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(zhuǎn)換器（ChatGPT）讓人工智能生成式內(nèi)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(yè)管理的各個方面。

以企業(yè)戰(zhàn)略管理為例，傳統(tǒng)的企業(yè)戰(zhàn)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(jīng)驗式管理模式。然而，隨著營商環(huán)境日漸復雜和產(chǎn)業(yè)變革逐步深化，企業(yè)發(fā)展方向呈多向輻射形式，基于高層管理者個體認知的經(jīng)驗式管理，往往難以有效處理復雜的內(nèi)外部因素，甚至可能使企業(yè)困囿于管理者的認知舒適區(qū)中，無法及時應對動蕩的外部環(huán)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(yè)或領域的管理輔助工具，嘗試利用人工智能幫助企業(yè)管理者突破認知邊界，構建融合人類經(jīng)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(shù)據(jù)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(shù)據(jù)的人工智能神經(jīng)網(wǎng)絡。它能夠理解人類創(chuàng)作的要素，并將這些要素重新組合，創(chuàng)造出新的且能夠被人類理解的內(nèi)容。OpenAI團隊發(fā)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(yōu)化。

在策略構建階段，研究團隊利用由人類打標簽的數(shù)據(jù)構建預訓練神經(jīng)網(wǎng)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(jīng)驗，從旁指導人工智能選擇最佳的賦分機制。在決策優(yōu)化階段，人工智能神經(jīng)網(wǎng)絡基于輸出策略高頻生成不同的內(nèi)容，并由內(nèi)部賦分機制對海量內(nèi)容進行賦分，自行優(yōu)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(jù)輸出策略生成與指令可能匹配的多個結果，再根據(jù)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(xiàn)輸出內(nèi)容從不確定向確定的轉(zhuǎn)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(xù)性與企業(yè)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(xù)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(shù)據(jù)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(nèi)仍然一卡難求。眾多創(chuàng)業(yè)公司乃至互聯(lián)網(wǎng)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(yè)計劃制定和執(zhí)行之間的不連續(xù)性。

◎圖2 不確定性、不連續(xù)性與企業(yè)管理類型

如果我們從不確定性和不連續(xù)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(xù)性。“知”是對未來發(fā)展方向的認知，主要面臨的挑戰(zhàn)是不確定性，“行”是在未來發(fā)展路徑上的實踐，主要面臨的挑戰(zhàn)是不連續(xù)性。未來發(fā)展方向的不確定性可以分為高和低兩種情況。同時，從現(xiàn)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(xù)性。

從現(xiàn)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(xiàn)實中的路徑是否走得通，則需要克服未來路徑上的不連續(xù)性。

基于圖2，我們可以沿著企業(yè)發(fā)展的時間線，把企業(yè)管理模式分為適應式管理、愿景式管理、計劃式管理和涌現(xiàn)式管理四種類型。

在未來發(fā)展方向不確定性高、未來發(fā)展路徑不連續(xù)性也高的情況下，事物的發(fā)展處于混沌狀態(tài)，企業(yè)大多采取適應式管理，在眾多發(fā)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(fā)展方向，并將有限的資源和能力押注在此發(fā)展方向上，力圖實現(xiàn)發(fā)展路徑的突破，進入成長階段。

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

由此我們看出，企業(yè)在生命周期的不同階段，需要采用與發(fā)展方向不確定性和發(fā)展路徑不連續(xù)性情況相適應的管理模式。如果我們把企業(yè)生命周期分為創(chuàng)業(yè)、成長、成熟和轉(zhuǎn)型四個階段，那么企業(yè)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(xiàn)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(huán)境日趨復雜，企業(yè)發(fā)展節(jié)奏不斷加速的今天，一個企業(yè)可能在短短幾年內(nèi)就經(jīng)歷了創(chuàng)業(yè)、成長、成熟、轉(zhuǎn)型四個階段，并進入二次創(chuàng)業(yè)、成長、成熟的發(fā)展循環(huán)之中。這些企業(yè)將同時面對發(fā)展方向不確定性和發(fā)展路徑不連續(xù)性的四種組合情況，企業(yè)的各類業(yè)務也將分為創(chuàng)新、成長、成熟和轉(zhuǎn)型四種類型。在如此復雜的情況下，企業(yè)該如何協(xié)同各個業(yè)務，如何在錯綜復雜的環(huán)境中把握不斷涌現(xiàn)的發(fā)展方向和不斷變化的發(fā)展路徑，是企業(yè)管理決策面臨的重大挑戰(zhàn)。

