突破不确定性：生成式人工智能重塑管理

路江涌 马铭泽

2022年11月，美国OpenAI公司推出的用于人机互动的生成式预训练转换器（ChatGPT）让人工智能生成式内容（AIGC）的概念席卷全球。生成式人工智能日趋普及，不仅影响着个体利用信息的方式，也在逐步重塑企业管理的各个方面。

以企业战略管理为例，传统的企业战略决策过程是以点带面，围绕公司高层管理者的认知展开，形成自上而下的经验式管理模式。然而，随着营商环境日渐复杂和产业变革逐步深化，企业发展方向呈多向辐射形式，基于高层管理者个体认知的经验式管理，往往难以有效处理复杂的内外部因素，甚至可能使企业困囿于管理者的认知舒适区中，无法及时应对动荡的外部环境。

在人工智能应用逐步普及的今天，一些厂商基于人工智能技术，开始打造针对特定行业或领域的管理辅助工具，尝试利用人工智能帮助企业管理者突破认知边界，构建融合人类经验和人工智能的生成式管理决策模式。

生成式人工智能是以巨量数据为成长基础，通过预设和自修正的反馈法则形成的，能够生成更高量级数据的人工智能神经网络。它能够理解人类创作的要素，并将这些要素重新组合，创造出新的且能够被人类理解的内容。OpenAI团队发表于2022年的一篇文章，详细阐释了生成式人工智能的三个塑造阶段：策略构建、赋分排序和决策优化。

在策略构建阶段，研究团队利用由人类打标签的数据构建预训练神经网络模型。在赋分排序阶段，人工智能自行制定不同的结果赋分策略，并对基于同一任务指令生成的多种输出结果进行赋分排序。真人训练员利用个人经验，从旁指导人工智能选择最佳的赋分机制。在决策优化阶段，人工智能神经网络基于输出策略高频生成不同的内容，并由内部赋分机制对海量内容进行赋分，自行优化输出策略，最终给出满足外部指令的最佳决策。

从上述描述可以看出，生成式人工智能的基本工作原理是，首先根据输出策略生成与指令可能匹配的多个结果，再根据赋分机制逐步增加强匹配结果生成的可能性，直至匹配程度最高的唯一解诞生。

从生成可能结果，到判断和削减结果的可能性，生成式人工智能在逐步实现输出内容从不确定向确定的转变。图1展示了从完全不确定性到确定性的全过程。

目前，生成式人工智能主要应用于语言相关领域，也因此常被称作语言大模型。在生成式语言大模型中，说到即做到。只要算力够，这种模型在海量信息中找到可能的结果，判断结果的可能性，并以此为基础得到确定性输出的过程是连续的和有保障的。

然而，人工智能的普及性应用之所以刚刚开始，是因为挡在人工智能理论和实践之间巨大的算法、算力和数据鸿沟最近才得以突破。而在此次突破中扮演关键角色的英伟达公司的股价最近一段时间一路狂飙，全球范围内仍然一卡难求。众多创业公司乃至互联网大厂纷纷表示要All-in生成式人工智能，但真正能够做到的却寥寥无几。这也反映了知行合一之间的差异，以及企业计划制定和执行之间的不连续性。

如果我们从不确定性和不连续性两个维度，对“知”和“行”之间的关系进行梳理，就可以得到图2。此图的纵轴表示在“知”方面的不确定性，横轴表示在“行”方面的不连续性。“知”是对未来发展方向的认知，主要面临的挑战是不确定性，“行”是在未来发展路径上的实践，主要面临的挑战是不连续性。未来发展方向的不确定性可以分为高和低两种情况。同时，从现在到未来能否做到知行合一，不仅取决于“知”的确定性，还取决于“行”的连续性。

从现在到未来有很多路径，选择哪条路径是“知”所决定的，“知”从不确定性到确定性的提升，可以帮助人们选择自己认为的最佳路径，但现实中的路径是否走得通，则需要克服未来路径上的不连续性。

