企業透過新工具不間斷整合見解，有效提升判斷品質
AI Is Revolutionizing Strategic Decision-Making
新一代的AI工具，特別是大型語言模型（LLMs）與延伸建構的多代理（multiagent）系統，都不只是現有規畫工具包的補充，而是能夠直接鬆綁認知限制的技術；在過去，正是這些認知限制影響企業如何做出最重要的決策。AI能夠生成並篩選幾千種策略選項，而人類團隊能想得到的或許只有其中寥寥數種。AI也能打造並持續更新模擬市場、顧客與競爭對手的模型，而這些模型也遠比所有的靜態架構更為豐富、動態。AI也能透過模擬審議來測試想法，整合多元觀點、挑戰既有假設，並且無須擔心團體迷思、層級關係與時間壓力等干擾現實策略會議的因素。 簡言之，AI能「鬆綁」過去策略流程上的種種限制。當然，這些限制沒有被消除，但已經大幅放寬。至於放寬到什麼程度，則是影響重大，遠非效率提升所能含括：一旦你有更多選項能探索，就能找到更好的前行道路；一旦你提高環境建模的解析度，就能看到更多機會與威脅；一旦你能模擬競爭對手、心存疑慮的顧客、持續唱反調而不知疲倦的人，以對計畫進行壓力測試，就能讓決策更有韌性。企業如果掌握這種新的工作方式，不僅能提升策略制定的速度，更能改善它的「品質」，打造下一代的競爭優勢。 我研究策略決策，也投入大量時間研究AI如何執行核心的策略任務。而在最近的實驗當中，我和同事發現，在經驗豐富的投資人看來，LLM生成的商業計畫，評等已經超越真人創業家在新創加速器與商業計畫競賽中的提案。或許更驚人的是，就連在評估商業計畫的時候，AI的評估結果也比個別投資人的評估更貼近投資人評審團的平均判斷，顯示AI既能大規模生成策略選項，還能夠以高於人類專家的一致性來加以評估。這些發現並不代表AI已經準備好要取代你的策略團隊，但確實代表策略核心的認知工作已經不再由人類獨占。 在這篇文章，我會談談這種轉變在實務上的意義。第一，我會描述AI改變策略流程的3種方式，並舉出已經這麼做的企業來說明。第二，我會談談那些心存懷疑的人自然想問的問題：要是所有企業都能用同一套AI，它要怎麼成為競爭優勢的來源？我也會解釋企業如何透過AI增強的策略能力，打造持久的競爭護城河。最後，倘若領導人想要開始重新設計組織的策略決策流程，我也會提出一套實用的行動指南供他們參考。 AI擴展策略思維的3種方式 要了解AI能帶來怎樣的變化，可以先想想自己的組織在制定策略時需要做哪些事。任何策略決策的核心，都涉及三大認知任務：「搜尋」可能的行動方案，為這些行動所處的環境「建立表徵」〔編按：表徵（representation）意指環境的模型〕，最後則是「整合」決策相關各方的判斷。以下讓我們依序討論。 從只有幾個選項到幾千個選項。任何策略制定流程都會遇上最直接的限制，就是選項的搜尋：你的團隊能找出多少方案來評估？對大多數組織來說，答案都少得出乎意料。一輪典型的策略規畫，可能會提出十幾個想法，然後再縮小到3、4個，最後團隊成員把大部分精力花在這些決選方案的討論上。然而，絕大多數的可能性從未得到探索——這並非因為它們沒有發展潛力，而是人類團隊沒有足夠的時間與量能來探索。 我的研究顯示，AI真正帶來的突破，在於生成與篩選選項的成本大幅下降，讓組織能夠探索更多可能性。從各種併購案就能清楚見到這樣的轉變。麥肯錫（McKinsey）就記錄過一項案例：有軟體公司使用一套生成式AI偵察系統，將語義搜尋功能結合超過4,000萬家上市與私有企業的資料庫。該系統運用各項專利、申報文件、專家訪談逐字稿，以及其他結構化與非結構化資料，不到一天就找出超過500個收購標的並加以評分，接著將名單縮小到15個高潛力對象，最在幾個月內協助完成3件收購案。 