现在，AI能在几秒钟生成十套增长方案、把研发周期大幅压缩、甚至开始参与战略推演。
当下的企业真正稀缺的，已不再是有没有AI工具，而是谁来定义问题、谁来挑选方案、谁来承担决策后果。
真正领先的企业正在重构决策权：哪些问题可交给机器，哪些必须由人拍板，异常出现时如何回退，组织又该如何重新分工。
笔记侠PPE（政经哲）书院校董会主席、知名CEO咨询顾问王赛老师提出一个洞察：“策无限，决稀缺”。当方案生成趋于廉价，判断、取舍与负责反而更加珍贵。
在今天的文章中，王赛老师追问了一个每位企业家都绕不开的问题：当AI成为新的决策参与者，企业如何把它从附加功能，升级为推动增长、组织进化与战略选择的操作系统？
希望今天的内容，对你有所启发。
1.AI开始参与企业决策
今年5月，美国Coinbase这家公司，做了一件让硅谷所有高管睡不着觉的事。
他们裁掉了700名员工，不是因为业绩不好，也不是因为缺钱，公司账上现金流充裕得很。
裁人的理由是：AI已经取代了他们的工作。
Coinbase搞了一个系统，一个由四个AI角色组成的“智囊团”。
遇到重大战略决策，这四个AI先内部“吵一架”，分析师做初步评估，探索者去翻内部知识库找依据，综合者把各方意见拧成一份建议书。
最狠的是第四个角色，叫“反对者”，专门负责挑刺：“你的方案忽略了什么风险？”“这个假设真的成立吗？”“如果市场变了，你这套还管用吗？”
结果你猜怎么着？AI挑出来的问题，人类高管开会三天都想不到。
但最疯狂的是高德纳的一个预测： 到2027年，全球会有一半的业务决策,将通过AI来进行增强或自动化。
所以今天我想跟大家聊一件事：当AI开始替你拍板，我们的企业以及我们自身，还剩下什么核心竞争力？
我的答案是：决策，但不是“做决策”的能力，而是“设计谁来做决策”的能力。
在今天人工智能时代，AI可以给予你无限供给策略，秒级回应，而给予人类、给与人类组织而言，品鉴与选择哪个AI提出的策略，就变得尤为关键，甚至致命。
2.AI时代的新稀缺能力：会提问，也要会品鉴
硅谷近3个月，有2个最重要的岗位诞生，一个叫做“首席提问官（ 也有公司如DeepMind叫首席哲学官 ）”，一个叫做“首席品鉴官”。
一个负责超越效率之外，从人本价值之内，问出好的问题；一个从人工智能协同的答案中，做出高质量、高价值的选择。
这就是今天的决策价值，我将其称为 “策无限，决稀缺” 。
3.AI改变商业的三层路径
AI目前对商业的改变，从不同的维度看有三层：创新、运营、决策。
前两层是“用AI做同样的事更快”，第三层是“AI让完全不同的事成为可能”。大部分企业只做到了第一层和第二层，但第三层才是真正值钱的地方。
第一层：人工智能+研发
AI界的传奇人物安德烈·卡帕西（笔记侠注：前OpenAI创始团队核心成员、特斯拉高级总监，刚加入Anthropic），今年四月在红杉资本的峰会上讲了一个细节。
他说去年十二月是一个分水岭，他突然意识到，自己再也不用改AI写的代码了。他说：“我已经不记得上次纠正它是什么时候。”
过去写软件，你得一行行敲代码，跟计算机说先做这个再做那个。
现在你用自然语言描述需求，AI直接帮你生成。安装软件不用再写一堆脚本了，直接把需求丢给AI，它自己读你的机器环境、自己找路径、自己解决依赖。
于是，写代码这件事本身被重新定义了。
在科学发现领域更夸张。2024年的诺贝尔化学奖颁给了AlphaFold，他们的AI模型把蛋白质结构预测的周期从几十年缩短到几天。
Google出了一个新系统更厉害，它能独立提出科学假设、设计验证方案，不是辅助科学家做实验，而是自己当科学家。