在信息多元且獲得便捷的互聯(lián)網(wǎng)時代，計劃式管理容易使企業(yè)忽略豐富的外部信號，導致組織僵化，錯過發(fā)展機遇。而過多市場信號也會導致采用涌現(xiàn)式管理的企業(yè)在市場上隨機漫步和無序蔓延，看到多向的發(fā)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(yè)，無論是采取適應式、愿景式、計劃式、涌現(xiàn)式管理中的哪一種，都難以創(chuàng)造最優(yōu)績效。面對錯綜復雜的外部環(huán)境和多元業(yè)務組合，企業(yè)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(fā)散到收斂，即從“生”到“成”。在發(fā)散階段，生成式人工智能管理系統(tǒng)從各個業(yè)務獲取海量信息，對企業(yè)決策模型進行預訓練，使其能夠?qū)W習數(shù)據(jù)中的規(guī)律和模式，進而預判企業(yè)后續(xù)的經(jīng)營方向和未來狀況。在收斂階段，經(jīng)過訓練的模型進入決策輔助模擬階段，生成的數(shù)據(jù)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(xù)改進模型和提高生成結果的質(zhì)量。

在實踐中，企業(yè)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(zhuǎn)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(fā)現(xiàn)浪費彈藥了，再‘秋后算賬’、總結經(jīng)驗?！比A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(xiàn)“輸出à反饋à調(diào)整à輸出”的自我訓練建立制度基礎。

當一家企業(yè)沿著自己的生命周期，從創(chuàng)業(yè)階段發(fā)展到成長階段，進而進入成熟階段和轉(zhuǎn)型階段的時候。企業(yè)在各階段面對的未來發(fā)展方向不確定性，和未來發(fā)展路徑不連續(xù)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(guī)律可循。在這種情況下，企業(yè)可以按照適應式管理、愿景式管理、計劃式管理和涌現(xiàn)式管理的思維模式進行管理決策。

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

◎圖3 生成式人工智能管理

從企業(yè)總部層面看，各個業(yè)務面對的具體情況不同，無法采用統(tǒng)一的管理機制和方式進行管理，業(yè)務之間很難達成協(xié)同效應。從不同的業(yè)務角度看，由于各業(yè)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(yè)務也很難與其他業(yè)務形成協(xié)同。

這種情況可以用圖3解釋，底座是企業(yè)在不同發(fā)展階段業(yè)務所面臨的發(fā)展方向不確定性，和發(fā)展路徑不連續(xù)性的差異化組合?？v向則是隨著業(yè)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(yè)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(yè)整體管理目標的基礎是各個業(yè)務的管理目標，而每個業(yè)務的管理目標又包括用戶管理、組織管理、產(chǎn)品管理和市場管理等方面。由于不同業(yè)務所在發(fā)展階段和具體發(fā)展情況存在差異，這些業(yè)務在實際運營中會產(chǎn)生海量信息。企業(yè)可以使用預訓練的管理模型，針對每類業(yè)務所面臨的管理問題和數(shù)據(jù)信息打標簽，并不斷通過管理人員的評估，對模型進行優(yōu)化，形成自下而上的管理信息匯集系統(tǒng)。

