在AI与算法重塑商业规则的效率时代,海量的数据与极速的反馈似乎让一切决策变得轻而易举。然而,当算法暴露出盲区、偏差与治理难题时,真正的决策门槛反而悄然提升。
当“更快、更省、更智能”成为标配,真正拉开差距的不再是效率本身,而是效率之上的边界判断与关键取舍。哪些效率值得追求,哪些会把行业拖入低利润的消耗战?哪些投入在沉淀长期价值,哪些只是在透支未来?哪些判断、责任与担当,必须始终握在人的手中?
围绕这些问题,绿源集团共同创始人、首席执行官胡继红,戴尔科技集团全球资深副总裁、中国区董事长吴冬梅,PMI项目管理协会中国区总裁王梦妍,天赐材料副总经理黄娜近期在《财富》中国500强论坛的“效率时代的决策力:算法算不出来的答案”主题圆桌中,从女性领导者的管理实践出发,探讨效率背后的价值选择、边界意识与责任担当。

从左至右:天赐材料副总经理黄娜,PMI项目管理协会中国区总裁王梦妍,戴尔科技集团全球资深副总裁、中国区董事长吴冬梅,绿源集团共同创始人、首席执行官胡继红,《财富》中国新媒体执行主编谢菁炜
谢菁炜:AI 进入日常工作以后,做决策这件事是更简单了,还是更复杂了?

绿源集团共同创始人、首席执行官胡继红
胡继红:我感受最明显的变化是快了。以前做战略报告,走访市场、访谈客户、做调研和数据分析,可能要花一个月。现在,AI十秒钟就能给我大量信息。
去年我花了四个周末写了一万字。今年我和AI一起定提纲,由AI执笔,两个周末就完成了三万字。按篇幅和耗时算,写作效率是去年的六倍。两份报告的整体水平差距不大,但今年这份对员工的指导价值高了很多。

戴尔科技集团全球资深副总裁、中国区董事长吴冬梅
吴冬梅:AI让我们做决策更快了,判断也更准了。企业的竞争力,体现在能多快把信息转化为判断,再把判断付诸行动。等到大规模应用AI时,企业还要保证决策的一致性和可靠性,管好其中的风险。
有了AI,做决策的门槛可能降低了,但要持续做出高质量的决策,对企业的要求反而更高。我们最看重的还是决策质量,人始终应该是决策的第一责任人。

PMI项目管理协会中国区总裁王梦妍
王梦妍:我会把决策分为两个层面。AI让日常决策更容易了,战略决策却更复杂了。获取信息越来越容易,判断哪些信息值得采信、哪些可以舍弃,反而更难。过去,管理层往往掌握更多信息,这也是他们做决策的优势。今天,更考验领导者的是能否从大量信息中筛出可靠的依据,形成自己的判断。
作为项目管理行业标准的制定者,PMI这几年一直在跟踪全球企业的经营表现。我们提出“组织敏捷”这个概念。对CEO和高管来说,它体现在三个方面:能否迅速判断形势的变化,及时调配资源,并带领团队把决策付诸行动。