这一层的特点是：不常发生，但每次价值极大。
你以前做研发要养一个庞大团队，现在AI几小时把全球相关论文、专利、竞品数据跑一遍，给你一个研究报告。对医药、材料、服装行业来说，这意味着弯道超车的机会。
但关键认知是：AI在研发领域的突破，不是让科学家失业，而是让科学家回归本质工作。
过去一个博士生的黄金时间花在跑数据、调参数上，现在AI把这些苦活累活都干了，人可以去想更本质的问题。
第二层：人工智能+运营
如果说研发层是“原子弹”，运营层就是“机关枪”，高频发生，每次价值中等，但累积起来非常可观。
Zara的快时尚神话是一个曾经经典样本，从设计到上架只需要两周。传统服装品牌像耐克，从设计到上市需要一年半，要提前预测流行趋势、提前备货。
Zara的做法完全不同：它的店长每天把顾客反馈实时传回总部，“这款碎花裙试的人很多但买的人少，为什么？”设计师、采购、分析师坐在同一个大办公室里，根据这些数据快速调整。
卖得好就加单，卖不动就停掉。库存周转率比同行快三倍，滞销率只有行业平均的一半。
可同在快时尚领域的SHEIN则完全不一样，他们的做法是靠AI全链路提速，实时抓取社媒热词，AI生成设计稿省去人工构思；
小单快反，AI依点击转化数据24小时内自动触发翻单；
SCM系统动态派单，爆款流量与生产同步联动，将传统数月运营周期压缩至数天，实现极速响应，SHEIN的玩法，是让AI在运营里直接领着人走，人退到执行位、AI站到台前。
这也告诉我们一件事： 运营效率拼的不是流程速度，是决策循环的转速。
“我预测半年后流行什么”已经让位给“我现在就知道什么在卖、什么不卖”。
星巴克的“数字飞轮”是另一个样本。
这家咖啡巨头有近三千万移动应用活跃用户。
它的算法会把你的消费数据，几点钟买了什么咖啡和天气、节假日、甚至你的位置关联起来，给你推送“适时适地”的推荐。
早上上班路上推一杯浓缩，下雨天推一杯热巧克力。
华住集团的智能系统让你说一句话就能完成续住。
这些例子背后的逻辑是一样的：AI不替代人，而是把组织里的知识，变成全团队的能力。
这种情况下的AI把过去高频、重复的运营环节重塑，把运营最佳实践刻入在人工智能的记忆中，让AI来驱动组织。
第三层：人工智能+决策
前两层无论多厉害，本质还是“用AI做同样的事”。第三层完全不同，AI让“决策”这件事本身发生了质变。
什么叫质变？有两个故事。
第一个是Netflix（奈飞，下同）的百万美元豪赌。
2006年，Netflix还是一家DVD租赁公司。
它干了一件很有意思的事：悬赏一百万美元，邀请全球高手来改进它的推荐算法。谁能把推荐准确度提升一成，这百万美元就归谁。
三年后，一个团队做到了。但Netflix没有就此收手，它发现推荐算法真正的价值，远不止帮用户更方便找片，它撬动的是Netflix的内容决策逻辑。
以前好莱坞拍电影，是靠导演和制片人的直觉“我觉得这个题材会火”。
Netflix用数据说话：它分析用户的观看行为，发现喜欢《纸牌屋》原版英剧的观众，同时也爱看凯文·史派西的电影和大卫·芬奇的导演作品。
于是Netflix豪掷一亿美元，找这三个人拍了美版《纸牌屋》。
结果这部片子成了Netflix第一部爆款原创剧，也标志着Netflix从“内容分发商”转型为“内容生产商”。
Netflix用推荐算法，一边改了用户看什么，一边改了自己做什么。这就是决策的质变。
第二个是亚马逊Prime的战略直觉。
2005年时，亚马逊还只是一家卖书的电商。一位工程师给贝佐斯提了一个想法：搞一个会员制，用户每年交一笔固定年费，享受无限次免费两日内送达。
很多高管反对，因为每单物流成本十几美元，会员如果滥用，公司会破产。
