衝破認知框架！用AI驅動長贏決策

想想你上次的異地策略會議（strategy offsite）。你的團隊花了好幾個星期準備，讓大家都飛過來會合，也訂了會議室，還請來一位引導人。最後經過兩天討論，又真的能得到多少不同的策略選項？3個？4個？現在請再問問自己：這是因為真的只有3、4個好選項，還是團隊的時間與心理量能只能提出並評估這3、4個？

對大多數企業而言，後者才是誠實的答案。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。我們的大腦就是只能容納有限的資訊，每一輪策略規畫也只能評估有限的選項，而每一次的會議也只能處理有限的觀點，然後疲勞、政治或時間壓力就會逼迫我們做出決定。學者將這種情況稱為「有限理性」（bounded rationality），也就是人類決策者不論能力再強，還是會因為注意力、記憶力與處理能力的有限，而受到束縛。

這些限制再基本不過，所以常常被我們無視，但標準策略手冊裡的所有工具都會默默受到這些限制的影響。SWOT分析之所以有4個象限、成長／市占率矩陣（編按：BCG矩陣）之所以是2×2，以及麥可．波特（Michael Porter）最著名的架構之所以恰好分成五力，都不是因為競爭激烈的世界真的如此簡單，而是這些架構必須簡單到足以讓人類團隊在短短幾小時內把它們畫上白板。

過去幾十年間，這些是我們手上最優秀的架構，但如今已非如此。

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。

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。

這套機制可以很簡單，也可以很複雜。舉例來說，麥肯錫介紹過一種多AI代理工作流程：有「創作者」AI代理負責撰寫分析草稿，也有「批評者」AI代理有系統地提出挑戰。這樣一來，優秀的團隊原本必須親自進行嚴謹的反覆討論，現在透過這套流程就可以自動化進行。另一項更具雄心的做法，則是BCG亨德森智庫（BCG Henderson Institute）提出一種由LLM推動的策略演練，由AI代理來代表競爭對手、監管機構、顧客與其他利害關係人。不同於傳統以固定規則為基礎的模擬，這些AI代理的反應更難預測、也更類似真人，能夠逼迫管理團隊面對一些單憑己力可能永遠無法想像的情境。

來自寶僑（Procter & Gamble）的一項現場實驗，可說是提供了最嚴謹的證據，證明AI確實能提升「協作發想」的品質。這項研究調查了776名參與實際創新任務的商業與研發專業人員，發現使用AI的個人，其成果品質相當於不使用AI的兩人團隊平均水準。如果是使用AI的團隊，不但速度加快大約12％，也更有可能提出品質位於前10％的解決方案。或許最重要的是，AI減少了商業與研發專業人員各自為政的問題，讓兩職能互相了解彼此的觀點，並協助雙方提出更平衡的構想。

這裡能帶給領導人的啟發，是結構化的AI挑戰必須納入決策流程之中。由AI代理扮演各自不同的角色：一個負責為策略方向產生最有力的論點，一個負責提出反對意見，再一個負責模擬競爭對手可能的反應。另外，也能建立一個合成討論小組（顧客、地區經理、監管機構），檢視某項決策在不同利害關係人眼中的樣貌。這麼做的目的，是確保領導團隊真正要做決策時，已經找出方案最明顯的缺點，也已經從數量多到任何單一會議都無法企及的不同視角，完成壓力測試。

當然，這並不代表我們對AI的輸出就該照單全收。LLM提出的分析有可能聽起來自信滿滿，卻充斥各種微妙的錯誤、內在的矛盾，甚至是建立在虛構的證據之上。合成審議可能提出確實有用的挑戰，卻也可能提出一些看似合理、卻完全抓錯重點的反對意見。受到AI增強的策略，品質不僅取決於輸入資料的品質，更取決於人類對輸出結果的判斷。我們不該因此拒絕使用AI工具，反而是要仔細地設計流程。也正因為如此，在一個AI增強的世界，策略人員的重要性不減反增。

當所有人都擁有AI，如何建立競爭優勢

讀到這裡，你可能會想：「可是，如果競爭對手也能買到和我一樣的AI模型，你提到的這些優點，要怎樣才能成為競爭優勢的來源？」這是個很合理的問題，而且只要從正確的角度來思考，就能得到一個明確的答案。

