三个条件同时在场时力量最大
校准估计和信息价值分析的力量集中在一个具体的困境里：决策必须做，关键变量的不确定性很大，组织里没有人尝试过量化它们。
三个条件同时成立时，AIE 的每一步都能咬住问题。
变量必须影响一个有后果的决策——不是"了解一下挺好"，而是"知不知道会导致不同的行动"。
当前的不确定性范围要大到跨越决策阈值。你站在两个选项之间，不知道该走哪边。
组织在这个变量上处于信息真空——没有现成数据，没有可靠的历史记录，甚至没人试过估计。
IT 安全投资、品牌价值评估、环境政策的长期影响——Hubbard 做过的案例几乎全落在这个交叉区域。行业各异，共同特征只有一条："重要、不确定、没人碰"。
信息真空这个条件容易被忽略。有些变量不确定性大、决策后果重，但组织其实有零散的相关数据，只是没汇总过。这种场景用数据清洗加统计分析就够了，不需要绕道 AIE。AIE 的独特起步能力在于：连零散数据都没有的时候，它仍然能从校准估计出发。
离开这三个条件越远，边际收益越薄。
变量不影响决策，测了白测。不确定性本来就小，校准估计的收益不如直接拍板。已经有大量可靠数据，传统统计分析比走一遍 AIE 更快。
四种看起来该测但不该硬套的场景
有些问题看起来像"不可衡量的变量需要量化"，但硬套 AIE 反而浪费资源或产生误导。
没有真实决策挂钩的变量。 如果不管测出什么，下一步都不会变，EVPI 等于零。"了解一下"不是决策，"老板想看个数"也不是。启动校准估计之前先问一句：如果明天知道了精确值，我的行动会不同吗？
答不上来就先停。
精度需求超出校准估计能力的场景。 校准估计擅长把"完全不知道"缩小到"大致范围"。如果决策需要区分 72.3 和 72.4 的差异，需要的是精密测量或大样本统计。硬用校准区间去追求点值精度，拿到的数字既不精确，也不比传统方法便宜。
估计者对目标领域完全没有判断基础。 校准训练能让有经验的人给出更准确的区间，但不能给无经验的人凭空创造知识。先验信息接近空白时，后续贝叶斯更新完全依赖外部数据，AIE 用少量观察快速缩窄范围的效率优势就消失了。
已经有成熟测量体系的变量。 财务报表里的营收、工厂的产品合格率、网站的日活——这些有标准化采集方法的变量，不需要绕道 AIE。AIE 填的是测量体系的空白区，不是替代已有体系。
识别这些场景的价值在于，把有限的校准精力和数据收集预算留给 AIE 能发挥作用的地方。
场景对了，最常在这三步走偏
跳过校准直接估计。 最常见，也最危险。未经校准的 90% 置信区间，实际覆盖率通常只有 50%-70%。整套方法建立在"校准后的区间是可信的先验"这个前提上。跳过校准，后面每一步的输入都偏了——EVPI 算不准，更新方向可能错，决策建议的确定性被人为高估。
几个小时的校准训练就能把覆盖率拉回正常范围。问题不在难度，在优先级——多数团队把校准当成"有时间再做的准备工作"。
一个简单的检验：问问参与估计的人，上一次做校准练习是什么时候。答案是"从来没做过"或"记不清了"，这个前提就已经不成立。
信息价值计算被直觉替代。 管理者凭直觉判断"哪个变量最重要"，直接把资源砸上去。Hubbard 反复发现，直觉优先级和 EVPI 排序经常不一致。某个大家觉得最关键的变量可能 EVPI 很低——不确定性虽大，但无论真值落在哪，最优决策都不变。另一个看起来次要的变量反而 EVPI 最高，因为它刚好横跨决策阈值。
跳过 EVPI 直接测量，最可能的结果是资源花在信息价值低的地方，同时继续忽略值得测的变量。Hubbard 把这叫"衡量倒置"。
把"减少不确定性"偷换成"追求精确数字"。 校准估计给出的是范围。有些使用者拿到范围之后追问"到底是多少"，这就滑回了旧定义——衡量等于精确计数。结果要么是投入超过信息价值的资源去缩窄已经够用的范围，要么放弃范围估计，退回"不精确就不算数"。
范围够不够用只有一条标准：能不能区分不同的决策选项。范围已经完全落在决策阈值的一侧，就够了。不需要更窄。
空转的几个信号
以下信号反复出现时，说明 AIE 的外壳在运转，但不确定性没有在减少。
更新之后范围不缩窄。 收集了新数据、做了贝叶斯更新，范围却没有明显变化。三种可能：数据和先验高度一致（不需要继续测了）、数据质量有问题、先验本身是空白。三种原因指向三种不同的下一步。但如果团队什么都不检查，只是机械地"收集—更新—收集—更新"，空转就开始了。
EVPI 算完了但没人按它排序。 信息价值分析做完了，结果和管理层直觉不一致，于是被搁置。团队按原来的优先级测量。EVPI 变成汇报用的数字，不影响资源分配。
校准只做了一次。 校准水平会退化，换到不熟悉的领域时尤其明显。团队只在最初做过一轮，之后再没检查覆盖率，精度可能在走下坡，但没人知道。
估计者开始给"安全"区间。 发现区间越宽越不会被挑战，于是所有人都给极宽的范围。表面上是承认不确定性，实际上是放弃了缩窄不确定性的努力。校准训练的目标是让区间既不过窄也不过宽；如果所有人的区间都宽到失去区分力，校准已经在反向退化。
衡量变成了合规仪式。 "我们已经量化了这个变量"——但量化结果既没缩窄过不确定性范围，也没改变过任何决策。做了，汇报了，归档了。没有一个决策因为这个估计走了不同的路。
遇到这些信号，该做的不是加大测量力度，而是退回去检查前提：有没有真实决策在等结果？信息价值算过没有？校准还可信吗？如果三个问题的答案都不确定，停下来比继续空转损失更小。