基于图2，我们可以沿着企业发展的时间线，把企业管理模式分为适应式管理、愿景式管理、计划式管理和涌现式管理四种类型。

在未来发展方向不确定性高、未来发展路径不连续性也高的情况下，事物的发展处于混沌状态，企业大多采取适应式管理，在众多发展方向中进行排除，试图找到适合自身资源和能力条件的发展方向，并将有限的资源和能力押注在此发展方向上，力图实现发展路径的突破，进入成长阶段。

成长阶段的企业往往采取愿景式管理，总有企业能够克服发展路径上的不连续性，实现自己的愿景，进入发展方向不确定性低、发展路径不连续性低的阶段，并开始采取计划式管理模式，尽力让自己的发展方向稳定下来，让自己的发展路径持续下去。然而当企业面临剧烈变化时，便不得不重新进行选择，以适应发展方向不确定性升高的外部环境。

由此我们看出，企业在生命周期的不同阶段，需要采用与发展方向不确定性和发展路径不连续性情况相适应的管理模式。如果我们把企业生命周期分为创业、成长、成熟和转型四个阶段，那么企业将在相应阶段采取适应式管理、愿景式管理、计划式管理和涌现式管理四种管理模式。

在营商环境日趋复杂，企业发展节奏不断加速的今天，一个企业可能在短短几年内就经历了创业、成长、成熟、转型四个阶段，并进入二次创业、成长、成熟的发展循环之中。这些企业将同时面对发展方向不确定性和发展路径不连续性的四种组合情况，企业的各类业务也将分为创新、成长、成熟和转型四种类型。在如此复杂的情况下，企业该如何协同各个业务，如何在错综复杂的环境中把握不断涌现的发展方向和不断变化的发展路径，是企业管理决策面临的重大挑战。

在信息多元且获得便捷的互联网时代，计划式管理容易使企业忽略丰富的外部信号，导致组织僵化，错过发展机遇。而过多的市场信号也会导致采用涌现式管理的企业在市场上随机漫步和无序蔓延，看到多向的发展路径却无法一以贯之。因此，缺乏高速处理海量信息能力的企业，无论是采取适应式、愿景式、计划式、涌现式管理中的哪一种，都难以创造最优绩效。面对错综复杂的外部环境和多元业务组合，企业可以借鉴生成式人工智能技术的逻辑，尝试生成式人工智能管理逻辑。

生成式人工智能管理的基础逻辑是从发散到收敛，即从“生”到“成”。在发散阶段，生成式人工智能管理系统从各个业务获取海量信息，对企业决策模型进行预训练，使其能够学习数据中的规律和模式，进而预判企业后续的经营方向和未来状况。在收敛阶段，经过训练的模型进入决策辅助模拟阶段，生成的数据供管理者参考。管理者同时对模型输出的决策方案进行评估，以便于后续改进模型和提高生成结果的质量。

在实践中，企业采取的自下而上与自上而下相结合的决策方式，就有生成式人工智能管理的影子。例如，任正非在讨论华为决策体系转型时说：“我也不知道一线要多少资源合适，只能让听得见枪声的人呼唤炮火，因为他离客户最近，大家先听他的，选择先相信他。我们事后复盘时发现浪费弹药了，再‘秋后算账’、总结经验。”华为一线的每一次呼唤炮火属于一次自下而上的策略输出，而随后管理层的复盘和秋后算账属于一次自上而下的修正回报。人工智能的工作目标就是对大量修正回报进行标签化，为组织实现“输出→反馈→调整→输出”的自我训练建立制度基础。

当一家企业沿着自己的生命周期，从创业阶段发展到成长阶段，进而进入成熟阶段和转型阶段的时候，企业在各阶段面对的未来发展方向不确定性，和未来发展路径不连续性组合虽然各有不同，但在每个阶段的组合相似性较高。从一个阶段到另一个阶段的变化，也有规律可循。在这种情况下，企业可以按照适应式管理、愿景式管理、计划式管理和涌现式管理的思维模式进行管理决策。