贝佐斯力排众议，说了一句话：“如果客户喜欢Prime，需求就会上升。需求上升后，我们就能建更多物流中心，摊平成本。”
结果Prime会员从零增长到两亿。更关键的是，会员制把不确定的消费变成了确定的用户关系。
贝佐斯最牛的地方在于，他没有停在“确定”里。
Prime会员的行为数据不断开拓新业务边界：Prime Video、Prime Music、云计算。亚马逊后来成为全球最大的云服务提供商，根基就埋在Prime会员的数据洞察里。
这两个故事和AI有什么关系？
Netflix的故事告诉我们：AI可以把凭直觉做决策，变成凭数据做决策。
过去只有贝佐斯这样的天才CEO能做出Prime这种级别的战略判断，现在任何企业都可以用AI分析用户行为、预测需求、推演策略。
AI对决策有双重冲击：怎么做决策被改了，“决策”这词本身的定义也被改了。
Prime表面上是一个会员产品，实际上是一个战略决策，它改变了亚马逊和用户之间的关系性质，从“你买我卖”变成“我懂你、我服务你”。
1.AI让策略、方案与选项无限供给
前面讲过我的判断：AI时代，“策”是无限的，“决”是稀缺的。
什么叫“策无限”？策略、方案、选项，AI可以无限生成。你给AI一个商业问题，它能给你十套方案，每套还能拆出十个变体。
麦肯锡去年的研究显示，近九成企业已经在某处使用了AI，AI生成方案的成本仅为人类方案的百分之一，时间从数月压缩到数小时。
2.最终拍板、价值取舍与责任承担仍然稀缺
但什么叫“决稀缺”？
最终拍板、判断、承担风险，这必须由人来完成。
AI可以告诉你“根据数据分析，A方案的预期回报更高”，但它不能替你说“我选A，出了问题我负责”。
这里有一个更深层的问题：AI把“策”变得无限廉价之后，“决”的价值是在上升还是下降？
我的看法是上升，而且急剧上升。
当所有人都能用AI生成八十分的方案时，能区分八十分和九十五分的人就成了最稀缺的资源。
当所有竞争对手都能实时获取市场数据时，“识别机会”本身不再构成差异化，真正的差异化是你如何定义问题。
诺贝尔经济学奖得主赫伯特·西蒙在一九五七年提出了“有限理性”理论，他说人类决策受限于信息获取和认知加工，只能追求“满意解”而非“最优解”。
七十年后，AI在信息处理上的能力远超人类，它在很多场景下可以找到人类根本看不到的“最优解”。
但西蒙的理论仍有一个不可动摇的基石：价值判断。
AI可以告诉你“怎么做最有效率”，但不能告诉你“什么值得做”。效率是计算问题，价值是选择问题，计算可以外包给AI，选择必须留给人。
3.让AI处理理性计算，让人类放大本能与情感
人类决策其实有三套系统在同时运作：
本能管直觉反应和损失厌恶；理性管数据分析；情感管叙事和品牌认同。
AI可以完全接管“理性”这套系统:数据分析、模式识别、情景模拟，这些对人类是苦活累活，对AI是基本功。
但本能和情感是AI替代不了的,危机时刻的直觉、品牌情感的共鸣、对不确定性的判断，这些都是人类独有的。
所以决策的最高原则可以总结为一句话： 理性交给AI，人类放大本能和情感，这也是我讲的“让AI的归AI，让人类的归人类。”
1.四种决策场景
传统企业的决策架构有一个底层假设：决策的主体是人类管理者，但这个假设正在断裂。
基于AI参与度的不同，企业决策可以分成四种场景。
① 人类独断的场景：涉及伦理、价值观、战略方向的问题。
企业是否进入一个地缘政治敏感的新市场？这不只是利益计算，更是价值观选择。 AI可以提供数据，但最终决策必须人类来做。
② 人类主导的场景：AI提供数据分析、情景模拟、风险评估，人类基于这些信息做出判断。
