良好的決策向來與資訊密不可分。然而，無論是在組織內部或市場間，最具價值的資訊往往被困在龐雜的非結構化文本中，如年度報告、合約、顧客回饋、技術手冊和內部備忘錄。問題並非沒有資訊，而是如何系統性地跨越眾多文件、企業和年份來擷取資訊，這個過程緩慢、昂貴，且標準難以保持一致。

現代的生成式AI突破了這項侷限。藉由當今的模型，領導人可以將這些「文本寶庫」化為結構化、可供決策的資訊：形成一致的訊號，可長期追蹤、與同業比較，並與成果連結。

為了讓這項概念更具體，我們對當今最重要的商機領域之一進行深入研究：所謂的氣候解決方案，即泛指能實現脫碳（decarbonization）的產品和服務。具體範疇包括電池、電動車、儲能、太陽能與風能等再生能源、回收材料、植物蛋白、能源效率解決方案和生質燃料。許多領導人正考慮對這些領域布局投資，進而帶動業務增長，但他們雖已察覺到轉型趨勢，卻仍面臨一個核心問題：是誰在實際研發和銷售氣候解決方案？商機又在哪裡？現行的財務報表並未以標準化的方式列出「氣候解決方案營收」項目。

在近期研究中，我們展示生成式AI如何把受監管文本視為數據，藉此回答這個問題。確切來說，我們將微調後的GPT模型應用於企業10-K財報中的第一項（「業務說明」）語句，由此針對個別企業建立年度衡量指標，以評估該企業是否正在開發或部署氣候解決方案的產品與服務。我們特別著重於財報第一項，是因為此一項目會詳盡地羅列出企業的產品和服務，且所有美國上市企業每年皆須揭露此資訊。此外，這個章節還具備3項特性，非常適合利用AI進行系統性分析，因此值得所有決策者銘記在心：

  • 由於10-K財報屬於受法規監管的標準化文件，內容須經審查與高階主管認證，因此相對可靠。
  • 由於幾乎所有上市企業都必須依法申報，相較於自願揭露，未公開資訊通常並非刻意的策略性隱瞞，進而避免了「選擇性披露」的問題。
  • 其格式具有跨公司、跨年份的標準化特性，有利於AI系統執行大規模處理及長期的追蹤評估。

接著，我們對GPT模型進行微調，以偵測與氣候解決方案相關的語句，但排除只是泛泛談論氣候議題的句子。在這個標準下，銷售電動車符合定義，但若僅在企業車隊中使用電動車，則不計入。為了捕捉這種細微差別，我們從各產業的財報第1項中，擷取約3,500個語句來建立標記數據集，藉此訓練GPT模型。隨後，我們運用該模型分析2005年至2022年間、4,483家美國企業，共39,710份10-K申報文件中的第1項語句。整體而言，我們處理了將近1,000萬個句子。

我們已在近期發表於《自然通訊》（Nature Communications）的論文中，公開研究方法、數據與研究結果。回顧整個研究過程，我們歸納出3項可廣泛應用的啟示，說明即使在氣候解決方案以外的情境，生成式AI也能如何改善高階主管決策所使用的資訊。我們的研究結果顯示，當市場上存在大量受監管且公開可取得的數據，足以描繪競爭對手、供應商與顧客時，AI能從中產生可付諸行動的洞見。這些洞見可以協助領導人更早察覺競爭態勢的變化，並以更有紀律、更有實證依據的方式做出策略選擇。

如何將監管文本變成可供決策的信號

許多策略問題都面臨共通困境：結構化數據殘缺或過時，反倒是文本數據不僅內容豐富，更具備情報價值。以下整理出5個策略領域：

  • 客戶數據：監管文件中揭露的主要客戶資訊，如對企業年銷售額貢獻達10％以上的客戶
  • 競爭對手能力：產品描述、技術文件、專利申請
  • 供應鏈脆弱性：企業對供應商的風險披露、安全紀錄或採購要求
  • 監管風險與法遵立場：風險因子披露、執法用語、政策諮詢
  • 勞動力限制：徵才公告、內部技能盤點、員工回饋意見

無論碰到哪種情況，皆可參考以下流程：選定有關聯且可重複取得的文本來源；精確地定義構念（你打算觀察的內容）；依照構念微調或校準模型；以現有基準進行驗證；接著利用產出的指標來監測變化，做為決策輔助。

接下來，我們將剖析前述的氣候解決方案研究，說明這套框架能如何應用。儘管此研究聚焦於單一主題與特定類型的文本（受監管文件），但對於想將數據轉化為洞見的企業，我們總結出3項通用要點：

1. 識別潛在商機

一般大眾難免質疑企業文本可能「只是空談」。而第一項有參考價值，一大原因在於它更接近企業聲稱自己在賣什麼，而非企業聲稱自己相信什麼。當我們透過生成式AI量化企業財報第一項的氣候解決方案強度時，這項衡量指標便不再只是模糊的敘事指標，而能成為具實質意義的經濟訊號。

企業在識別潛在商機時，第一步就是先確立一套能對應外部指標的量化標準。我們從研究中發現，透過分析提取出的氣候解決方案強度指標，會與綠色營收（green revenue）與綠色創新（green innovation）等外部基準同步成長，且其成長趨勢與企業在產品市場的實質參與度一致，而非只是空泛的氣候議題口號。

其次，企業應將衡量指標與高階主管重視的業務績效成果銜接起來。我們發現，氣候解決方案的強度指標愈高，其營收成長也愈強勁。當市場需求穩定且競爭優勢得以延續，兩者的關聯最為明顯：如受專利保護的創新方案，以及具備高減碳潛力的解決方案類別。簡而言之，由文本提煉出的量化指標不僅能反映企業動態，還能看出成長趨勢。

