當資料很少時，我們會提醒自己不要急於下結論。然而，當大量數字和紀錄累積起來時，我們很容易覺得：「既然有這麼多材料，答案一定很明顯。」更多的觀察確實會增加我們能夠知道的事物。但資料量增加，並不等於其意義會變得唯一。測量了什麼、沒有測量什麼，以及考察了哪個時間區間，都會使從同一組資料中得出的解釋有所不同。
例如，假設某項服務的使用時間在一個月內增加了。我們可能會想把它解釋為「使用者滿意度提高了」。然而，雖然使用時間的增加可以被觀察到，僅憑數字並不能確定其原因。可能是新功能很方便，也可能是介面變得更複雜，因此需要更長時間操作。僅僅把觀察到的變化與對這一變化的解釋區分開來，就會大幅改變接下來的研究問題。
在研究中，從觀察走向假設本身是必要的。問題不在於提出假設，而在於假設在不知不覺中取得了與觀察事實相同的地位。一旦我們認定「這就是原因」，就更容易按照符合這一解釋的方式去解讀之後的資料。考慮其他解釋的空間會縮小，反面的證據也可能被視為例外。過早的確定不僅可能結束一項調查，還可能使我們接下來選擇觀察什麼產生偏差。
當AI支援研究和調查時，這個問題會變得更加重要。AI可以整理大量材料、提取共同點，並迅速提出可能的解釋。這種能力很有用，但整理後的解釋越流暢，假設就越可能看起來像已經得到驗證的結論。AI處理了大量資訊這一事實，並不意味著它的解釋是唯一的。處理量與結論的確定程度需要分開考慮。
因此，把觀察、詮釋、假設和驗證結果視為不同階段是有幫助的。觀察說明記錄了什麼；詮釋說明如何理解這些紀錄。假設是解釋多個觀察結果的一種候選方案，而驗證則檢驗這種候選方案在多大程度上得到支持。如果不把這些階段混在一起，即使一個假設很有力，也可以保留「還有什麼需要確認？」這個問題。
暫時保留一個結論，並不意味著無限期地迴避決策。根據調查目的，有時必須在資訊有限的情況下選擇行動。即便如此，說「根據目前的證據，這一解釋得到的支持最多」，與說「這就是唯一的真相」仍然不同。保留暫定性，就能在新證據出現時更新判斷。確定性的強度應當與證據的狀態相匹配。
無論對人類還是AI來說，保留一些未知的部分都需要勇氣。完整的解釋會帶來安心，但研究的價值不在於它多快讓我們安心，而在於一種解釋能在多大程度上經受現實的檢驗。如果一個假設在出現反面證據時會崩塌，那麼最好不要隱藏這種可能性。保持可驗證狀態並不會使結論變弱；它會讓結論之所以有力的依據更加明確。
Sai＊aus在支援調查時，目標同樣不只是從大量資訊中迅速得出一個結論。如果能夠區分什麼是觀察到的、哪裡加入了詮釋、什麼仍然是假設，人類就可以選擇接下來需要確認什麼。AI的整理能力可以不用來封閉結論，而用來讓驗證的入口變得可見。
資料增加，並不會自動讓真相變得唯一。增加的是用來檢驗現實的材料。如何從這些材料中建構解釋，會受到前提和詮釋的影響。因此，研究所需要的不是懷疑資料本身，而是不丟失從資料走向結論的路徑。不急於把結論固定為現實，而是讓它保持能夠透過驗證加以修正的狀態，這樣才能把資訊的豐富轉化為理解的深度。
不是答案，而是理解。