GitHub平台的AI编程助手生成代码建议，开发者决定采用哪一段。
我给上市公司做消费品市场进入战略时，先用AI提出假设，然后和高管一起讨论取舍，这就是典型场景。
③ AI主导的场景：规则明确、数据充分、高频重复的场景，AI做出决策，人类进行监督。
比如，特斯拉的自动驾驶在高速公路上自主变道，决策准确率超过九成九，事故率仅为人类驾驶员的九分之一。
又比如，支付平台的实时欺诈检测，决策完全由AI做出。
④ AI独断的场景：如高度标准化、低风险的场景，人类不干预。但真正完全AI独断的场景其实很少，因为“出了问题谁负责”这个责任问题还没完全解决。
这四种场景背后有一个核心规律：决策的“可计算性”越高，AI权重越大；“价值判断性”越高，人类权重越大。
2.三种演进模式
AI辅助决策是最基础的一层。AI提供数据洞察，人类做最终判断。
比如一家B2B销售分析公司，用AI记录和分析销售通话，生成“对话健康度评分”，告诉销售代表“这位客户上次通话三次提到预算审批，建议下次直接提供回报计算模板”。但最终的拜访策略、报价方案，仍然由人决定。
AI嵌入决策更进一步。AI拥有在限定范围内的自主决策权，边界由人类设定。
特斯拉的自动驾驶是典型案例，人类设定边界，AI在边界内自治，超出边界立即交还人类。
边界不是一次性划定的，而是动态调整的，如果某个路段的脱离率异常升高，AI自动将该路段降级为“人类主导”，直到性能恢复。
AI涌现决策是最具革命性的模式。AI不仅执行决策，还能生成人类未曾设想的战略选项。
Coinbase的“反对者”AI就是典型，它迫使决策者面对那些“没人愿意提”的风险和假设。这是AI帮人类建立更深的判断力。
3.决策治理：边界、质量与责任
当AI拥有决策权时，治理框架必须回答三个核心问题。
边界问题：AI在什么范围内可以自主决策？
质量问题：AI决策准确率低于阈值时如何触发人类介入？
责任问题：负面后果的责任如何界定？
设计协作平台Figma的做法提供了一个参考。
它的AI设计助手不仅生成界面建议，还建立了“决策日志”系统，设计师可以回溯“为什么AI推荐了这个配色方案”，查看数据依据：用户测试反馈、设计趋势分析、品牌一致性评分。
把决策过程摊开，目的不是逐条审批，是给人介入时一个判断抓手。
Uber在2014年悉尼人质事件中的教训同样值得警醒。它的动态定价算法自动将事发区域价格提升数倍，引发公众愤怒。
Uber的解决方案是引入“人类否决权”，极端事件中自动暂停动态定价，由人类接管。这说明边界设定不是一次性工程，而是需要持续演进的治理机制。
这些案例还揭示了一个关键原则：决策权的动态调配。持续评估每个场景中AI和人类的相对表现，动态调整权重。
当AI在某一领域证明了其决策质量后，组织能否快速将决策权从人类主导切换到AI主导？
当AI出现系统性失误时，组织能否快速回退？
这种“动态调配机制”才是双核驱动的成熟标志。
这里必须区分两个完全不同的物种，我们要成为AI原生公司，还是AI赋能或者再生公司？
AI原生公司从第一天起AI就在核心位置。
有一家叫Gamma的PPT工具公司，只有50人团队，2025年的年收入却超过1亿美元，它不做PPT编辑器，而是让用户描述意图，AI直接生成幻灯片。
人类只需要做两个决策：输入什么描述、选择哪张图。其余所有决策，风格、构图、色彩，全部由AI完成。
麦肯锡的数据很说明问题：近90%企业已经开始用AI，但仅有不到15%的企业认为AI带来了显著财务回报。
落差的原因就在于：大多数企业只做了最基础的一层，把客服换AI客服、报表换AI生成，优化了旧流程的成本，没碰收入模式和价值主张。
