2022年11月，美國OpenAI公司推出的用于人機互動的生成式預訓練轉換器（ChatGPT）讓人工智能生成式內容（AIGC）的概念席卷全球。生成式人工智能日趨普及，不僅影響著個體利用信息的方式，也在逐步重塑企業管理的各個方面。

以企業戰略管理為例，傳統的企業戰略決策過程是以點帶面，圍繞公司高層管理者的認知展開，形成自上而下的經驗式管理模式。然而，隨著營商環境日漸復雜和產業變革逐步深化，企業發展方向呈多向輻射形式，基于高層管理者個體認知的經驗式管理，往往難以有效處理復雜的內外部因素，甚至可能使企業困囿于管理者的認知舒適區中，無法及時應對動蕩的外部環境。

在人工智能應用逐步普及的今天，一些廠商基于人工智能技術，開始打造針對特定行業或領域的管理輔助工具，嘗試利用人工智能幫助企業管理者突破認知邊界，構建融合人類經驗和人工智能的生成式管理決策模式。

生成式人工智能：從不確定到確定性

生成式人工智能是以巨量數據為成長基礎，通過預設和自修正的反饋法則形成的，能夠生成更高量級數據的人工智能神經網絡。它能夠理解人類創作的要素，并將這些要素重新組合，創造出新的且能夠被人類理解的內容。OpenAI團隊發表于2022年的一篇文章，詳細闡釋了生成式人工智能的三個塑造階段：策略構建、賦分排序和決策優化。

在策略構建階段，研究團隊利用由人類打標簽的數據構建預訓練神經網絡模型。在賦分排序階段，人工智能自行制定不同的結果賦分策略，并對基于同一任務指令生成的多種輸出結果進行賦分排序。真人訓練員利用個人經驗，從旁指導人工智能選擇最佳的賦分機制。在決策優化階段，人工智能神經網絡基于輸出策略高頻生成不同的內容，并由內部賦分機制對海量內容進行賦分，自行優化輸出策略，最終給出滿足外部指令的最佳決策。

從上述描述可以看出，生成式人工智能的基本工作原理是，首先根據輸出策略生成與指令可能匹配的多個結果，再根據賦分機制逐步增加強匹配結果生成的可能性，直至匹配程度最高的唯一解誕生。

從生成可能結果，到判斷和削減結果的可能性，生成式人工智能在逐步實現輸出內容從不確定向確定的轉變。圖1展示了從完全不確定性到確定性的全過程。

◎圖1 從不確定性到確定性

不確定性、不連續性與企業管理類型

目前，生成式人工智能主要應用于語言相關領域，也因此常被稱作語言大模型。在生成式語言大模型中，說到即做到。只要算力夠，這種模型在海量信息中找到可能的結果，判斷結果的可能性，并以此為基礎得到確定性輸出的過程是連續的和有保障的。

然而，人工智能的普及性應用之所以剛剛開始，是因為擋在人工智能理論和實踐之間巨大的算法、算力和數據鴻溝最近才得以突破。而在此次突破中扮演關鍵角色的英偉達公司的股價最近一段時間一路狂飆，全球范圍內仍然一卡難求。眾多創業公司乃至互聯網大廠紛紛表示要All-in生成式人工智能，但真正能夠做到的卻寥寥無幾。這也反映了知行合一之間差異，以及企業計劃制定和執行之間的不連續性。

◎圖2 不確定性、不連續性與企業管理類型

如果我們從不確定性和不連續性兩個維度，對“知”和“行”之間的關系進行梳理，就可以得到圖2。此圖的縱軸表示在“知”方面的不確定性，橫軸表示在“行”方面的不連續性。“知”是對未來發展方向的認知，主要面臨的挑戰是不確定性，“行”是在未來發展路徑上的實踐，主要面臨的挑戰是不連續性。未來發展方向的不確定性可以分為高和低兩種情況。同時，從現在到未來能否做到知行合一，不僅要取決于“知”的確定性，還要取決于“行”的連續性。