天赐材料副总经理黄娜
黄娜:AI让信息越来越多,所以不确定的事情变难了,比如说客户的战略决策和客户的痛点洞察。在这种高度不确定中,人在做判断的时候,需要增强一点“赌性”,让我们更加清楚地知道什么时候需要人来做判断,什么时候需要人站出来背锅。
谢菁炜:现在AI已经能帮管理者实时掌握项目的进度、成本和风险。但从PMI接触的项目看,哪一种危险的信号,恰恰是数据看不出来的?
王梦妍:我想强调一点:很多企业已经把AI用到了实际业务中,风险治理却还没跟上,这方面的人才也很紧缺。AI技术一直在迭代,大家都在讨论怎么用AI、怎么识别模型产生的幻觉,以及数据背后有哪些风险。各国也在制定相应的政策。
对企业来说,首先要有标准,把使用AI的边界划清楚。今年,PMI推出了一项AI项目治理标准,希望帮助企业从一线员工到中高层管理者,都能在日常工作中识别数据背后的风险,清楚哪些红线不能碰。
打个比方,企业用AI就像开一辆有智能驾驶功能的车。系统可以辅助驾驶,驾驶者仍然要判断路况,知道什么时候该接手。AI用得越深入,企业越需要相应的风险治理能力,也越需要人的判断力。
谢菁炜:制造业其实还有更难的一种情况——连数据都没有。比如一个新机会要不要押,或者一个低概率风险要不要提前防,没有历史数据可以参考。天赐最近一次在这样的“数据盲区”里做决定,是什么事?
黄娜:我们做材料,经常会在化学反应中遇到各种“盲盒”。反应过程中究竟发生了什么,会出现哪些新的副产物,有时很难事先判断。最近我们开发了一款新产品,技术难度和投入都不算大。客户的痛点大家都看到了,但怎么解决,客户和同行心里都没底。这时候,我们作为材料供应商,就要判断这件事值不值得做。换个角度看,所谓的盲区,恰恰是客户需要我们帮忙解决的问题。这个项目最后以较小的投入取得了较好的产出。
资金投入虽然不大,人在其中发挥的作用却很关键。客户自己也拿不准的时候,我们要提出方案,和客户一起试,根据实际效果反复调整。每试一次,对问题就多一分了解,盲区也就一点点缩小了。从材料研发、工艺设计到生产制造,我们经常遇到这样的情况,光靠已有的数据很难找到答案。很多材料本来就有,难的是发现它还能用在哪里。
举个例子,20多年前,我们把原本用于工业的硅油引入洗护用品。北方的冬天,头发容易飘起来,用了含硅油的洗护产品,就能改善这个问题。材料是现成的,但要留意到生活中的这个困扰,再想到把硅油用在这里,这就需要人的观察和判断。
谢菁炜:数据少是问题,数据太多也是问题。比如一家公司里,同一个客户,销售系统里叫"客户",财务系统里叫"账户",机器并不知道是同一家。戴尔本月初宣布要推出"统一语义层",来解决这一类问题。您观察到,哪一种决策最容易被这种数据差异带偏?
吴冬梅:“客户”和“账户”这种名称上的差异,反映的是不同部门、不同业务系统的数据口径不一致。即使说的都是“客户”,各部门看重的也不一样。市场和销售部门看合同金额,服务部门看装机数量,财务部门更关心利润、坏账和信用状况。一旦要跨部门、跨系统,甚至跨周期做决策,挑战就出现了。
公司要根据客户价值分配战略资源。如果这些数据对不上,管理者就很难判断一个客户到底有多大价值、值得投入多少资源。更严重的是,公司可能低估客户的信用风险,也可能在合规审计中留下盲区。戴尔已经把全球一万多个数据库统一起来,这是我们推进AI转型很重要的一步。
我们把戴尔自己称为“零号客户”。一项方案先在公司内部验证,再推给客户。在这个过程中,我们统一、简化了内部流程,把它们整合到同一个平台上。最近推出的AI数据平台里,有一个关键组件叫“统一语义层”(The Unified Semantic Layer)。可以把它理解为一本各部门共用的词典,让散落在不同系统里的数据有了统一的解释。这样,财务、销售和服务部门说到同一个客户,各自手里的数据就能对上号,AI智能体也才能看清公司的业务,给出相应的解决方案。从这个意义上说,统一语义层为公司运营提供了一套共同的语言。
谢菁炜:数据太少、数据太多,这两个阶段其实胡总都经历过。2002年,多数企业还在靠经验管理,您就推动组建了信息化部门。到今天,几乎每家企业都在讲数字化。这时候,您从数据里看到的最明显的盲区是什么?有哪些环节,您现在反而更明确地交还给经验?
胡继红:我用机器码、汇编语言写过程序,也用过Fortran这样的高级语言。说自己是中国第一代“码农”,我当之无愧。早在2002年,我就想用信息系统解决企业的管理问题,因为我知道它能大大提高效率。公司一路走到今天,信息系统发挥了很大作用。
今天,大家都在谈AI能给企业降多少成本、提多少效率,我觉得有件事容易被忽略,就是经营。成本降下来了,收入怎么提高?怎么让客户愿意为我们的产品多付一点钱?这些问题,我们好像还没找到答案。
三天前,公司开月度经营会,12个部门分别汇报业绩。平时我会逐份点评,这次我让助理把报告交给AI点评,我自己也照常记笔记。听完汇报,我确实很高兴。无论是内容、逻辑,还是格式、版面,我以前都没见过这么高水平的报告。
我让助理把AI的评语拿出来,看看它挑出了什么问题。12份报告里,AI给大约10份都提了同一条意见:“经营思维不足”。我在笔记里写的是“经营不够”。措辞不同,看到的问题是一样的。
这件事给我提了个醒。以前大家跑完业务回来,聚在一起谈产品、谈效率、谈怎么拿下客户。现在大家见了面,聊的是“你的AI怎么用的”“昨晚AI又帮你回答了什么问题”。交流这些心得当然很开心,但聊工具聊得这么起劲,我们还花多少时间谈市场、谈客户究竟需要什么?我觉得,这是眼下很容易被忽略的一个盲区。