然而随着企业的不断发展和外部环境的快速变化，很多企业在同一时点拥有创新业务、成长业务、成熟业务和转型业务等组合。这些业务分别面对不同的发展方向不确定性和发展路径不连续性。为了应对各类业务面对的机遇和挑战，企业将服务于不同类型的用户，采用相应的组织结构，发展符合用户需求的产品，并尝试在各不相同的市场环境中进行竞争合作。于是企业管理的复杂程度开始指数级上升。

从企业总部层面看，各个业务面对的具体情况不同，无法采用统一的管理机制和方式进行管理，业务之间很难达成协同效应。从不同的业务角度看，由于各业务所面对的具体情况不同，公司总部的要求往往很难达成，各业务也很难与其他业务形成协同。

这种情况可以用图3解释，底座是企业在不同发展阶段业务所面临的发展方向不确定性，和发展路径不连续性的差异化组合。纵向则是随着业务复杂程度上升带来的知行合一难度的上升。在这种情况下，企业可以考虑借鉴生成式人工智能技术的工作逻辑，运用生成式人工智能管理模式。

生成式包括两个关键字，一是“生”，二是“成”。企业整体管理目标的基础是各个业务的管理目标，而每个业务的管理目标又包括用户管理、组织管理、产品管理和市场管理等方面。由于不同业务所在发展阶段和具体发展情况存在差异，这些业务在实际运营中会产生海量信息。企业可以使用预训练的管理模型，针对每类业务所面临的管理问题和数据信息打标签，并不断通过管理人员的评估，对模型进行优化，形成自下而上的管理信息汇集系统。

生成式人工智能管理的第二个关键词是“成”，包括各项业务目标的达成和公司整体目标的达成。由于每项业务的管理目标都包括用户管理、组织管理、产品管理和市场管理等具体目标。因此，这些目标汇聚在一起，应该达成各项业务的整体管理目标，而处于不同发展阶段的各项业务整体目标的汇集，则应该能够达成公司层面的整体目标。企业高层管理者可以自上而下地对各业务目标达成情况进行评估和排序，并调整公司层面的回报模型，进而在促使各个业务达成自身目标的同时，帮助公司达成整体管理目标。

在生成式人工智能管理模式中，除了“生”和“成”这两个关键词，分别代表自下而上和自上而下的管理流程之外，“人工”和“智能”也是重要的关键词。“智能”强调的是，企业管理是一门科学，可以通过规则的制定应对管理中的不确定性。用规则的确定性，应对变化的不确定性，用流程的连续性应对行为的不连续性。而“人工”这个关键词则强调管理是一门艺术，甚至是手艺。需要管理者对管理体系进行适度干预，包括但不限于对管理数据的评估、对管理行为的反馈和对管理模型的优化。

艺术追求结果的开放性和科学需要结果的明确性。采用生成式人工智能的管理决策，需要将开放性与明確性结合在一起，在“生”和“成”中达成平衡。以下以游戏行业为例，选取中国知名游戏厂商坚果动力的发展案例，并追溯其将美国人工智能公司data.ai纳入决策核心的历史过程，总结生成式人工智能管理的决策脉络：广域性探索、分布式挖掘、向量化衍生。

第一，基于竞品标签，简化广域性探索。游戏行业以丰富的内容和高度的竞争著称。根据维尔福集团官方统计，其开发的“蒸汽”电子游戏分发平台仅2022年共计发行12 857款新游戏。一方面，丰富的市场竞品为游戏厂商提供了多元的市场经验以供参考和模仿；另一方面，眼花缭乱的新世界也使产品开发者迷失在对未知的探索中，造成产品开发失焦，丧失产品内核，导致玩家失去购买欲望。