從現在到未來有很多路徑，選擇哪條路徑是“知”所決定的，“知”從不確定性到確定性的提升，可以幫助人們選擇自己認為的最佳路徑，但現實中的路徑是否走得通，則需要克服未來路徑上的不連續性。

基于圖2，我們可以沿著企業發展的時間線，把企業管理模式分為適應式管理、愿景式管理、計劃式管理和涌現式管理四種類型。

在未來發展方向不確定性高、未來發展路徑不連續性也高的情況下，事物的發展處于混沌狀態，企業大多采取適應式管理，在眾多發展方向中進行排除，試圖找到適合自身資源和能力條件的發展方向，并將有限的資源和能力押注在此發展方向上，力圖實現發展路徑的突破，進入成長階段。

成長階段的企業往往采取愿景式管理，總有企業能夠克服發展路徑上的不連續性，實現自己的愿景，進入發展方向不確定性低、發展路徑不連續性低的階段，并開始采取計劃式管理模式，盡力讓自己的發展方向穩定下來，讓自己的發展路徑持續下去。然而當企業面臨劇烈變化時，便不得不重新進行選擇，以適應發展方向不確定性升高的外部環境。

由此我們看出，企業在生命周期的不同階段，需要采用與發展方向不確定性和發展路徑不連續性情況相適應的管理模式。如果我們把企業生命周期分為創業、成長、成熟和轉型四個階段，那么企業將在相應階段采取適應式管理、愿景式管理、計劃式管理和涌現式管理等四種管理模式。

生成式人工智能管理思維

在營商環境日趨復雜，企業發展節奏不斷加速的今天，一個企業可能在短短幾年內就經歷了創業、成長、成熟、轉型四個階段，并進入二次創業、成長、成熟的發展循環之中。這些企業將同時面對發展方向不確定性和發展路徑不連續性的四種組合情況，企業的各類業務也將分為創新、成長、成熟和轉型四種類型。在如此復雜的情況下，企業該如何協同各個業務，如何在錯綜復雜的環境中把握不斷涌現的發展方向和不斷變化的發展路徑，是企業管理決策面臨的重大挑戰。

在信息多元且獲得便捷的互聯網時代，計劃式管理容易使企業忽略豐富的外部信號，導致組織僵化，錯過發展機遇。而過多市場信號也會導致采用涌現式管理的企業在市場上隨機漫步和無序蔓延，看到多向的發展路徑卻無法一力貫之。因此，缺乏高速處理海量信息能力的企業，無論是采取適應式、愿景式、計劃式、涌現式管理中的哪一種，都難以創造最優績效。面對錯綜復雜的外部環境和多元業務組合，企業可以借鑒生成式人工智能技術的邏輯，嘗試生成式人工智能管理邏輯。

生成式人工智能管理的基礎邏輯是從發散到收斂，即從“生”到“成”。在發散階段，生成式人工智能管理系統從各個業務獲取海量信息，對企業決策模型進行預訓練，使其能夠學習數據中的規律和模式，進而預判企業后續的經營方向和未來狀況。在收斂階段，經過訓練的模型進入決策輔助模擬階段，生成的數據供管理者參考。管理者同時對模型輸出的決策方案進行評估，以便于后續改進模型和提高生成結果的質量。

在實踐中，企業采取的自下而上與自上而下結合的決策方式，就有生成式人工智能管理的影子。例如，任正非在討論華為決策體系轉型時說“我也不知道一線要多少資源合適，只能讓聽得見槍聲的人呼喚炮火，因為他離客戶最近，大家先聽他的，選擇先相信他。我們事后復盤時發現浪費彈藥了，再‘秋后算賬’、總結經驗。”華為一線的每一次呼喚炮火屬于一次自下而上的策略輸出，而隨后管理層的復盤和秋后算賬屬于一次自上而下的修正回報。人工智能的工作目標就是對大量修正回報進行標簽化，為組織實現“輸出à反饋à調整à輸出”的自我訓練建立制度基礎。

