AI时代企业的智理能力
最近，我开始在很多企业内部战略决策会议上，向创始人和管理层提出一个理念：AI时代的企业需要建设智理能力。
智：指充分借助人工智能技术赋能组织转型
理：指需要强调人类自身逻辑推理能力的重要性，并充分发挥批判性思维的能力去解决复杂问题
我们可以发现当人工智能（AI）是否可以作为企业转型和创新的关键驱动力进行深入交流，显然大部分企业内部的AI应用并非一帆风顺。尤其是在涉及到AI智能体在企业中，开始与人类复杂的语言和逻辑系统交互时，问题就出现了。
语言的本质：沟通而非思维
我们先来看看语言这个管理决策中几乎天天使用的工具。
语言是人类社会的核心工具，但其本质并非用于思维，而是用于知识传递与信息交流。
推荐大家读一下“Language is primarily a tool for the communication rather than thought”。这其中深刻阐释了人类语言的本质特征：语言并非用于思维的工具，其核心功能在于知识传递与信息交流。这一本质决定了自然语言处理的根本特征——无论是口语对话、文本阅读还是语音听取，个体间始终存在显著的认知差异，且信息传递必然依赖前置语境。
我们只要关注一下神经科学的研究，就能理解语言与逻辑推理之间的关系。
大脑中负责语言处理的区域与执行推理功能的区域在解剖结构上是分离的。例如，在执行决策、数学运算或逻辑推理任务时，相关神经活动发生在与语言中枢完全不同的脑区。这表明，逻辑推理能力是独立于语言存在的认知功能。失语症患者仍具备完整的思维能力，进一步印证了人类认知系统存在超越语言维度的深层逻辑架构。
如果你理解了这一点，就马上可以深刻理解自然语言处理（NLP）的根本特征：无论是口语对话、文本阅读还是语音听取，个体间始终存在显著的认知差异，且信息传递必然依赖前置语境。在日常交流中，我们往往默认大量隐含信息的共同认知基础，但这种默认在复杂场景中可能导致误解，效率及其低下。
我在给不同企业进行商业博弈训练时发现：
-
参与者不自觉会通过自然语言文本传递信息 -
信息发送方往往存在未明确表达的隐性价值判断， -
接收方则会产生差异化解读，这种认知鸿沟在人与人沟通模式中难以避免。
一旦企业大规模部署智能体（Agent）进行经营管理时，若沿用自然语言作为主要交互介质，整个组织系统将更难以高效进行复杂决策制定。
逻辑能力：人机协同的关键
为了实现高效的人机协同，企业需要构建严谨的商业逻辑框架。
逻辑学原理构成了自然智能与人工智能的核心交集，计算机的二进制运算系统与人类的逻辑思维在形式逻辑层面具有同构性。这种底层逻辑的贯通性，正是我们能够与AI系统建立有效协作的认知基础。
在实际应用中，企业需要通过系统化的提问、思考和价值推演过程，规划设计AI的应用场景。AI在处理复杂任务时可能面临“幻觉”问题，即在未明确输入输出边界时，AI可能会做出无法控制的行为。例如，有案例显示，AI在未连接公司IT系统的情况下，主动提出发送邮件的建议，导致用户误以为其具备相关功能，这表明，AI的应用需要明确的边界设定和逻辑框架。
事实上，在医疗系统和复杂计算机系统中，都存在大量类似的结构化逻辑规则。
比如某企业规定”员工需满足工作年限超过5年且绩效评分高于9分，才能获得晋升”，请注意这是企业独有的决策规则。
如果换一个互联网的业务规则场景，我可以说京东、雅虎、谷歌等公司也各自拥有这类规则体系。
比方说当某个网页SERP排名权重值高于特定阈值（比如系数X），并且其页面质量评分达到设定标准（比如分数Y）时，系统将自动提升其排名结果。这套规则贯穿于Google的整个算法体系，但关键在于——这些规则由谁设计？答案始终是人类。
人的决策权具有不可替代性。因为所有逻辑规则包含道德判断、伦理考量与企业价值函数设定，这些要素完全由人类定义。
AI智能体的出现并非万能解决方案。AI可以于帮助人类归纳总结和处理数据，但无法替代人类自身的逻辑推理。
比如在数据分析中，问题的定义、背景以及目标仍需人类设定，AI仅负责处理数据样本并提供分析结果，最终的判断和决策仍需人类完成。
假设今天我要让ChatGPT做数据分析，如果我让AI帮我做一个专业级别的数据分析工作，你首先需要先写出一系列的说明：
