon hanggang sa aksyon hanggang sa pagtatantya ng resulta.
Isang Maikling Kasaysayan: Mula sa Decision Engineering hanggang sa Decision Intelligence
Ang mga pangunahing ideya ng Desisyon Intelehensya ay nagtrabaho pabalik sa dekada '50 — sa parehong panahon na nagbigay sa amin ng artificial intelligence, operations research, at ang gawa ni Herbert Simon na nanalo ng Nobel Prize sa bounded rationality. Pero ang modernong disiplina ay lumutang mula sa dalawang paralelong track:
Ang Akademikong Raketa
Si Dr. Lorien Pratt (Rutgers PhD, dating na researcher ng DARPA) ang nag-imbento ng "Decision Engineering" noong 2010, na pinangalanan muli sa "Decision Intelligence" noong 2012. Ang kanyang trabaho ay nagtutuloy-tuloy sa paggawa ng machine learning, causal reasoning, at organisasyon na pagpapasya sa isang kohesyon na disiplina ng inhenyeriya.
Ang terminong "Decision Engineering" ay hindi magandang nagbebenta. Pinagbago namin ang lahat ng aming collateral at positioning.
Ang Track ng Industriya
Ang si Cassie Kozyrkov (Duke PhD, estadistika) ay nagtatag ng Google's Decision Intelligence function mula 2018-2023. Pinag-aralan niya ang libu-libong Googler sa mga metodo ng DI, nakatayo sa pagitan ng Research/ML at ang operasyong negosyo. Tinatawag ito ng Google na "Decision Intelligence Engineering."
Ang data science kasama ang mga agham pangpanlipunan at pang-organisasyon.
Ang pagkakataon ay nangyari dahil ang dalawang track ay sumambit sa parehong pader: teknikal na kaalaman walang impluwensiya sa pagpapasya. Ang akademyikong gawa ni Pratt ay nagpapakita kung bakit (kawalan ng pagtutuon sa sanhi); Ang trabaho sa industriya ni Kozyrkov ay nagpapakita kung paano itong masolusyonan sa makabuluhan.
Ang Business Intelligence laban sa Data Science laban sa Decision Intelligence
Ang pinakamalawak na paraan upang maintindihan ang DI ay sa pamamagitan ng pagtutuop. Dito'y nakikita ang mga pagkakaiba ng tatlong disiplina:
| Aspeto | Business Intelligence | Data Science | Pagsasama ng Pagpapasya |
|---|---|---|---|
| Pangunahing Tanong | "Anong nangyari?" | "Anong mangyayari?" | "Anong dapat natin gawin?" |
| Uri ng Analitika | Descriptive | Predictive | Prescriptive + Feedback |
| Pagsasahimpapawid | Mga ulat, mga dashboard | Mga modelo, mga pagtataya | Mga desisyon + mga resulta |
| Pagtakip sa Panahon | Pangagdang/presente | Futuro | Puno ng loop (pangagdang → aksyon → futuro → pagtuturo) |
| Pangunahing Pansarili | Pagsasalin ng mga ulat | Pagsasalin ng mga pagtataya | Pangunahing pag-aakala, mga halaga, mga pagtutol |
Ang pangunahing pagtutuon: Ang DI ay hindi kumukubra sa BI o Data Science — ito ay nagpapalapit sa kanila. Ang BI ay nagbibigay ng kasaysayan ng konteksto. Ang Data Science ay nagbibigay ng mga pagtatalaga. Ang DI ay nagdaragdag ng logic ng pagpapasya, ang mga rekomendasyon ng aksyon, at ang loop ng feedback na nagtatapos ng pagkakalubhaan sa pagitan ng insikto at impluwensya.
Ang Framework ng Desisyong Intelektwal
Sa kanyang pangunahin, ang DI ay gumagana sa isang simpleng ngunit kapangyarihang modelo:
Obserbahan
Maghanap ng impormasyon sa kasalukuyang kalagayan
Modelo
Mapa ang mga kaugnayang sanhi
Desisyunan
Pumili ng aksyon na may inaasahang resulta
Matutunan
Magpatahaba ng resulta, mag-upgrade ng modelo
Ang Loop ng Pag-uugnay ng Desisyon: Obserbahan → Modeluhan → Desisyunan → Matuto → (ulitin)
Ito ay nakakapansin na katulad ng OODA loop (Obserbahan-Orienti-Decid-Aktyon) mula sa estratehiya ng militar. Ngunit may isang kritikal na pagkakaiba: ang Matuto hakbangan. Ang OODA ay nilayon para sa mga desisyon ng pakikidigma sa oras na kung saan hindi mo maaaring magpahinga upang matukoy ang mga resulta. Ang DI ay nilayon para sa mga desisyon ng organisasyon na kung saan mo — at kinakailangan — sistematikong matuto mula sa mga resulta.