相關研究的補充證據顯示，我們推算的量化指標也能反映出企業的市值和未來表現。氣候解決方案強度指標較高的企業，市場估值普遍更高，且在簽署《巴黎協定》（Paris Agreement）和宣布《降低通膨法案》（Inflation Reduction Act）等氣候議題升溫期間，其股價都出現正面的短期市場反應。我們發現，在有政策支持的地區，這些企業的長期獲利表現往往也更為強勁。對領導人而言，這又是需要重視這些訊號的原因：投資人似乎開始根據這些訊號來評估股價估值，且隨著支持性政策與市場需求推動轉型加速，在這個指標得到高分的企業，財務表現往往更佳。

結論是，生成式AI能將廣泛可用的受監管文本，轉化為嚴謹且可重複運用的商機訊號，在傳統財務報表未能獨立列示該項業務營收時，這項優勢尤為關鍵。領導人同樣可以從其他受監管文本中，尋找與成長連動的訊號，例如分析其他企業依法須揭露的重大供應鏈合約。

2. 理解變動的外部因素

生成式AI建構了一套可大規模擴張的「外部感測」層，讓領導人無需局限於新聞週期、論壇熱度或有限的對手名單，還能系統性監測各產業的企業如何描述自身業務，並及早發現足以翻轉價值鏈的產業融合態勢。視AI使用的數據來源而定，企業可以選擇以年度（如本研究案例中的多數情況）、季度，甚至以更高頻率觀察瞬息萬變的市場格局。

我們在研究中發現，隨著脫碳技術的規模擴張，這些技術正日益跨越傳統行業界線。以生質燃料為例，石油和天然氣公司正將其視為替代燃料進行開發，農業相關企業則從廢棄物利用的角度投入技術研發。儲能技術既是汽車製造商打造電動車的核心，也是電力公司將再生能源整併至電網的關鍵。而其他解決方案領域正同時在多個產業興起，如回收技術和低碳材料。從實務面來看，這代表特定解決方案所涉及的生態系統已經突破單一產業疆界，且那些具影響力的競爭對手、合作伙伴與發展瓶頸正迅速演變，恐怕令領導人應對不及。

文本分析讓我們能提前觀察到此趨勢。透過檢視各產業披露的氣候解決方案上的布局如何分布，我們可以進一步量化不同產業群組在核心解決方案領域的重疊時機。我們在研究中發現，這種技術趨同性與資本市場的活動有所關聯：當不同產業的氣候解決方案布局愈相似，其股票報酬的連動性也愈高，顯示企業的基本面正逐漸趨於同步變動。

對領導人而言，這項發現反映出：當相鄰產業的解決方案重心趨於一致，競爭格局很可能正在改變－－不論是出現新競爭對手、新替代品，或企業對共享供應商和平台的依賴程度正日漸加深。這不僅帶來競爭威脅（如爭奪客戶、人才及各項投入資源），同時也孕育轉型契機（如策略結盟、併購目標或新通路）。但若企業未能察覺到產業疆界正在位移，便難以即時因應。

3. 利用整體經濟層面的證據，對先驗信念進行壓力測試

高階主管在決策時通常帶有「先驗信念」（priors）：包括哪些因素將阻礙技術採用、需求來源為何，以及哪些障礙屬於結構性限制而非暫時性干擾。但在充滿變數的市場中，先驗信念反而能成為定錨點；尤其當高階主管與市場大局存在資訊斷層，更容易出現這種認知偏誤。

由生成式AI驅動的量化分析具備一項優勢，就是能透過大規模彙整證據，檢驗先驗信念。我們的研究結果便以一項與氣候轉型有關的常見看法說明這一點：政治因素會使不同市場的商機與技術採用情況呈現明顯分化。

我們發現政治因素確實會帶來影響，但影響程度低於預期：業務較多分布在偏共和黨州的企業，在氣候指標上的表現低於業務較多分布在偏民主黨州的企業。但這種模式並非適用每一個技術領域。就低成本技術而言，這種政治差異便會消失。這個細微差別在策略層面至關重要，因為它重塑了我們對制約因素的認知：政治因素雖可能左右某些領域的採用速度及情況，但隨著成本下降、解決方案的經濟誘因浮現，政治制約力便會減弱。

這類洞見有助於高階主管修正既有判斷。與其對零星案例爭論不休——例如「那一區絕對不會採用」或「這種政策環境下不可能有機會」——領導人們更應善用文本數據的系統性證據，釐清哪些領域仍受限於政治阻礙，哪些領域則由經濟因素主導。這反過來又可以為資金配置提供決策依據、篩選首選切入市場，以及如何妥善規畫各項解決方案的階段性進場時程。

＊＊＊

文本（尤其是受監管的標準化文本）可被視為數據；生成式AI正是讓這類數據得以大規模應用的關鍵。氣候解決方案是當下很具代表性的例子，但這套工作流程也能推廣到其他業務領域。核心的限制因素始終如一：針對特定使用案例，我們是否有能力取得高品質的數據。分析私人企業數據的難度較高，這是因為這類企業的資訊品質可能缺乏第三方（如審計師和監管機構）把關。同樣地，若過度依賴自願性揭露資訊（如員工回饋意見），得出的洞見便容易充滿雜訊。

這個過程正逐步擴大高階決策的資訊維度。當市場開始變動，機會起初會潛藏於散亂的訊號中：新的產品描述、描述技術實力的新詞彙，以及企業描述自身業務的新模式。多虧了生成式AI，這些零散的訊號可化為結構化、可比對的資訊。當這些資訊可被量化，領導人便能像運用其他策略決策資訊一樣，拿來進行基準分析、追蹤趨勢、識別轉折點，並藉此修正先驗認知。

（吳品秀譯）