這裡的重點還不只在於速度，而在於「尋找選項」的意義已經出現了實質變化。企業不再需要請團隊集思廣益，找出可能的標的，而是能幾乎完整掃描整個相關領域、同時採取多重策略視角，並建立一份過去任何流程都無法產出的決選名單。對領導人來說，這件事的啟示相當明確：如今要做出任何重大策略選擇（收購、進入新市場、產品組合決策），都該先要求AI系統依據你設定的過濾條件，生成一份遠比團隊平常會考慮的還要廣泛的選項清單。真正需要讓團隊運用判斷力的，應該是最後的決選名單，而不是剛開始的初選名單。AI負責擴大搜尋範圍，而人類負責做出選擇。 策略決策的瓶頸所在，從來就不是缺少可能的方向，而是人類能投入這項工作的心理量能非常有限。 從靜態架構到動態模型。第二項限制在於表徵的建立：你的組織是如何打造營運環境的模型？大多數企業現在的做法，就是結合各種架構、試算表與季度報告。然而，這些工具雖然實用，本質上仍然相當靜態與簡化；雖然能掌握最重要的動態，卻必然遺漏大量的細微差異、背景與即時變化。 有了AI，就能建立一個更為豐富且動態的表徵。螞蟻集團（Ant Group）旗下的數位放貸機構「網商銀行」（MYbank）就是個很好的例子。傳統銀行如果要評估小型企業的信用，只會看像是營收、抵押品、信用紀錄等少數幾個變項。然而，許多小型企業就是欠缺其中一項、甚至多項資料，於是有高達數百萬家小型企業落入「無法評分」的窘境，因此無法取得融資。網商銀行以AI系統取代了這樣的陽春模型，運用超過3,000個變項（整合了交易資料、供應鏈關係、企業網絡資料，甚至是衛星影像），推出所謂的「3-1-0」模式：3分鐘申貸，1秒鐘放款，全程零人工干預。目前網商銀行已向超過5,300萬家小型企業提供信貸，其中72％都是首次貸款，而違約率大約1％。 這裡的策略洞見，在於一旦將低解析度的環境模型改成高解析度，後續會有怎樣的影響。使用這套AI系統，網商銀行不只會提升服務既有客戶的速度，更能看到一個全新的客群：足足有幾千萬家值得放款的借貸客戶，是使用舊模型的傳統銀行無法看見的。 同樣的邏輯，也適用於任何還在使用舊時代模型來模擬需求、供給或競爭動態的企業。以聯合利華（Unilever）的冰淇淋業務為例。現在聯合利華不再依賴落後於市場變化的季度預測，而是打造出一套AI模型，整合天氣機率、需求訊號，以及來自35家工廠共約300萬台連網冷凍櫃的遙測資料。如此一來，公司能夠不斷更新當下的資訊，了解哪裡的需求正在成形、哪裡的供給又可能不足，為市場建立一個動態的表徵，讓管理者能夠即時介入，而不是事後被動反應。聯合利華表示，有了AI冷凍櫃生成的重要資訊，該公司在瑞典的預測準確率提高了10％，在部分地區更帶動銷售額成長高達3成。 對領導人而言，實際的步驟會是：找出組織的一兩個策略模型（市場地圖、顧客區隔、競爭定位），並了解AI能否讓這些模型變得更豐富、更即時、更細緻。多數情況下，答案都會是肯定的。這樣一來，真正的回報絕不只是得到更好的資訊，而是能看到目前模型無法顯示的機會與風險。 從團體迷思到結構化的挑戰。第三項限制則在於整合：你的組織是怎樣將許多人的知識與判斷整合成一項決策？理論上，多元的團隊應該能做出比任何單獨個人更好的決策。但在實際上，策略會議往往受到層級、政治、個性與時間限制的左右。位階最高的人，他所表達的看法擁有不成比例的影響力；提出異議可能有風險；團隊也太急著得到共識。 AI則提供了另一種辦法。組織現在不需要把一群發言動機各不相同的人都塞進同一間會議室，而是能夠安排所謂的「合成審議」（synthetic deliberation）：透過由AI推動的審議流程，對各種構想進行壓力測試，而不會受到團體互動因素的干擾。 
閱讀完整內容
