一位制造业经营者在一次内部会上说了一句让在座所有人安静下来的话。原话是：
「我们现在完成了巨额的数字化，但并没有把数字资产转移为公司的经营资产。」
他不是在讲概念。他手上有两笔账。一款抽屉收纳箱卖了两千个，数据系统里全都有记录，但没有任何人跟进过这个信号——为什么是它卖起来了、要不要追单、能不能扩品。另一笔更重：一块跨境业务亏了一年半才被发现，账面数据一直都在，但没有人把它读成一个需要决策的信号。
他们不缺数据。他们缺的是数据与判断之间那一层：谁看了、看出了什么、据此做了什么决定、后来结果怎样。
这一层如果没有被记录下来，那么无论积累了多少 TB 的数据，公司的判断能力都不会因为时间而增长。人走了，判断就跟着走了。系统换了，经验就归零了。
企业的判断能力第一次可以被当作资产来管理——但会计制度还没跟上，多数公司连科目都还没有。本章给出判断资产的三张表：科目表、折旧表、增值表。
判断资产 = 判例料 + 偏好料 + 评测集 + 封装结构。
前两项来自智能密度体系的四类料。那套分类里，事实料（这个客户买过什么）和规则料（退款流程怎么走）几乎人人都有，判例料和偏好料几乎人人为零——正因为稀缺，它们才是资产。
一条判例料的字段大致是这样：
| 字段 | 内容 | 为什么必须有 |
|---|---|---|
| 情境 | 当时面对的具体情况与可得信息 | 没有情境的结论无法迁移 |
| 判断 | 做出的决定本身 | —— |
| 依据 | 为什么这么判，尤其是排除了哪些选项及原因 | 这是判例料区别于数据的唯一字段 |
| 判定人 | 谁做的这个判断 | 追溯与权重 |
| 时间 | 何时 | 判断有保质期 |
| 结果 | 后来发生了什么 | 没有结果的判例是死账 |
| 复盘 | 事后看，当初的依据是否成立 | 校准 |
七个字段里，「依据」和「结果」最常缺失，而它们恰恰是全部价值所在。缺依据，判例无法迁移到新情境；缺结果，判例无法校准，只是把过去的错误固化下来。
组织的"什么算好"与"我们不做什么"。它比判例料更隐蔽，因为它通常从不被写下来——它活在创始人的直觉里、活在"这个不行，你懂的"这句话里、活在一次次被否决的方案里。
判断偏好料存量的方法很简单：问三个人同一个问题，看答案是否一致。 比如"我们接不接这种客户"，如果三个中层给出三种答案，说明偏好料存量为零，AI 系统只会把这种不一致原样放大。
一组带标准答案的样本，用来回答"这个判断服务现在的错误率是多少"。
评测集是唯一能给其他三项资产估值的东西。没有它，判例料的质量无法评估，封装结构的改进无法验证，偏好料是否被正确表达无从检验。第八章会论证：它同时也是这个市场上最稀缺、最没有人愿意先出钱建的东西。
判断的可执行形态——提示词体系、Skill 文件、工作流、审批规则。它是把前三项装进机器的容器（AMS 的 F21 把它作为治理对象）。
四类里它最容易被误当成核心资产，实际上它折旧最快，原因见下一节。
判断资产的折旧率不由时间决定，由它依赖什么决定。判据是抗吞噬四问：
四问的答案决定折旧速度：
| 资产成分 | 依赖 | 折旧速度〔推断〕 |
|---|---|---|
| 通用推理型提示词 | 模型能力 | 快：按基础模型换代周期，当前约 6–12 个月，且在缩短 |
| 通用流程封装 | 公开规则 | 中：一旦成为行业标准即失去溢价 |
| 判例料 | 私域历史与依据 | 慢：几乎不随模型换代折旧 |
| 偏好料 | 组织的价值排序 | 慢：但随战略转向而失效 |
| 评测集 | 私域标注与判定标准 | 慢：需随业务变化增补 |
| 责任绑定（谁签字） | 制度与人 | 不折旧，但会随人事变动断裂 |
这条规则直接改写 AI 公司的估值逻辑：两家收入完全相同的 AI 公司，判断资产的折旧结构可以让真实价值差一个数量级。 一家的收入建立在一套很好的提示词上，另一家建立在三年积累的判例料与自持评测集上——前者的护城河宽度等于下一次模型更新的间隔。这条写成了可检验主张 J6。
判断资产是少见的可以越用越厚的资产类别，机制是认知复利：真实结果回来校准判断，校准后的判断回填为系统的上下文，下一次判断因此更准。
但这台复利引擎有一个必需的发动机：验收。
没有验收就没有结果记录，没有结果记录就没有判例料，没有判例料就没有校准。密度体系有一句话说得很干脆：好供料的唯一来源是验收在跑。
由此得到判断资产的第一定律：
验收停转之日，就是资产开始净折旧之时。
