当数据很少时，我们会提醒自己不要急于下结论。然而，当大量数字和记录积累起来时，我们很容易觉得：“既然有这么多材料，答案一定很明显。”更多的观察确实会增加我们能够知道的东西。但数据量增加，并不等于其意义会变得唯一。测量了什么、没有测量什么，以及考察了哪个时间段，都会使从同一组数据中得出的解释发生变化。
例如，假设某项服务的使用时长在一个月内增加了。我们可能会想把它解释为“用户满意度提高了”。然而，虽然使用时长的增加可以被观察到，仅凭数字并不能确定其原因。可能是新功能很方便，也可能是界面变得更复杂，因而需要更长时间操作。仅仅把观察到的变化与对这一变化的解释区分开来，就会显著改变接下来的研究问题。
在研究中，从观察走向假设本身是必要的。问题不在于提出假设，而在于假设在不知不觉中取得了与观察事实相同的地位。一旦我们认定“这就是原因”，就更容易按照符合这一解释的方式去解读之后的数据。考虑其他解释的空间会缩小，反面的证据也可能被当作例外。过早的确定不仅可能结束一项调查，还可能使我们接下来选择观察什么产生偏差。
当AI支持研究和调查时，这个问题会变得更加重要。AI可以整理大量材料、提取共同点，并迅速提出可能的解释。这种能力很有用，但整理后的解释越流畅，假设就越可能看起来像已经得到验证的结论。AI处理了大量信息这一事实，并不意味着它的解释是唯一的。处理量与结论的确定程度需要分开考虑。
因此，把观察、解释、假设和验证结果视为不同阶段是有帮助的。观察说明记录了什么；解释说明如何理解这些记录。假设是解释多个观察结果的一种候选方案，而验证则检验这种候选方案在多大程度上得到支持。如果不把这些阶段混在一起，即使一个假设很有力，也可以保留“还有什么需要确认？”这个问题。
暂时保留一个结论，并不意味着无限期地回避决策。根据调查目的，有时必须在信息有限的情况下选择行动。即便如此，说“根据目前的证据，这一解释得到的支持最多”，与说“这就是唯一的真相”仍然不同。保留暂定性，就能在新证据出现时更新判断。确定性的强度应当与证据的状态相匹配。
无论对人类还是AI来说，保留一些未知的部分都需要勇气。完整的解释会带来安心，但研究的价值不在于它多快让我们安心，而在于一种解释能在多大程度上经受现实的检验。如果一个假设在出现反面证据时会崩塌，那么最好不要隐藏这种可能性。保持可验证状态并不会使结论变弱；它会让结论之所以有力的依据更加明确。
Sai＊aus在支持调查时，目标同样不只是从大量信息中迅速得出一个结论。如果能够区分什么是观察到的、哪里加入了解释、什么仍然是假设，人类就可以选择接下来需要确认什么。AI的整理能力可以不用于封闭结论，而用于让验证的入口变得可见。
数据增加，并不会自动让真相变得唯一。增加的是用来检验现实的材料。如何从这些材料中构建解释，会受到前提和解释方式的影响。因此，研究所需要的不是怀疑数据本身，而是不丢失从数据走向结论的路径。不急于把结论固定为现实，而是让它保持能够通过验证加以修正的状态，这样才能把信息的丰富转化为理解的深度。
不是答案，而是理解。