企业如何看待人工智能历史的浪花
最近一直有不同企业找我希望提供有关Deepseek的讲课，那么我就谈谈自己的看法。
Deepseek在春节迅速成为刷屏事件，成为AI发展历史中一个引人注意的浪花，之前还有很多这样的浪花，比如ChatGPT，Kimi，Midjourney等等。
在一些AI从业者和企业家社群里，可以看到互联网历史上不断出现过的“Aha Moment”，具体我在互联网三十年的竞争与创新中有过描述。
中国出现一批探索技术前沿的AI创业企业，我为他们感到自豪，但是我们需要控制情感上的涌动，对企业经营的客观规律做出符合逻辑的判断。
既然我这篇文章是谈企业如何看待AI历史中的浪花，就需要先在逻辑上明确我在谈哪类企业。
先假定我们在讨论旅游这个行业，如果本文读者希望拥有一个“科学决策操作系统”，一套能精准应对季节性波动、碎片化需求、价格敏感客群的决策体系，从而可以像某东南亚OTA那样通过动态定价算法和个性化推荐，在疫情后首个旺季实现客单价提升35%，而不是像某欧洲平台那样，因盲目跟风“元宇宙旅游”投入，半年内亏损超2亿欧元。
那么这位读者就是我谈的企业中的决策者。
个性化推荐和元宇宙都是AI历史中的应用级浪花，而为何两者在同样的旅游企业中表现差别巨大呢？
因为我们很容易陷入本末倒置，拿着锤子找钉子，被技术实现的效果牵着鼻子，忘记了商业决策的主体依然是人。
我们即将迈入的时代是人机协作，而不应该把思考的权利让渡给计算机。
企业决策和逻辑哲学
商业经营的根本学科基础是逻辑哲学，因为现代资本主义发展过程中的西方哲学思想是指导自然科学发展的思想基础，如笛卡尔、维特根斯坦、罗素等。
无论是第一次工业革命，第二次工业革命，都是在自然科学、数学的基础上探索新型生产关系，引入更强大的生产工具的过程，企业的管理思想也随着这个过程不断迭代，见我在管理决策新科学：解读AI时代的重要思想中的观点。
我们回到当下使用DeepSeek，Kimi，OpenAI的实际体验，如果想把类似的AI工具用好，其根本依然是人可以提出好的问题，而这一切从亚里士多德的工具论开始就存在了。
企业的增长不取决于AI是否强大，而取决于组织的管理决策能力，并表现为组织里的每个人如何处理好复杂问题，如何在与GPT一类AI工具协作时的主动思考和推理判断。
很多企业内部在碰到大量复杂管理决策时候，因为缺乏价值引导，导致多个团队和管理层之间的博弈。大家各自短期和长期目标很难对齐，一旦引入AI之后会变得更为复杂（因为幻觉和推理的限制）。
这里，人类对复杂问题的抽象思考能力就显得非常重要。
复杂商业问题下的抽象思维
假定我今天作为一个投资人与某地产企业的CEO进行该企业的投资价值评估讨论。
在商业世界中，评估一家企业是否值得投资是一个典型的复杂问题。
复杂问题的核心特征是多维度、高不确定性与动态关联性。例如，评估一家企业的投资价值时，CEO需要同时考虑盈利能力、资本效率、债务风险、行业趋势等众多因素。这些因素相互交织，若逐一分析，不仅效率低下，还可能忽略关键逻辑链条。
这并不是CEO的问题，因为我们不能苛求一把手是超人，完人。而且即便一个人绝顶聪明，也不可能作出完全理性的决策，因为人类是“有限理性”的智能体。
抽象思维的作用在于：
可以帮助决策者做到：
-
问题分类及降级：剥离次要细节，聚焦核心主体； -
建立框架：通过逻辑推导，构建体现主体之间关系的分析模型； -
数据驱动：将离散信息转化为量化洞察。
以投资评估为例，涉及庞杂的数据、动态的市场环境以及难以预测的风险因素。对于企业决策者而言，若陷入细节的泥潭，可能迷失方向；而通过抽象思考，能够将复杂问题转化为可操作的核心逻辑，从而抓住本质、制定战略。
抽象思维的起点是明确目标——获取投资回报。围绕这一目标，我们可以提炼出三个核心维度：企业盈利性、资本效率与债务风险。这三个维度如同三角形的三个支点，共同支撑起投资价值的评估体系。
抽象的过程
我们的行业经验（即Domain Knowledge和决策模型）在抽象思考过程中，可以逐步以量化公式的方式体现。
可以继续用以上的例子来解读。
盈利性
比如当我们在谈企业盈利性的时候，到底在谈什么？
盈利能力是投资的根本驱动力，但如何抽象出最关键的指标？答案是净资产收益率（ROE）。ROE反映了企业利用股东资本创造利润的效率，其公式为：
ROE=净利润/净资产
这一指标之所以被称为“北极星”，是因为它穿透了表象（如收入规模），直指资本回报的本质。例如，两家收入相同的企业，ROE更高的企业显然更具投资价值。