谢菁炜:比盲区更严重的可能是“谬误”,每一步都对,结果不太对。比如,现在AI可以把单个项目的进度、成本管理得越来越精细。但有没有可能,一家公司每个项目都做得很好,最后却没有实现真正的战略目标?从您的观察来看,企业最容易在哪里犯这种错?
王梦妍:最近我写了一本书,叫《AI职场胜任力》。我觉得,对各行各业的普通职场人来说,用好AI和做好管理一样,都是一项基本能力。但为什么每个部门都在用AI提效,公司整体却未必能得到预期的结果?我觉得有两个原因。
第一个是各部门各做各的,公司缺少一套共同的管理语言和标准。每个部门用的AI工具可能都不一样,汇报时都说数据很好、效率提高了,却没有人从公司全局判断,这些改进加在一起到底带来了什么。所以我说,企业用AI是一把手工程。组织架构怎么调整,人才怎么配,工作流程怎么衔接,都需要有人统筹。
第二个是一个环节提了速,却把堵点推到了下游。比如研发部门用AI加快了研发进度,检测却没跟上,后面的销售和客服就可能面临更大的压力。所以还是要看整个流程,哪怕AI用得少一点、推广得慢一点,也要用得稳、用得安全。如果一线员工不了解数据使用的边界,把公司的敏感数据输入外部AI模型,就可能得不偿失。
这也是为什么我们在AI治理标准里一直强调“人在回路”。如果人只在某个节点检查一下,就像在高速公路上设了一个收费站。从任务开始到结束,哪些建议采纳、哪些舍弃、什么时候调整方向,都需要人来判断、拍板。刚才黄总提到“背锅”,做项目经理的人对此都不陌生。在我看来,AI可以让人把更多精力放在这些需要判断、也需要承担责任的事情上。这正是人能发挥价值的地方。
谢菁炜:大家已经频繁地提到人很重要、人更重要。但是我想提一个相反的假设:人和算法比起来真的更加靠谱吗?如果人也是有很多缺陷的,怎么去检验人在其中的介入是更有效的,还是制造了更大的偏差?
黄娜:我们最近做了一个实验,想看看制造企业可以怎样围绕AI来组织工作。我们在探索本体论的方法,也在参考前沿部署工程师(FDE)深入业务现场解决问题的做法。
具体来说,我们选了一个业务单元,在生产及物料控制岗位上做试点,比较人和AI在实际工作中的表现。我们想弄清楚,哪些环节由AI处理效果更好,什么时候需要人介入。试点中还有一些问题需要解决,现在下结论还太早。人和AI怎么分工,要在具体任务中反复比较,才能作出判断。
谢菁炜:人和AI分工的边界一定是在反复不断的试错中划出来的。从戴尔接触的客户来看,有没有哪一次把决策或者执行交给了AI,后来又被收回来了?为什么?
吴冬梅:我觉得,把一部分决策权“收回来”,往往意味着企业在重新设计人和AI的分工。哪些工作可以让AI自主完成,哪些环节需要人介入,都要根据实际效果不断调整。尤其是审核合同条款、评估客户信用或判断法律风险这类责任重大的工作,AI可以给建议,最终拍板的人仍然是决策的第一责任人。
前不久,我的美国同事讲过一个案例。一位资深律师尝试用大模型辅助日常法务工作,请它梳理论据和相关判例。为了防范模型产生幻觉,他还特意把结果交给另一个独立的大模型复核。第二个模型也认为论证逻辑清晰,他就把材料提交给了法院。结果,主审法官发现,其中四个关键判例在判例库里根本查不到。据同事介绍,这位律师后来受到了处罚。
这个案例值得琢磨的是,律师已经意识到了幻觉的风险,也多做了一道复核,但两个模型都觉得论证说得通,并不能证明引用的判例确实存在。这一步,还是得回到判例库里逐一核实。
企业也可以用“双向门”和“单向门”来判断,哪些决定适合交给AI。一扇门推开以后,如果发现走错了,还能退回来,试错成本也低,就可以让AI多试几次,快速调整。但有些决定一旦作出,就很难撤回,尤其是涉及法律责任、重大商业承诺、企业声誉和客户关系的时候。这些决定需要人在关键节点把关。AI可以是很好的副驾驶,也能帮我们推演不同选择的后果,但油门和刹车要被人掌握。
谢菁炜:我看到一个说法,如果人不去踩这个刹车,不把方向盘握在手里,比超级智能先到来的可能是超级愚蠢。胡总,绿源做了快30年,公司中间所有重大的决策您都是在场的,过去30年里面有没有一个一以贯之的做决策的原则,是永远高于算法数据的?
胡继红:就是责任,对员工的责任,对客户的责任。员工的成长、培训学习、体育锻炼、精神上的收获,这些投入的回报很难用一个数字算清楚。
我有个原则,有时连公司高管都不见得同意。每到一个地方建基地、盖办公楼,我的第一个要求都是先把体育馆规划好,再谈办公室怎么安排、楼要盖几层。几次下来,后勤同事都知道了,羽毛球场、乒乓球场、篮球场和健身房,都得先安排好。把体育馆建到我觉得理想的样子,再考虑其他的。这是我对员工的一份责任。运动能让人身体健康、心情愉快,这种快乐,我觉得AI给不了。
对客户也是一样。有些服务可能是赔本买卖。比如一次产品召回,这笔钱什么时候能赚回来,谁算得清?难道算不清,就不去做了吗?我们做产品,最终还是为了服务于人。从创业初期到今年年初,我一直跟大家讲三个字,叫“敬服务”。对服务要有敬畏之心。如果每做一次服务,先想的都是明天能赚多少钱、能给企业增加多少竞争力,就容易忘了我们对客户原本就负有的责任。
我们常讲竞争力,但有些事,哪怕要赔钱,你也知道自己应该做。知道自己对别人负有什么责任,我把它叫作良知。这是为人之本,也是我觉得应该留给人自己判断的事。(财富中文网)
《财富》最新榜单







