AI 经验陷阱：突破性创新需要的是战略思维

导读：在AI技术浪潮席卷全球商业环境的当下，一个关键问题浮出水面：人工智能是否将取代企业战略决策者？牛津大学的Teppo Felin教授提出了令人深思的观点，挑战了当前"算法终将主宰决策"的流行论调。本文将深入探讨AI（特别是大型语言模型）的本质与局限，剖析人类认知在战略决策中的独特价值，并思考AI时代企业战略的新范式。

诺贝尔经济学奖得主Daniel Kahneman曾在2018年做出惊人断言："只要有足够的数据，没有理由限制AI能做什么。你应该尽可能用算法替代人类。"这一观点代表了当前主流思潮：AI在国际象棋、围棋、外交等领域已超越人类，甚至在数学答题和医疗诊断方面表现出色，似乎预示着算法决策的全面胜利。

要评估AI在企业战略中的真正价值，我们必须首先理解其本质。大型语言模型（LLM）本质上是一种预测技术，通过分析大约13万亿个语言标记（tokens）的训练数据来预测下一个词的概率分布。这一数据量之庞大令人咋舌——据估算，人类需要200万年才能接触到如此海量的文本信息。LLM学习的是词汇间的统计关联，在一定的上下文窗口中分析词序和上下文关系。

这种技术的强大之处在于能够生成流畅的文本，但其"认知"存在根本性局限。Felin教授提出了一个引人深思的实验：如果在1633年伽利略时代存在LLM，并且它接受了当时所有科学文献的训练，它会如何评价伽利略的日心说？答案几乎毫无疑问——它会坚定地认为伽利略错了，因为对LLM而言，"真相"等同于其训练数据中某种说法出现的频率。在伽利略时代，科学共识、观测数据甚至日常经验全都支持地心说，而非日心说。

这一实验揭示了AI决策的关键盲点：我们不总是需要更多数据，有时我们需要的是正确的理论、正确的实验和正确的数据。LLM的根本局限在于它仅能镜像其训练数据，无法进行真正的前瞻性思考。虽然它可以模仿与推理相关的词汇，但多项研究表明，当稍微改变经典推理任务的措辞时，LLM往往会完全失败，表明它并非在进行实际推理，而是在重复训练数据中的模式。

在企业环境中，这种局限性与Erik Brynjolfsson提出的"IT生产力悖论"相呼应：企业在IT上的大量投资往往没有带来相应的回报。同样，通用AI技术往往产生通用输出，难以为企业创造差异化价值。这就引出了一个战略性问题：在什么类型的决策环境中，AI的数据驱动预测能够创造价值，而在什么环境中，我们仍然需要依赖人类独特的认知能力？

人类认知优势：超越数据的战略思维

1903年，科学界和公众聚集在华盛顿特区的河边，观看著名科学家Samuel Langley尝试飞行。当他的飞行器从坡道滑下直接坠入水中时，《The New York Times》及众多科学权威得出结论：人类飞行是不可能的。英国皇家学会主席Lord Kelvin断言："我明确指出，比空气重的飞行机器是不可能的。"著名天文学家Simon Newcomb认为："比空气重的机器飞行是不切实际的，无关紧要的，如果不是完全不可能的话。"

就在同年，两位自行车机械师——莱特兄弟成功实现了飞行。这一历史性突破揭示了人类认知的独特价值。莱特兄弟没有被科学共识和现有数据所束缚，而是基于一个看似不可能的信念：人类飞行是可行的，前提是我们能够解决升力、推进力和转向三个具体问题。

这种认知方式与爱因斯坦的洞见不谋而合："你能否观察到某物取决于你使用的理论。是理论决定了什么能被观察到。"人类决策者头脑中的理论框架引导着我们关注特定问题并寻找解决方案。如心理学家Kurt Lewin所言："没有什么比好理论更实用的了。"

更令人惊奇的是，人类能够利用相对稀疏的数据进行有效决策和创新。研究表明，人类每天接触约17,000个词汇，这与LLM的13万亿标记相比微不足道。然而，人类能够进行生成性语言创造和真正的创新思考，这一点LLM无法企及。原因在于人类不仅仅是在处理数据，而是在与环境进行互动实验，通过寻找正确的线索而非简单地处理海量信息来理解世界。

在狩猎等进化环境中，人类不是通过处理所有可能的数据来追踪猎物，而是寻找关键线索。同样，婴儿不仅被动接收输入，还主动实验他们的环境。这种实验和数据创造的能力是人类认知的独特之处，也是任何决策者或高管在面对不确定性时所运用的能力。