當一家企業沿著自己的生命周期，從創業階段發展到成長階段，進而進入成熟階段和轉型階段的時候。企業在各階段面對的未來發展方向不確定性，和未來發展路徑不連續性組合雖然各有不同，但在每個階段的組合相似性較高。從一個階段到另一個階段的變化，也有規律可循。在這種情況下，企業可以按照適應式管理、愿景式管理、計劃式管理和涌現式管理的思維模式進行管理決策。

然而隨著企業的不斷發展和外部環境的快速變化，很多企業在同一時點擁有創新業務、成長業務、成熟業務和轉型業務等組合。這些業務分別面對不同的發展方向不確定性和發展路徑不連續性。為了應對各類業務面對的機遇和挑戰，企業將服務于不同類型的用戶，采用相應的組織結構，發展符合用戶需求的產品，并嘗試在各不相同的市場環境中進行競爭合作。于是企業管理的復雜程度開始指數級上升。

◎圖3 生成式人工智能管理

從企業總部層面看，各個業務面對的具體情況不同，無法采用統一的管理機制和方式進行管理，業務之間很難達成協同效應。從不同的業務角度看，由于各業務所面對的具體情況不同，公司總部的要求往往很難達成，各業務也很難與其他業務形成協同。

這種情況可以用圖3解釋，底座是企業在不同發展階段業務所面臨的發展方向不確定性，和發展路徑不連續性的差異化組合。縱向則是隨著業務復雜程度上升帶來的知行合一難度的上升。在這種情況下，企業可以考慮借鑒生成式人工智能技術的工作邏輯，運用生成式人工智能管理模式。

生成式包括兩個關鍵字，一是“生”，二是“成”。企業整體管理目標的基礎是各個業務的管理目標，而每個業務的管理目標又包括用戶管理、組織管理、產品管理和市場管理等方面。由于不同業務所在發展階段和具體發展情況存在差異，這些業務在實際運營中會產生海量信息。企業可以使用預訓練的管理模型，針對每類業務所面臨的管理問題和數據信息打標簽，并不斷通過管理人員的評估，對模型進行優化，形成自下而上的管理信息匯集系統。

生成式人工智能管理的第二個關鍵詞是“成”，包括各項業務目標的達成和公司整體目標的達成。由于每項業務的管理目標都包括用戶管理、組織管理、產品管理和市場管理等具體目標。因此，這些目標匯聚在一起，應該達成各項業務的整體管理目標，而處于不同發展階段的各項業務整體目標的匯集，則應該能夠達成公司層面的整體目標。企業高層管理者可以自上而下地對各業務目標達成情況進行評估和排序，并調整公司層面的回報模型，進而促使各個業務達成自身目標的同時，幫助公司達成整體管理目標。

在生成式人工智能管理模式中，除了“生”和“成”這兩個關鍵詞，分別代表自下而上和自上而下的管理流程之外，“人工”和“智能”也是重要的關鍵詞。“智能”強調的是，企業管理是一門科學，可以通過規則的制定應對管理中的不確定性。用規則的確定性，應對變化的不確定性，用流程的連續性應對行為的不連續性。而“人工”這個關鍵詞則強調管理是一門藝術，甚至是手藝。需要管理者對管理體系進行適度干預，包括但不限于對管理數據的評估、對管理行為的反饋和對管理模型的優化。

來自堅果動力的案例

藝術追求結果的開放性和科學需要結果的明確性。采用生成式人工智能的管理決策，需要將開放性與明確性結合在一起，在“生”和“成”中達成平衡。以下以游戲行業為例，選取中國知名游戲廠商堅果動力的發展案例，并追溯其將美國人工智能公司data.ai納入決策核心的歷史過程，總結生成式人工智能管理的決策脈絡：廣域性探索、分布式挖掘、向量化衍生。

第一，基于競品標簽，簡化廣域性探索。游戲行業以豐富的內容和高度的競爭著稱。根據維爾福集團官方統計，其開發的“蒸汽”電子游戲分發平臺僅2022年共發行12 857款新游戲。一方面，豐富的市場競品為游戲廠商提供多元的市場經驗以供參考和模仿。另一方面，眼花繚亂的新世界也使產品開發者迷失在對未知的探索中，造成產品開發失焦，喪失產品內核，導致玩家失去購買欲望。