最實用的類比，會是1995年的網際網路。到1990年代中期，網際網路已經逐漸普及，其核心技術也不專屬於任何公司。然而，那些在接下來20年間取得最持久優勢的公司〔亞馬遜（Amazon）、網飛（Netflix）、Google〕，其實都不是因為擁有哪個網站而勝出。它們勝出的關鍵，在於認識到網際網路並不是個可以簡單附加到現有業務上的東西，而是一個全新的基礎，能用來建立起對手無法輕易複製的商業模式、能力與資料資產。企業若只把網際網路當成一種公用設施，產品很快就會陷入大宗商品化的困境；但企業如果把網際網路視為重塑公司的平台，就能打造出持續數十年的護城河。

AI正處於類似的轉折點。模型本身愈來愈容易取得，但真正的優勢，在於以此為基礎所建構出來的能力。以下3種方法，特別值得注意。

用你的資料，讓AI變得更聰明

通用的AI模型是用公開資訊來做訓練，而顧名思義也就是「通用」的。但只要你用自己的專有資料（顧客歷史紀錄、交易模式或內部研究資料）來微調模型，或是做為模型的基礎，就能創造對手無法單純透過購買相同軟體來複製的能力。像是摩根士丹利（Morgan Stanley）所打造的AI助理，就讓公司16,000名財務顧問能夠存取超過10萬份內部研究文件，目前採用率來到98％，也將文件檢索效率從20％提高到80％。而支付服務業者Stripe的詐欺偵測系統Radar，則是另一個網絡規模的例子。這套系統以幾百萬家企業每年處理超過1.4兆美元支付金額的資料來訓練，因此不論哪一張信用卡，系統有高達92％的機率已經在自己的網絡中見過這張卡。規模較小的競爭對手，就算運用同一套演算法，也會因為缺乏這些資料，而讓準確率趕不上Radar。

將AI部署到只有你擁有的流程

資料是一道護城河，而流程又是另一道。如果企業將AI部署到自己專有的工作流程（反映該企業特有的策略邏輯、組織知識與競爭情境），就能建立一套外界難以窺見、更難以複製的能力。

農業機械公司約翰迪爾（John Deere）的See & Spray系統，就很能說明這種概念。這套系統背後的基礎技術（電腦視覺和機器學習）其實已經非常普遍，但約翰迪爾將這些技術與精準農業設備整合，每秒能夠掃描大約2,100平方英尺，每分鐘做出超過5,000次噴灑決策，並將除草劑用量降低50％至77％。這裡真正的護城河並不是演算法，而是將AI整合進硬體、現場資料、以及規模遠勝於競爭對手的經銷商網絡。這種方法之所以具有策略意義，而不只有營運上的價值，是因為See & Spray改變了約翰迪爾的競爭定位：從設備製造商轉型為精準農業平台，提升了顧客的黏著度，也以「資料驅動的農場管理」開闢了新的營收來源。

比對手更快抵達新的績效疆界

策略領域有一項廣為人知的觀點：營運效能（operational effectiveness，與其他公司做同樣的事情，但做得更好）與策略其實是兩回事。在穩定的時期，確實如此。但若是在技術出現重大轉折的時期，企業是否抵達新的績效疆界（performance frontier），影響可能極為重大。

多鄰國（Duolingo）就是個很好的例子。在OpenAI的GPT-4公開後不久，多鄰國便陸續推出「角色扮演」、「解釋我的答案」及「視訊通話」等AI功能。但多鄰國的護城河並不是速度；它真正的優勢在於專有的學習模型Birdbrain，而訓練用的正是多鄰國超過5億用戶每天完成大約12.5億次練習的行為資料。在這裡，通用的模型是大宗商品，但圍繞它所建立的學習系統才是護城河：不但經過多年持續改進，訓練用的行為資料規模更讓競爭對手難以企及。

AI能將原本需要數個月的分析工作壓縮到短短幾天內就完成，能找出原本看不見的機會，還能對那些原本可能未經挑戰的決策進行壓力測試。企業如果取得這些能力，策略的品質將來到徹底不同的高度。這樣的優勢在理論上或許只是暫時，但在實務上卻會不斷累積：更好的決策帶來更精準的競爭定位，進而得到更好的資料，而讓未來又能做出更好的決策。績效疆界會不斷移動，想要有持久的競爭優勢，就必須能不斷抵達新的疆界、每次都變得更加強大。

