前两天，我发现了一个几乎不可能被 AI 替代的工作：
AI 几乎不可能替代人类做商业运营决策。
周末两天上了沙盘模拟课：模拟企业经营。
玩法很简单，分成五组，各组根据虚拟市场运行规则，决定在哪建厂，生产什么，生产多少，卖多少钱，搞不搞营销，需要卷死其他四个组获胜，优胜团队荣获王者水晶。
当我得知是这样的模拟游戏的时候，内心窃喜。
需求清晰，数据丰富，规则明确，这岂不是天然落在 AI 射程范围内。
用 AI 还不是手拿把掐？
我把想法和团队一说，大家纷纷表示支持，计划让 AI 带我们躺赢。
于是我们胸脯一拍，起名为水晶动力，甚至准备了 Logo，就差没准备获奖感言。
结果，第一天结束时 …
怎么说呢 … 属实是光屁股拉磨，转圈丢人。
我们股价相当于倒数第二的 80%，第一组利润是我们的 8 倍。
大家纷纷向我们投来关怀的眼神 …
好好好，AI 先驱秒变 AI 先烈。
下课之后，我心情久久不能平静。
一直在思考， 我的脸往哪搁 AI 为什么做不好企业经营管理？
熬夜翻了六七篇论文之后，我找到了一些解释，和你一起交流。
一、模型结构和训练方法从根本上决定了它做不好决策结论：我们前几轮之所以惨败，根源在于大语言模型架构（后文我会称之为 LLM ）以及它的训练范式，和企业经营这种复杂的动态任务存在着根本性的冲突。
先介绍下我们的使用步骤：
首先，所有背景材料和盘面的数据，我全部转成结构化的文本，人工校准里面所有的数据，确保输入的信息绝对干净，不存在 LLM 识别图片导致数据的异常。
然后，也是最核心的：我要求 LLM 必须先写代码，再给结论。
整个过程在 Cursor 里完成，AI 先生成代码，分析数据，然后基于计算结果说话。
我当时认为，这套 PAL 流程让 AI 的分析锚定在了可观的数据结果上，几乎杜绝了 AI 胡说八道的可能。
它的每一次输出，都将是纯粹理性的计算结果。
信心满满，一看就很专业！
给你看看过程中的结论。
为保护沙盘游戏版权，部分内容打码。
看起来是不是挺稳，挺牛逼的？
有理由数据，推理严丝合缝，我们小组的成员一开始也是这么认为的。
把我们公司的运转交给了小组第十二名成员：Claude Sonnet 4。
结果大家都知道了，我们的战略上中规中矩，策略上错得离谱。
真的是，寄居蟹搬家，蚌埠住了。
这一问题的根源是：大部分 LLM 在训练过程中缺少针对商业分析为目标的专门优化。
因为：传统商业分析通常需要明确目标（例如利润最大化、风险最小化），需要通过分析数据，然后找到最优解。
但 LLM 的训练目标是：提高文本预测的似然（预测下一个词汇或标记的概率准确性），不一定包括商业分析目标的优化。
这样就会导致 LLM 缺少内置的「目标导向」推理能力。
也就是说， LLM 不但不会在商业分析中主动寻找最优决策，
相反地， LLM 倾向于给出平均意义上的合理回答，
LLM 可能能够同时罗列多方面考虑，但它不具备始终一致的决策准则（或者说是符合经济学、管理学的逻辑）来选择最优方案。
接下来，LLM 生成文本的时候，没有可靠的面向结果确认机制。
常规的机制下，只要 LLM 在输出在形式上符合语言逻辑，那就算完成对话任务，哪怕这里面有多少逻辑矛盾，或者非常离谱的战略。
因为 LLM 在用户没有指出的时候，没办法直接纠错。
进一步地，商业决策还需要涉及多个环节的层层推理，简单来说，就是从一个数据进行跳跃式的思考，结合各种因素层层递推，如果发现异常，还要从脑子里拿掉这个过程。
抽象来说，至少会先假设一个情景，然后分析方案，对比优劣势，进行抉择。
但 LLM 只会考虑平铺直叙的回答。
这在复杂商业分析中是致命弱点。
另：LLM 的讨好性对话策略，会丢失自己的判断，遵循你的思路，哪怕你的思路多么离谱，它都会试着将你的策略合理化。
这在经营管理中，应该是非常要命的了 …
这不就是当代王振吗？明朝朱祁镇已经吃过这样的亏了，不能太过于相信这种巧言令色的人～
简单来说，只要你对大模型的方案提出了挑战，大部分情况下，大模型就放弃了自己的立场。
而作为人类 CEO，你极有可能会和 CFO 或者战略的人吵起来，然后互相觉得对方是傻 X。
在我们提出挑战之前，我们在没有经过仔细研读数据时，我们都认为「大模型的这个战略还挺合理的。」
大模型具有迷惑性的答案（一本正经地胡说八道），是我们前期让渡了团队思考导致翻车的根本原因。
本段内容参考论文：
https://arxiv.org/abs/2502.11574
二、即便拥有一切需要数据的情况下，LLM 仍不能进行复杂决策与战略说实话，我们几乎将一切能给的数据都灌输给 LLM 了。
但，它作出的策略，没有办法带领我们取得胜利。
因为：它给出的是中规中矩的策略，而我们的对手们，是行业里面的卷王。
