大語言模型為商學研究者提供兩類杠杆：用於社會模擬的合成決策者，以及用於大規模實證分析的預測標籤。然而AI輸出存在系統性偏差，難以滿足嚴謹的統計或理論標準。本講座主張：校準能將豐富但不完美的AI轉化為可信的研究工具，並在實證流程的兩個階段闡釋這一原則。在事前模擬階段，我們將行為理論轉譯為結構化的大語言模型提示詞，以有限人類資料校準，並在結果與推理層面驗證對齊；校準後的智能體複現了觀察學習與「11-20」金額請求博弈的行為假說，並實現樣本外泛化。在事後推斷階段，經校準的大語言模型增強雙重機器學習框架（Aug-DML）融合稀疏實驗標籤與豐富的大語言模型偽標籤；在僅1%標注資料下，其因果估計MAPE較標準DML最高可降低32%，同時保持95%覆蓋率。兩個階段共同勾勒出一條路徑：AI對商學研究的最大價值不在於替代理論或實驗，而在於在實證流程的恰當環節充當經校準的補充。