這裡的重點其實是：AI做為一項技術，正在變得無所不在；但AI做為一種能力（融入於你的資料、流程與執行速度中），卻並非如此。企業如果只把AI看成花錢就能買到的大宗商品，會發現它只是提高所有人的競爭門檻，無法讓自己脫穎而出。相對地，企業如果把AI看成打造專有策略能力的平台，就會發現它是當今數一數二強大的競爭優勢來源。

AI時代領導人行動指南

想要重新設計組織做出最重要決策的方式，可以參考以下這份簡單明瞭的行動指南。

先擴大選項範圍，再逐步收斂

面對任何重大策略決策（收購、進入市場、調整產品組合），都先用AI生成一份涵蓋廣泛的初選清單，接著才讓領導團隊討論收斂後的決選清單。在過去，由於探索大量選項的成本過高，多數組織會太早開始收斂。但如今情況已經不同。

以動態模型取代靜態快照

選擇你的組織最倚重的策略表徵（可能是顧客區隔、競爭定位或需求預測等），將它從定期更新的文件升級成會隨情勢變化而更新的動態模型。這裡的目標是建立一個足夠豐富的模型，來呈現目前架構本身還無法顯示的內容。

讓結構化的挑戰成為制度的一部分

想要有好的策略，除了提出構想之外，還要嚴格檢驗這些構想。但在大多數組織中，這類檢驗仍然會受到層級關係、人情考量，以及人類太急著得到共識的傾向所影響。不要讓異議成為一種偶然，而要將它設計到流程之中。

將「創作者—批評者—競爭者」的工作流程納入各項重大決策：指派一個AI代理負責為計畫提出最有力的論點，另一個負責提出批評，再一個負責模擬競爭對手或監管機構的反應。讓結構化挑戰就像建立財務模型一樣成為常態。

將策略人員的職責從分析重新定義為建構

在認知能力受到高度限制的時代，策略人員大部分的時間是花在搜集資料、建立試算表，以及將資料填入簡化的架構中。但隨著AI開始鬆綁認知限制，基本的認知工作愈來愈能自動化處理，真正關鍵的資源就從分析轉為想像力，從資料填入架構轉為設計策略流程本身。

這一切轉變，都需要一種新的人才類型：混合型策略人員。符合這種類型的領導人懂得如何界定策略問題，能夠設計AI工作流程來尋找答案，而且最重要的是了解何時必須讓機器接受人類的判斷。

要成為混合型策略人員，你需要改變自己對決策會議的要求。在任何重大策略提案送交領導團隊前，都需要做到3件事：由AI找出涵蓋廣泛的方案清單，並加以評估與篩選；建立一套即時的競爭環境模型；以及取得結構化批評的結果。等到領導團隊對於何謂「可靠的建議」有了更高標準，整個組織也就會隨之跟進。

最後，讓AI的使用成為日常。摩根士丹利的AI助理之所以能讓16,000名財務顧問有高達98％的採用率，就是因為它融入了這些顧問已經使用的專有研究工作流程之中。這項工具確實讓他們的日常工作變得更有效率，採用率自然也就水漲船高。你可以從同樣的邏輯開始著手：找出員工目前深感痛苦的決策流程，用AI來重新打造，然後讓新的工作流程成為預設流程。只要真正好用，通常就能形成使用的文化。

＊＊＊

想像你下一次異地策略會議的情形。但這一次，請鬆綁你的認知限制。

AI已經自動掃描數百種可能性，篩選出最有希望的選項清單，而你的團隊在抵達現場前也已經檢視完畢。牆上呈現即時的市場模型，而不是6個月前過時的資訊。任何人簡報某項建議之前，該建議都已經通過結構化批評的考驗：有AI代理故意唱反調、模擬競爭對手、扮演心存疑慮的顧客。如此一來，決策會議上的對話會更加精準，選項會更有說服力，以前花在基本分析上的時間，現在也可以拿來處理只有人類才能回答的問題：我們真正相信什麼？我們願意承擔哪些風險？我們想成為怎樣的企業？

（林俊宏譯自“AI Is Revolutionizing Strategic Decision-Making,”HBR, September-October 2026）