如果你周围全是小白，LLM 能帮你拉到 70 分糊弄过去的水准，然后你能鹤立鸡群；
但如果你周围全是大佬，全是卷王，大家追求的是无限接近 100 分，你还拿这样的结果出来，LLM 会让你成为市场中的笑柄。
为什么？
商业战略制定是需要对一些特定情境有深刻理解、创造性思考和对人性的判断。
但 LLM 输出的战略规划往往套路化，很难明确识别在这个情境下面的关键挑战、竞争定位和获取优势的方法，他们对人性缺少真正了解，所以很难做好对各个选项的权衡。
也就是说：大模型极其容易生成听起来合理但千篇一律的方案，LLM 不但没办法像刘润那样针对独特情境提出创新性的解决思路。有时还会给出自相矛盾的建议，或者在不同回答中对同一方案的评价不一致。
暴露的问题是：LLM 缺乏稳定的决策准则。
如果把决策交给大模型做，那么大模型大概率会把你带到沟里。
假设你非要把所有的数据，周围的环境，人际关系，竞争格局等等数据灌给大模型，让大模型做决策，
先不说大模型没办法拿捏好国内的人情世故，
更严重的短板：LLM 不但受到上下文窗口长度的影响，对于市场变化而言，上下文是静态切片！
本段资料：
https://arxiv.org/abs/2502.11574
https://www.kevinjruth.com/blog/library/governance/ai-fails-to-understand-strategy
三、就算有上下文，上下文都只是瞬间发生的快照这个决定了，大模型和人类的关键区别。
人类能适应混沌状态，人类能凭借经验或者所谓的「第六感」，捕获到蝴蝶山东的翅膀。
人类能卧薪尝胆，坚持很长时间，从一点点小事开始布局，在未来 N 年才形成完整的「打法」或者「战略」。
在市场厮杀下，某一次激烈的价格战，负面影响深远地可能会持续十几年。
这 …
大模型推不出来，就算能推出来，大模型也没那么长的上下文。
就算有这么长的上下文，前文的内容还会干扰大模型后续的推理。
毕竟，它只是一个 Token 推 Token 的无情机器人罢了。
本段内容参考论文：
https://arxiv.org/pdf/2505.10543
四、逆风翻盘的反思上面我们讲了这么多 AI 不行的原因，那么难道 AI 在我们的决策中，完全帮不上忙吗？
非也！！
我们从第一天的倒数第一，到第二天凭借 AI 协同逆风翻盘。
连超三组，最后输给了冠军，虽败犹荣。
发生了什么？一、稳住心态；
二、找到 AI 擅长领域。
说实话，这一次经营模拟课程里，我发现有许多人仍视 AI 为洪水猛兽，或者轻视 AI 的能力。
第二天，我也受到其他组的打趣：
「你们继续用 AI 搞嘛！」
「你看 AI 有啥用，用 AI 搞到垫底。」
过程中老师直言，「你们不是第一个用 AI 的，但借助 AI 无一例外，都是垫底。」
但越是到这个时候，越是要稳住，毕竟还有一天要打。
那时，我心里目标是：只要不垫底就行。
经过反思之后，我转换了思路。
AI 虽然做不好决策，但！ AI 很擅长写代码！
那就让 AI 做好 Dashboard ， 把所有数据都整理出来，给人类做决策！
其他组需要拉 Excel ，需要手算的内容，我们借助 AI 一键可视化。
秒解决战斗。
从拿到每一回合数据，到给出全部数据报表，只需五分钟。
如果没有数据可视化，需要花时间手算 …
我们能快速查看整个市场趋势，不需要手算，想要哪个数值直接点。
想算趋势，直接看。
想看所有组所有产品的市场定价和份额，直接看。
想看所有组的产品能力，直接看！
快速预估合理的研发费用
于是，第二天绝地翻盘，结束时排在第二。
终于还是保住了颜面 …
虽然两天花了 40 刀 …
虽然在过程中我疯狂怀疑自己是不是有问题 …
你可能会觉得我内心戏太多了，哈哈。
但经历了第一天全面劣势，基本快崩盘的情况下，能稳住就是胜利。
更别说我们超越了 …
作为组里唯一一个坚定支持我用 AI 的队友，也是我们的班长，结束的时候给我转了超大的红包！
不过没好意思领 …
毕竟，他也是坚定的 AI 落地践行者
但好在，我们组收获可能是最大的，大家切身感受到：
无条件信任 AI ；
PTSD 放弃 AI ；
接受 AI 与 AI 协作。
属实是亲历了达克效应了 …
结论大概是：AI 不弱，弱的是我们，是我们没有摸到 AI 的能力边界；
毕竟，我们按牛头喝水，被牛踹两脚也合理吧 …
两天的课结束了，我最大的收获 … 就是意难平。
现在也很气，为什么我早没有用它来干数据可视化！！
可恶！！
但是，
商业世界，没有那么多早知道，
不是吗？
国汇策略-股票配资咨询-配资平台网-股票配资入门平台提示：文章来自网络，不代表本站观点。