这种能力的另一个关键方面是情感和信念的作用。莱特兄弟对飞行的热情驱使他们反抗当时的科学共识。这种激情与数据分析能力的结合，使人类能够在面对看似不可能的挑战时坚持不懈，这是AI在设计上所缺乏的关键因素。

创新战略与颠覆性商业模式的AI盲点

如果在2007年将Airbnb的商业理念输入一个基于历史数据训练的LLM，结果会如何？著名风险投资家Fred Wilson（Twitter和Kickstarter的投资人）在收到Airbnb的商业计划时断言："这只适合背包客和嬉皮士。"酒店行业专家认为这不是一个可行的商业模式。

如果在当时问大多数人，他们是否愿意将自己的家租给陌生人，或在旅行时住在陌生人家中，答案很可能是否定的。没有历史数据支持这一商业模式的可行性。然而，通过分解并解决三个关键问题——信任、匹配和交易风险，Airbnb创造了一个市值超过1000亿美元的企业，彻底改变了人们的旅行方式。

这个案例揭示了基于历史数据的AI在预测颠覆性创新方面的根本局限。创新往往意味着创造此前不存在的数据，改变消费者行为和市场格局。就像莱特兄弟一样，Airbnb的创始人没有被现有数据所束缚，而是专注于解决特定问题，通过实验创造新的可能性。

对企业而言，这一洞察具有深远的战略意义。通用AI技术产生通用输出，难以为企业创造差异化价值。真正的战略价值来自于企业特定的应用，如利用检索增强生成(RAG)技术将企业特定知识整合到AI应用中。企业领导者需要思考：AI如何成为解决企业独特问题的变量之一，而非简单地追随技术潮流？

这种思考方式要求我们超越简单的数据驱动决策，转向理论驱动的战略思维。在稳定环境中，历史数据可以很好地预测未来；但在创新环境中，理论构建、假设检验和实验能力变得至关重要。这正是人类认知相对于AI的独特优势所在。

我们不应当过度依赖或完全拒绝AI，而应当理解其适用的决策领域，并在相应环境中有效部署人类智慧或AI工具。这种平衡需要我们重新思考AI在企业战略中的角色：不是简单的替代品，而是增强人类决策能力的工具。

AI时代的企业战略：混合决策模式与竞争优势

在当前对AI的热情中，一个关键问题被忽视：在什么类型的决策环境中，AI能够创造价值，而在什么环境中，人类认知仍然至关重要？牛津大学的Matthias Holweg教授指出，对于常规操作决策——那些过去能够很好地映射未来的环境——AI的数据驱动预测非常有效。但对于创新战略决策，人类的前瞻性思维仍然不可替代。

未来的企业战略将越来越依赖于人类-AI混合决策系统。这种系统中，AI提供数据分析和预测支持，而人类提供创造性思维、情感判断和理论构建。关键在于设计这种混合系统的原则：如何在企业中有效区分不同类型的决策环境，并相应地部署人类智慧或AI工具？

首先，企业需要理解AI的潜力与局限。通用AI应用将变得越来越普遍，但真正的竞争优势来自企业特定的应用。检索增强生成(RAG)等技术允许企业将通用语言能力与企业特定知识结合，创造独特价值。这要求企业思考：我们如何将AI整合为解决企业独特问题的一个变量？

其次，企业需要培养组织的前瞻性思维和实验文化。莱特兄弟和Airbnb的案例表明，突破性创新往往来自于那些能够超越现有数据，基于理论构建和问题解决进行实验的组织。这种能力在AI时代变得更加重要，而非更不重要。

最后，AI时代的战略领导力需要一种新的思维模式。领导者需要明白，真正的战略思维不仅关乎预测未来，更关乎创造未来。在稳定环境中，AI的预测能力可以创造巨大价值；但在创新环境中，人类的理论构建、问题分解和实验能力仍然是不可替代的核心竞争力。

最成功的企业将是那些既能利用AI的预测力量，又能保持人类独特创造性的组织——他们不仅能看见当前的数据，还能想象尚不存在的可能性。在这种混合决策模式中，AI不是人类决策者的替代品，而是强大的合作伙伴，共同应对未来的战略挑战。

在AI快速发展的时代，企业战略决策者面临着重新思考人类认知与人工智能各自价值的挑战。通过理解AI的预测本质与局限，认识人类前瞻性思维的独特价值，企业可以构建更有效的混合决策系统，在数据驱动预测与创造性战略思维之间找到平衡。真正的竞争优势不在于简单地采用最新AI技术，而在于理解何时依赖数据，何时超越数据，以及如何将AI整合为解决企业独特问题的一个变量。这种平衡将定义AI时代的战略领导力，引领企业在不确定性中把握机遇，创造未来。