因此，游戲廠商在進行新產品開發中面臨高度的不確定性，既不知道自己能做什么（可能的結果），也不知道自己最適合做什么（結果的可能性）。基于“從不確定性到確定性”的演進模型，游戲廠商在開發新產品的時候，需要首先選定適合自己的賽道。

生成式人工智能是基于標簽化數據形成策略模型，將輸入的信息輸出為多個可能結果。游戲廠商同樣可以參考這一方式進行產品開發選擇，以層級式標簽概括海量的市場競品，簡化全行業搜索的成本和難度。堅果動力的創始人強叔增說，他早在2015年就認識到了data.ai對其產品開發的助力功效，并積極嘗試與data.ai的創始團隊進行對接。data.ai作為一家專注移動市場，尤其是移動游戲市場的人工智能公司，自誕生伊始就開始嘗試對市場上的產品進行數字化分類。data.ai的旗艦功能App IQ提供了以移動應用行業為場景的系統應用分類法。其標簽化的內容不僅僅局限于諸如App Store和Google Play等軟件發行商對移動應用的簡單歸類，而且深度挖掘應用內容，提供19 種類別152 種子類別的應用級品類標簽。

創始人對人工智能應用前景的敏銳感知和提前布局，以及data.ai人工智能輔助系統提供的品類－特征雙層次標簽分類，為堅果動力能夠迅捷、簡明又不過分籠統地掃描對全游戲行業產品成為可能。從而使堅果動力得以快速地進行產品定位，識別出自己想要發力的賽道。

第二，匹配研發能力，推進分布式挖掘。在大致清晰可能匹配企業能力的幾個賽道后，堅果動力依托人工智能評估各個潛在賽道的未來發展空間，進行賦分排序，進一步削減市場信息的不確定性。生成式人工智能通過優化賦分機制實現對結果可能性的排序，而這一步的關鍵是基于策略模型輸出多種方案，放在游戲產品開發的場景下就是多產品試錯迭代和方向優化選擇。

依靠前期的人工數據輸入和后續的智能數據監控，堅果動力有效利用人工智能指導內部團隊的研發方向。堅果動力有著豐富的產品試錯迭代經歷。該公司在蘋果和谷歌商店累計推出146款產品，其中截至2023年6月共有62款活躍應用，已下架的應用84款。這些活躍應用都有著持續穩定的日活躍用戶額和日收入。

第三，通過內容遷移，實現向量化衍生。生成式人工智能成熟的關鍵是決策模型和賦分策略的相互干預，進入脫離人類訓練員的自優化過程，在接受外部指令時，能夠自我衍生海量內容并快速排序，選出唯一解。同理，現實企業遵守市場供需關系的目的是也為了推出滿足消費者需求的產品，在被市場監督過程中逐步理解市場需求，最終實現主動預判市場走勢。堅果動力利用data.ai的人工智能數據，將公司的關注度聚焦到經營+冒險的融合品類。

公司參考data.ai在內容級別特征標簽，對比同品類競爭者的內容設計，選擇出與場景冒險和農場經營最相關的要素特征，如人物養成體系、解謎尋寶和劇情決策等。隨后，通過策劃、美工和程序組新老員工的混合協調，將過去積累的多品類游戲開發經驗應用到聚焦后的產品開發中，實現了從2019年爆款產品《玻里尼西亞大冒險》到最新熱門游戲《薩拉大冒險：時空穿越》的專一方向內容衍生。

生成式人工智能技術的發展帶來的不僅是挑戰更是機遇，那些積極擁抱生成式人工智能技術的企業能夠加強已有的甚至獲得新的競爭優勢。生成式人工智能作為一種通用技術雖然出現時間不長，但其解決問題的邏輯已經得到很多企業的應用，繼續那些積極應用生成式人工智能思維重塑管理的企業家，能夠更好地在不確定性中尋找到確定性，在不連續性中創造出連續性。