大语言模型为商学研究者提供两类杠杆：用于社会模拟的合成决策者，以及用于大规模实证分析的预测标签。然而AI输出存在系统性偏差，难以满足严谨的统计或理论标准。本讲座主张：校准能将丰富但不完美的AI转化为可信的研究工具，并在实证流程的两个阶段阐释这一原则。在事前模拟阶段，我们将行为理论转译为结构化的大语言模型提示词，以有限人类数据校准，并在结果与推理层面验证对齐；校准后的智能体复现了观察学习与“11-20”金额请求博弈的行为假说，并实现样本外泛化。在事后推断阶段，经校准的大语言模型增强双重机器学习框架（Aug-DML）融合稀疏实验标签与丰富的大语言模型伪标签；在仅1%标注数据下，其因果估计MAPE较标准DML最高可降低32%，同时保持95%覆盖率。两个阶段共同勾勒出一条路径：AI对商学研究的最大价值不在于替代理论或实验，而在于在实证流程的恰当环节充当经校准的补充。