一项持续折旧、且维护费为正的"资产"，在资产负债表上应当计入负债。这就是负密度（核对成本超过节省）在财务上的样子——它伪装成资产，实际是负债。
这里必须补一条同样重要的警告，它来自那家制造企业的教训：只记判断不比对结果，判例料就是死账。
很多公司在推"决策留痕"时只做了前半程——要求员工写下自己的判断并提交。这确实产生了记录，但如果没有第二步（把记录与后来的真实结果比对），这些记录既不能校准 AI，也不能评估人，堆积几年之后只是一个没人看的文档库。留痕机制必须自带验证与审计环节，否则它生产的是纸，不是资产。
在同一批讨论里，有人问了一个看起来跑题的问题：
「我们为什么开会？其实我们开会是为了要那上下文的。」
顺着这句话往下推，会得到一个对判断资产很有用的结论。
人与人开会，本质上是在对齐彼此脑子里的上下文——你知道的我不知道，我判断的依据你没听过。会议之所以低效，是因为这个对齐过程无法沉淀，散会之后上下文又回到各自脑子里。
如果存在一个共享的判断记录，很大一部分同步性会议就可以取消。而剩下的会议，价值会从"传递信息"转向另一件事：生产新的、高强度的判断记录——把几个人脑子里说不清的默契，逼成可以写下来的依据。
这个推论的置信度我标为〔推断〕，它依赖一个尚未成熟的前提：共享上下文的工具好用到可以替代口头对齐。在这个前提成熟之前，会议的传统功能仍然不可替代。但方向值得记下：判例料最密集的生产现场不是系统日志，是那些原本就在发生的争论。
| 科目 | 盘点三问 |
|---|---|
| 判例料 | 过去一年的关键判断加结果，被结构化记录了几条？在谁手里？离职带得走吗？ |
| 偏好料 | "我们不做什么／什么算好"被写下来过吗？还是只在老板脑子里？问三个中层，答案一致吗？ |
| 评测集 | 每个在用的 AI 判断服务，有基线错误率吗？上次重测是什么时候？评测集在你手上还是在供应商手上？ |
| 封装结构 | 提示词与 Skill 有版本管理吗？依赖通用推理的比例多高（等于折旧率多高）？ |
盘点结论只需要回答一句话：模型换代明天发生，你的账面上还剩什么？
如果答案是"我们的提示词写得很好"，那么账面上剩下的接近于零。如果答案是"三年的判定记录、一套自持的评测集、以及几个知道为什么这么判的人"，那么你有一张真正的资产负债表。
反驳一：判例料就是换个名字的训练数据。模型厂商迟早会把这类数据吞掉——就像他们吞掉了所有公开语料一样。
这条反驳的前半句是错的，后半句值得认真对待。
前半句错在字段。训练数据的典型形态是输入与输出的配对：这个客户的情况是这样，最终决定是拒绝。判例料多了一个字段：为什么——排除了哪些选项、基于哪条没写在任何文档里的默契、当时最担心的风险是什么。这个字段无法从输入输出对里反推出来，因为同一个决定可以由完全不同的理由做出，而理由决定了它能不能迁移到新情境。
后半句的担心是真的：如果这些判断记录存放在供应商的系统里，它们确实会成为供应商的资产而不是你的。这不是技术问题，是合同问题——第六章的防绑定五条第一条就是"导出格式写进合同"，第三条是"评测集自持"。判例料的产权归属，取决于你在签合同那一天有没有想到这件事。
反驳二：这套东西的记录成本极高。要求每个人写下判断依据，等于给所有人增加工作量，而收益要几年后才出现。多数组织不会做，做了也会流于形式。
我同意大部分组织不会做，也同意形式化是最可能的结局。但反驳的落点应该是"怎么让成本降下来"，而不是"所以不该做"。
三条可行的降本路径〔推断〕：第一，只记高价值判断点——用第三章的 V 公式排序，前百分之十的判断点贡献了绝大部分价值，其余不记；第二，让记录发生在原本就要发生的场合（会议、审批、复盘），而不是新增一道流程；第三，用系统承担格式化工作，人只提供"为什么"这一句话。
至于形式化的风险，只有一个解药，而且它恰好也是本书的主题：让记录与后果挂钩。 一条无人验证的判断记录必然流于形式；一条会被拿来与真实结果比对的判断记录不会。这又回到了第一定律——验收是唯一的发动机。
智能密度体系提供四类料的分类与"好供料来自验收"的机制判断，本章的判例料与偏好料直接沿用其定义。
认知工程派提供三指标，是评测集这一科目的度量方法。
智能体管理学的 F21 把封装结构作为治理对象——版本、权限、生命周期怎么管是它的题目；本章只负责给它记账。
智能体时代的教育学关心这些资产如何在人身上生长（判断力、让渡力、验收力），本章关心它们如何在组织账面上积累。两者是同一件事的两个视角。