更深层的问题在于组织形态。
传统公司是金字塔结构：
高层战略、中层管理、基层执行；
AI原生公司趋向极扁平，少量“意图设定者”定义问题、设边界、审异常，大量AI执行原子任务。 边际交付成本不再随业务规模线性增人头。
比如传统律所接一个案子需要加一个人，AI原生律所接一个案子只需要多调一点算力，这就是AI原生独特的超线性扩张潜力。
真正的诊断标准只有一个：如果明天把所有AI能力从你们公司撤回，你们还能用原有方式运转并产生同等收入吗？不能，才有资格谈AI原生。
但这并不意味着所有企业都必须变成AI原生，关键在于清醒认知：
你在做什么层级的改变？是优化成本、重构体验，还是重新定义价值主张？每一层都需要不同的投入、不同的组织能力、不同的风险承受度。
回到开篇的问题：AI到底改变了什么？
它改变的不仅是工具、流程和效率，而是决策权的分配方式。
当AI可以比人类更快地计算、更准地预测、更广地关联时，人类的核心价值从“计算”转向“判断”，判断什么是值得追求的，判断什么是不可妥协的，判断什么是机器看不到的。
传统CEO是“首席决策者”，最终的判断由他做出。
AI时代的CEO是“首席决策架构师”，他不直接做大多数决策，而是设计“谁来做、怎么做、在什么边界内做”的架构。
Block（笔记侠注：全球领先的金融科技公司）的董事长兼CEO杰克·多西，今年宣布他的公司裁员四成向AI原生转型，他的解释是：“我们用AI替代了中后台执行岗，留下更小、更高阶的团队定义方向与核查输出。”
这种转变的核心是价值重心的迁移，中层管理者从“监督执行”变成“高阶任务编排者”，工作从“检查别人有没有按流程做”变成”定义什么问题值得解决、设定AI的边界条件、审核异常输出”。
这对领导力的要求完全不同。过去CEO需要懂业务、懂管理、懂资本运作。未来CEO还需要懂一件新事物：决策架构设计。
什么叫决策架构？
就是谁来做决策、用什么信息做决策、在什么边界内可以自主决策、超出边界怎么交接。
我在给企业做咨询时，通常会问CEO几个问题：
你卖的是功能还是结果？哪些环节可以从“辅助人做”升级为“AI替你做成”，并以任务完成度计量？
你的收入能否与AI创造的真实增量价值挂钩？是继续收坐席费，还是逐步实验按调用、按结果计费，用数据证明回报？
组织是否为AI时代重新设计过？中层管理是否还在管控已由AI完成的流程？高阶人才是否在做“定义问题加审异常”，而不是重复执行？
这些问题的本质，是在问同一件事：AI是你生意的附加功能，还是抽掉它生意就不转的操作系统？
蒸汽机时代区分企业看有没有工厂，电气时代看有没有流水线，互联网时代看在不在线上。
AI时代的新分水岭只有一条： 你把AI当工具，还是当操作系统，还是决策质量的“新水晶球”？
毫无疑问，物种分化已经开始。
AI不会自动带来增长，它只会放大企业原有的决策质量。
我们要思考的问题是：不能把责任交给机器，而是由CEO重新设计决策架构，让AI处理可计算、可验证、高频的部分，让人类守住价值判断、战略取舍和责任兜底。
未来拉开差距的，一定是谁更早把AI变成组织的操作系统，并在效率、边界与责任之间建立持续校准的机制。
内容来源：2026年6月24日-26日，笔记侠北京举办的【AI十倍增长营】01期课程上王赛老师的演讲内容精华汇编。
分享嘉宾：王赛，笔记侠PPE（政经哲）书院校董会主席、知名CEO咨询顾问、《增长五线》作者。
责编| 贾宁
本文来自微信公众号“笔记侠”（ID：Notesman），作者：王赛，36氪经授权发布。
发布时间：2026-07-15 08:14
立即订购
在线咨询
返回顶部