Ang mga Diagrama ng Pagpapasya ng Kausal: Nakita ang Mapa ng Epekto-Kaakibat
Ang puso ng Decision Intelligence ay causal reasoning — pag-unawa hindi lamang kung ano ang nakakorelate sa ano, ngunit kung ano ang aktwal na sanhi ng ano. Ito ang pagkakaiba sa pagitan ng:
Ang Pag-uugnay na Panganalitika
Mga kustomer na bumili ng produkto A ay may pagtuturok na bumili rin ng produkto B.
Problema: Kung tayo'y magpapromote ng B, mag-iiyak ba ang mga benta ng A? Hindi natin alam.
Diagrama ng Paswal na Pagpapasya
Pagsasanay ng presyo sa A → lumawak na mga bili ng A → lumawak na mga bili ng B (kasangkot na paggamit).
Actionable: Alam natin ang lever (A price) at ang mekanismo (complement effect).
Isang Causal Decision Diagram (CDD) ang nagpapakita ng mga relasyon ng sanhi at epekto. Ito ay nagpapakita ng:
- Mga Layunin: Anong mga resulta na hinahangad natin
- Mga Hakbang: Anong mga aksyon na maaaring gawin
- Mga Pahalintulad: Ang seryeng epekto sa pagitan ng hakbang at layunin
- Mga Panlabas na Bagay: Ang mga bagay na hindi natin kontrolado ngunit kailangang isama
Higit sa lahat, mas mabuti mag-organisa ng impormasyon sa paligid ng desisyon na gagawin, kaysa sa paligid ng datos na sumasaklaw sa desisyon.
Saan Tumutugma ang AI: Pagpapalaki, Hindi Pagpalit
Ito ang kung saan ang Decision Intelligence ay nagkakaiba nang malinaw mula sa parehong "Ang AI ay magpapalit ng lahat" hype at "Ang mga tao ay dapat palaging magdesisyon" tradisyonalismo. Ang posisyon ng DI: Ang AI ay nagpapalubog sa pagpapasya ng mga tao; ang mga tao ay nananatili ng accountability.
What AI Does Well in DI
Pagpapalawak ng Impormasyon
Proseso ng mga volume ng datos na hindi maaaring gawin ng tao. Sumali ang 10,000 mga dokumento upang makakuha ng mga mahahalagang insikto.
Pagsasanay ng Mga Pattern
Maghanap ng mga korelasyon at mga anomaliya sa mga datos ng mataas na dimensiyon na hindi makakita ng tao.
Simulasyon ng mga Resulta
Modelo ng mga senaryo ng "ano kung ano" na mas mabilis at mas kumpliyensya kaysa sa pagsangguni ng manual.
Ang Ginagawa ng mga Tao na Hindi Nakakaya ng AI
Mga Karapatan at Etika
Pumili ng mga pagtutol na makatawag ng pagtutol. Magtungo sa pagtutungo sa mga interes ng mga nangungunang tagapangasiwa.
Konteksto at Pagtutok
Ilagay ang kaalaman ng organisasyon, pagkakaroon ng kaalaman sa mga relasyon, at pagtutungo sa mga katangian ng sitwasyon.
Tanggapan
Ang pagtutok sa pagpapasya. Maging ang tao sa-loop na kinakailangan ng mga tagapagpasya at mga nangungunang tagapangasiwa.
Ang Netflix ay nagbigay ng isang perpektong halimbawa. Ang kanilang engine ng rekomendasyon (AI) ay nagproseso ng mga patakaran ng pagmamanman para sa 300 milyong mga tagasubaybay. Nangako ito na ang House of Cards ay magiging matagumpay bago ang isang single episode ay nakapag-film. Ngunit ang mga tao — ang mga tagapangasiwa ng studio — ang gumawa ng tunay na desisyon upang magbigay ng pahintulot sa $100 milyong produksyon. Ang AI ay naghanap ng kognitibong pagtanggap ng deteksiyon ng mga pattern; ang mga tao ay naghanap ng accountability.
80% ng kontento na pinanuod sa Netflix ay nagmula sa engine ng pagrekomenda. Ngunit tinatanggihan ng Netflix na "tao, hindi makina, ang mga nangungunang tagapasya."