因此，游戏厂商在进行新产品开发中面临高度的不确定性，既不知道自己能做什么（可能的结果），也不知道自己最适合做什么（结果的可能性）。基于“从不确定性到确定性”的演进模型，游戏厂商在开发新产品的时候，需要首先选定适合自己的赛道。

生成式人工智能是基于标签化数据形成策略模型，将输入的信息输出为多个可能结果。游戏厂商同样可以参考这一方式进行产品开发选择，以层级式标签概括海量的市场竞品，简化全行业搜索的成本和难度。坚果动力的创始人强叔增说，他早在2015年就认识到了data.ai对其产品开发的助力功效，并积极尝试与data.ai的创始团队进行对接。data.ai作为一家专注移动市场，尤其是移动游戏市场的人工智能公司，自诞生伊始就开始尝试对市场上的产品进行数字化分类。data.ai的旗舰功能App IQ提供了以移动应用行业为场景的系统应用分类法。其标签化的内容不仅仅局限于诸如App Store和Google Play等软件发行商对移动应用的简单归类，而且深度挖掘应用内容，提供19 种类别152 种子类别的应用级品类标签。

创始人对人工智能应用前景的敏锐感知和提前布局，以及data.ai人工智能辅助系统提供的品类—特征双层次标签分类，为坚果动力能够迅捷、简明又不过分笼统地扫描全游戏行业产品成为可能。从而使坚果动力得以快速地进行产品定位，识别出自己想要发力的赛道。

第二，匹配研发能力，推进分布式挖掘。在大致清晰可能匹配企业能力的几个赛道后，坚果动力依托人工智能评估各个潜在赛道的未来发展空间，进行赋分排序，进一步削减市场信息的不确定性。生成式人工智能通过优化赋分机制实现对结果可能性的排序，而这一步的关键是基于策略模型输出多种方案，放在游戏产品开发的场景下就是多产品试错迭代和方向优化选择。

依靠前期的人工数据输入和后续的智能数据监控，坚果动力有效利用人工智能指导内部团队的研发方向。坚果动力有着丰富的产品试错迭代经历。该公司在苹果和谷歌商店累计推出146款产品，其中截至2023年6月共有62款活跃应用，已下架的应用84款。这些活跃应用都有着持续稳定的日活跃用户额和日收入。

第三，通过内容迁移，实现向量化衍生。生成式人工智能成熟的关键是决策模型和赋分策略的相互干预，进入脱离人类训练员的自优化过程，在接受外部指令时，能够自我衍生海量内容并快速排序，选出唯一解。同理，现实企业遵守市场供需关系的目的也是为了推出满足消费者需求的产品，在被市场监督的过程中逐步理解市场需求，最終实现主动预判市场走势。坚果动力利用data.ai的人工智能数据，将公司的关注度聚焦到“经营+冒险”的融合品类。

公司参考data.ai的内容级别特征标签，对比同品类竞争者的内容设计，选择出与场景冒险和农场经营最相关的要素特征，如人物养成体系、解谜寻宝和剧情决策等。随后，通过策划、美工和程序组新老员工的混合协调，将过去积累的多品类游戏开发经验应用到聚焦后的产品开发中，实现了从2019年爆款产品《波利尼西亚大冒险》到最新热门游戏《萨拉大冒险：时空穿越》的专一方向内容衍生。

※※※※※

生成式人工智能技术的发展带来的不仅是挑战更是机遇，那些积极拥抱生成式人工智能技术的企业能够加强已有的甚至获得新的竞争优势。生成式人工智能作为一种通用技术虽然出现时间不长，但其解决问题的逻辑已经得到很多企业的应用，继续那些积极应用生成式人工智能思维重塑管理的企业家，能够更好地在不确定性中寻找到确定性，在不连续性中创造出连续性。

【本研究得到国家自然科学基金（72091314；72072003）的资助】