你需要定义角色背景，明确对方的用户画像，设定目标和信用条件，甚至还需要规划出整个工作流程。现在大家看到的DeepSeek似乎可以简化这些步骤，但DeepSeek实际上是将Prompt的工作前置化了。比如，Deep Seek采用的MOE架构，你注意到了吗？它强调的是专家的小模型。这意味着什么？模型中包含大量的逻辑推理和行业领域逻辑。只有先做好这些处理，才能让系统顺利运行。否则，我们只能做一个界面，让每个员工在使用软件时手动填写相关内容，但这不是一种倒退吗？
当我们尝试将AI纳入公司管理时，其最终的决策函数是需要通过逻辑计算的，AI可以非常高效进行计算，但这个函数是如何定义出来的？企业内部为什么要做一件事而不做另一件事？例如市场营销的预算要不要批，这些都是以来组织内部的商业逻辑和规则抽象，结合知识库的梳理才能提供给AI使用。
没有这些基础条件，任何AI系统都无法运作。这也解释了为何医疗等行业反而坚持构建自身的小模型，而不可能粗暴应用大模型。
如果我们沿着Transformer的思路去推演，无论Kimi还是Deepseek在推理能力的方向上发展到哪种程度，任何一个在企业内部从事AI应用的人都会理解我这句话：
如果想让多个Agent的整个流程顺利运行，离不开对生成式任务的结构化拆解，而结构化拆解只能由人来设计和规划。
这就体现了通过明确逻辑框架、规范输入输出边界，并结合人类的逻辑推理能力，企业可以实现高效的人机协同。
人的能力 VS AI的能力
罗素在赫伯特·西蒙（Herbert Simon）完成逻辑理论家的时候，判断到逻辑是机器可以处理的领域，但是人类商业实践的活动不仅仅是简单的计算，还涉及到创新和突破经验，而批判性思维是可以演化出创新思维的，也涉及企业发展的长期价值文化，所以我一直强调在AI时代，企业和个人需要持续提升从提问到思考、判断、假设、预测、归因和实践创新的能力。
这些能力是人机协同的基础，也是避免人类被AI替代的关键。
现在企业在实际应用中，真正需要的是价值逻辑的推演。比如如果我们要做一个企业内部的AI应用，前提是我们需要一个系统化的提问、思考和价值推演过程，这需要人来进行规划设计。
当然，你可以说GPT可以解决这个问题，但这仍然需要人先输入，将这些逻辑预埋进去，然后交给AI去处理。这个过程其实很像我们在互联网公司中经历的大量产品迭代过程，在每次产品迭代之前，我们会做大量假设，而这些假设背后有大量的商业逻辑。目前，我认为企业中AI无法有效运行的一个重要原因就在于此，如果企业能够解决这个问题，那么AI一定能够发挥作用。
回顾文章开头我提到的企业如何进行智理能力建设，即是基于人工智能和人类逻辑推的结合。那么，把AI先放一边，我想建议大家持续提升从提问到思考、判断、假设、预测、归因和实践、创新这八个能力。企业和个人在AI时代都需要加强这些能力。不要指望仅仅依靠AI套用模板就能完成工作，这样的工作是没有价值的。
那么，具体该怎么办呢？第一步是提出关键问题，本质是对问题进行降级、拆解、定义和量化。
关于价值逻辑，我觉得大家现在需要重新学习《形式逻辑》这本书。形式逻辑后来演化到近代哲学，比如罗素在20世纪初在中国讲授的哲学，叫做数理逻辑。我坦率地告诉大家，赫伯特·西蒙（Herbert Simon）作为人工智能行业的开创者，他的思想中其实包含了哲学的经典。如果大家去读赫伯特·西蒙当年在卡内基梅隆大学写的论文，比如他写过一篇关于”利他”的论文，就会发现里面其实隐藏着我今天提到的关于人工智能中价值函数处理的问题。这个处理过程需要企业在内部讨论做一件事的价值函数如何定义。
我们在内部定义一件事情的价值函数时，经济领域是有严格的数学公式的。数学公式是第一位的。通过数据寻找机会并迭代经验，这个过程AI能做什么呢？AI可以帮助大家归纳总结和处理数据。例如，今天我做数据分析，我会把问题的定义、问题的背景以及我要解决的问题都交给自己。但数据样本的分析，我会交给AI去完成。然而，最终的分析结果，我们自己需要做出判断。
所以一句话总结就是：AI时代，答案是廉价的，而提问的能力是无价的。
如果你对企业的智理能力感兴趣，欢迎与我交流人工智能技术+人类逻辑推理如何用于解决复杂商业决策。