Ang 2025-2030 na Wave ng Pagtanggap
Ang Desisyon Intelehensya ay lumipat mula sa teoryang akademiko patungo sa pag-angkop sa korporasyon nang mas mabilis kaysa sa karamihan ng mga disiplina:
Kasalukuyang Katayuan (Gartner, 2025)
- 33% ng mga organisasyon ay may nakapag-deploy na na DI
- 17% ay nakipagpangako ng pagpapatest sa loob ng 6 buwan
- 19% ay nangangalangin sa pag-deploy sa loob ng 6-12 buwan
- 25% ay nag-aaral para sa 12-24 buwan
- Kapalit 7% ay nagsabi na walang interes
Pangunahing Proyeksi ng Pabahaan
Ang 2025 Gartner AI Hype Cycle ay nakikilala ang Decision Intelligence bilang isang transformational technology — na nangangahulugang ito ay nasa 5-20% ng kasalukuyang paggamit sa pagitan ng mainstream maturity na inaasahang magiging 2-5 taon. Ang mga organisasyon na gumagawa ng DI capability ngayon ay magkakaroon ng mga mas mahusay na proseso at organisasyon na expertise sa oras na ito ay magiging table stakes.
Mula sa Pagtutulungan sa Pagpapasya Hanggang sa Intelektwal na Pagpapasya
Kung nagbasa ka ng aming Tulayang Pagsasama ng Pagpapasya, makikilala mo ang pangunahing basehan ng DI:
Ang Nakatayong Pagpapalawak (CDM) ay Nakatayo
- Ang mga magkakaibang pananaw ay lumalabas sa pagtatalo ng pagtutok ng isang indibidwal (Condorcet, 1785)
- Ang seguridad ng pisikal ay nagpapahintulot sa pagpartisipahan ng mga pananaw (Google Project Aristotle)
- Ang mga yugto ng pagbabago ng pagkakaiba-iba ay nagpapalakas sa pagtalakay ng grupo
- Ang mga bias ng kaisipan ay maaaring maiwasan gamit ang mga istrukturang mga framework
Ang Ginagamit ng DI
- Pagsasama ng teknolohiya ng AI: Pagtanggap ng mga halimbawa ng impormasyon na hindi maaaring pag-aralan ng tao
- Pagmamanang kausal: Pagmamanang kaugnay ng mga kaugnayang sanhi- epekto para sa pag-aanalisa ng 'what-if'
- Loob-loobing ng feedback: Sistematikong pagpapantay ng mga resulta ng pagpapasya
- Pagsasamang pang-automasyon ng pagpapasya: Mga pagpapasyang pang-regular na pinangasiwaan ng tao sa pamamagitan ng AI
Isipin mo ito ng ganito: Ang CDM ay ang tao-tulad na pangunahing base; ang DI ay ang sistema na pinatibay ng teknolohiya sa ibabaw ng pangunahing base na iyon. Hindi mo maaaring magkaroon ng magandang DI nang walang mga prinsipyo ng pagtutulungan sa pagpapasya. Pero puwede mong palawakin ang kapangyarihan ng CDM nang malaki sa pamamagitan ng pagdaragdag ng mga kakayahan ng DI.
Paano Ginagamit ng Argumentree ang Karunungan sa Pagpapasya
Ang Argumentree ay nagpapakita ng mga prinsipyo ng Desisyon Intelektwalidad sa mga tunay na pagpapasya ng organisasyon. Sa halip na tratuhin ang mga pagpapasya bilang mga isang-eksperimentong pangyayari, ang platform ay gumagawa ng isang patuloy na pag-aaral na sistema:
Ang resulta: bawat desisyon ay naging pagkakataon sa pagtuturo. Ang mga team ay gumagawa ng alaala ng organisasyon. Ang mga bagong miyembro ay makakaintindihan hindi lamang ano ang naidesisyon, kundi bakit — at kung ang pag-iisip ay tumutustig sa katotohanan.
Ang Kompletong Guía
Ito ang post na naglalaman ng mga pangunahing bagay tungkol sa Decision Intelligence. Para sa pagsusuri ng buong pag-unawa, kabilang ang kabuuan ng framework architecture, mga pattern ng implementasyon, mga template ng causal diagram, at pag-integrasyon sa mga kasalukuyang BI/DS infrastructure — tingnan ang ating pinakamahalagang pinagkakatiwalaang pinagmumulan:
Ano ang Decision Intelligence?
Ang kumpletong guro ng pagtuturo
5,000+ salita na kumakubkob sa buong framework ng DI: pinagmulan, arkitektura, mga pamamaraan sa pagtataglay ng kausal, mga anyo ng integrasyon ng AI, implementasyon sa organisasyon, at ang mga pananaliksik sa lahat nito.
Basa ang Puno ng Guia