人类可以通过实践，形成“某类企业盈利性判断要通过ROE来指引”这个内在的隐性知识，但是AI没有办法做到同样的事情，只能总结模拟。
资本效率
再来看资本效率，我们是如何思考这个问题的？
资本效率决定了企业能否将投入转化为可持续的产出。抽象来看，资本效率的评估非常考验我们对多个复杂关系的逻辑思考。
企业的多个领域都存在影响资本效率的因素，比如：
-
运营效率方面：如存货周转率、应收账款周期； -
投资效率方面：如新项目的内部收益率（IRR）； -
用户体验方面：如转化率、搜索曝光率等
通过从逻辑和经验关系指引的指标主体入手，构建观测体系并通过引入机器学习等AI手段挖掘逻辑过于复杂无法直观抽象的因素关系，企业中的决策者就可以获得”实事求是“的动态洞察，实现管理决策中的多目标实现。
高资本效率的企业通常具备“轻资产、高周转”的特征。例如，零售行业的Costco通过会员制与供应链优化，以低毛利率实现了高资本回报率，这是一个资本效率的典范。
这也同时说明了企业的管理层和增长部门必须要建立“投入-产出”思维，优先投资于边际效益高的业务。
在如何定义边际效益高这个问题上，需要人类引导AI处理相关的数据。
债务风险
我们都知道债务是一把双刃剑。适度的杠杆可以放大收益，但过高的负债可能导致现金流断裂。
以房地产行业为例，部分企业因过度依赖高杠杆扩张，在市场下行时陷入困境；而稳健型企业通过控制负债率，在周期波动中保持了韧性。
人类在抽象思考债务风险的时候，只有具备专业领域的决策者，才会在思考中加入经验，比如可能会关注这类指标：
-
资产负债率：反映企业长期偿债能力 -
利息覆盖倍数：衡量短期流动性风险
同时，人类作为新业务、新产品的创造者，一边通过实践来定义新的游戏规划（比如开源的Deepseek对于闭源的OPENAI），一边根据行业特性主动思考后可以设定根据行业特性设定债务阈值（如科技企业宜低负债，基建企业可适度杠杆）。
以龙湖为例，可以看到其实从2014-2016年期间，就开始转型，并定义“龙湖的长期战略是活着”。
这个战略的定义决定了龙湖的一系列战术部署源自内部的逻辑推理、客观研究和科学决策。
龙湖与其他曾经翻云覆雨的地产巨头的对比可以体现这个战略推理的执行效果：
AI无法代替我们的思考决策
当下的GPT类的工具型APP就是AI历史的浪花。
OpenAI是，Deepseek是，Gemini是，Kimi是，通义千问也是。
这些AI工具是用来协助我们作出决策，而非代替我们作出决策。
我记得1957年司马贺（Herber A. Simon)与罗素的一段通信，是因为Simon的逻辑理论机已经把所有罗素跟怀特海的数学哲学的命题全部通过程序实现了，也就是说罗素作为顶级的哲学家，在十年内论证的命题，Simon和Allen Newwell通过逻辑程序在很短的时间内全部实现了。
但是最关键的是2位思想的伟人均赞同智慧和博学根本不是一回事情。时至今日，GPT一类的AI系统虽然可以超越人的能力学会任何规则，但依然并不能够去创造新的规则和命题，这是跟人巨大的差别。
这点企业的决策者需要时刻提醒自己，千万不要以为可以用AI 彻底代替人。规则是我们定的，计算机只能按规则去归纳而已。机器的博学无论怎么样，它只是博学。而企业里面所有的决策，始终需要围绕组织的的决策函数如何定义和指导日常经营来进行系统化思考。这件事情需要企业组织通过价值逻辑，来统一协调每个人的决策函数，并通过科学决策的体系来对齐。
在这个问题上，盲目引入AI只会把事情变得更为复杂（想象一下公司突然多了数百位不用支付工资的智能体也参与业务复盘会的情况）。
所以，在AI时代，企业如果希望高效科学决策的关键不是部署强大的系统，而是首先需要建立一个“数据领导力下的复杂问题解决流程”，即：
-
价值逻辑思考 – 提出关键问题 -
数据驱动 – 寻找相关性 -
迭代经验 – 预测与归因 -
验证 – 创新与试验 -
经验规律更新 – 因果与相关
同时需避免以下误区：
-
指标迷信：ROE高未必代表健康（可能源于过度财务杠杆）； -
静态分析：忽略行业技术变革或政策调整的影响； -
数据偏差：依赖历史数据而低估黑天鹅事件。
因此，人类的抽象思维必须与行业洞察、管理层评估、场景推演相结合，才能形成全面判断。
显然这里面AI是起到辅助作用，人的核心能力才是关键：
提问、思考、假设、判断、归因、预测、试验和创新。
期待有更多的投资人、企业家和组织管理的负责人与我们交流如何提升企业内部这些核心能力，欢迎关注公众号dtalks后，与我取得联系。