生成式人工智能管理的第二個關鍵詞是“成”，包括各項業(yè)務目標的達成和公司整體目標的達成。由于每項業(yè)務的管理目標都包括用戶管理、組織管理、產(chǎn)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(yè)務的整體管理目標，而處于不同發(fā)展階段的各項業(yè)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(yè)高層管理者可以自上而下地對各業(yè)務目標達成情況進行評估和排序，并調(diào)整公司層面的回報模型，進而促使各個業(yè)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?！爸悄堋睆娬{(diào)的是，企業(yè)管理是一門科學，可以通過規(guī)則的制定應對管理中的不確定性。用規(guī)則的確定性，應對變化的不確定性，用流程的連續(xù)性應對行為的不連續(xù)性。而“人工”這個關鍵詞則強調(diào)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(shù)據(jù)的評估、對管理行為的反饋和對管理模型的優(yōu)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(yè)為例，選取中國知名游戲廠商堅果動力的發(fā)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(yè)以豐富的內(nèi)容和高度的競爭著稱。根據(jù)維爾福集團官方統(tǒng)計，其開發(fā)的“蒸汽”電子游戲分發(fā)平臺僅2022年共發(fā)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(jīng)驗以供參考和模仿。另一方面，眼花繚亂的新世界也使產(chǎn)品開發(fā)者迷失在對未知的探索中，造成產(chǎn)品開發(fā)失焦，喪失產(chǎn)品內(nèi)核，導致玩家失去購買欲望。

因此，游戲廠商在進行新產(chǎn)品開發(fā)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(fā)新產(chǎn)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(shù)據(jù)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(chǎn)品開發(fā)選擇，以層級式標簽概括海量的市場競品，簡化全行業(yè)搜索的成本和難度。堅果動力的創(chuàng)始人強叔增說，他早在2015年就認識到了data.ai對其產(chǎn)品開發(fā)的助力功效，并積極嘗試與data.ai的創(chuàng)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(chǎn)品進行數(shù)字化分類。data.ai的旗艦功能App IQ提供了以移動應用行業(yè)為場景的系統(tǒng)應用分類法。其標簽化的內(nèi)容不僅僅局限于諸如App Store和Google Play等軟件發(fā)行商對移動應用的簡單歸類，而且深度挖掘應用內(nèi)容，提供19 種類別152 種子類別的應用級品類標簽。

創(chuàng)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(tǒng)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(tǒng)地掃描對全游戲行業(yè)產(chǎn)品成為可能。從而使堅果動力得以快速地進行產(chǎn)品定位，識別出自己想要發(fā)力的賽道。

第二，匹配研發(fā)能力，推進分布式挖掘。在大致清晰可能匹配企業(yè)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(fā)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(yōu)化賦分機制實現(xiàn)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(chǎn)品開發(fā)的場景下就是多產(chǎn)品試錯迭代和方向優(yōu)化選擇。

依靠前期的人工數(shù)據(jù)輸入和后續(xù)的智能數(shù)據(jù)監(jiān)控，堅果動力有效利用人工智能指導內(nèi)部團隊的研發(fā)方向。堅果動力有著豐富的產(chǎn)品試錯迭代經(jīng)歷。該公司在蘋果和谷歌商店累計推出146款產(chǎn)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(xù)穩(wěn)定的日活躍用戶額和日收入。

第三，通過內(nèi)容遷移，實現(xiàn)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(yōu)化過程，在接受外部指令時，能夠自我衍生海量內(nèi)容并快速排序，選出唯一解。同理，現(xiàn)實企業(yè)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(chǎn)品，在被市場監(jiān)督過程中逐步理解市場需求，最終實現(xiàn)主動預判市場走勢。堅果動力利用data.ai的人工智能數(shù)據(jù)，將公司的關注度聚焦到經(jīng)營+冒險的融合品類。

公司參考data.ai在內(nèi)容級別特征標簽，對比同品類競爭者的內(nèi)容設計，選擇出與場景冒險和農(nóng)場經(jīng)營最相關的要素特征，如人物養(yǎng)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(xié)調(diào)，將過去積累的多品類游戲開發(fā)經(jīng)驗應用到聚焦后的產(chǎn)品開發(fā)中，實現(xiàn)了從2019年爆款產(chǎn)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(nèi)容衍生。

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