经营会上,一份AI辅助完成的方案摆在管理层面前。

市场规模、客户痛点、竞争格局、投资回报和行动建议一应俱全。逻辑很顺,措辞很专业,每一个结论看起来都像已经经过充分研究。

直到有人问:“这个数字来自哪里?它在什么条件下成立?哪些是已经发生的事实,哪些只是AI根据公开信息作出的推断?”

会议突然慢了下来。

没有人故意隐瞒。团队只是先完成了一个看起来完整的答案,却还没有完成支持决策所需要的核验。

AI让管理者面对的第一个风险,不一定是明显的错误。

更难识别的是:一个证据还不完整的判断,被表达得过于完整。

专业表达正在失去稀缺性

过去,写出一份结构清楚、语言专业、信息丰富的报告,本身就需要投入不少时间。管理者很容易把这种完成度,当成团队认真研究过的信号。

现在,AI可以在很短时间内生成行业分析、客户画像、竞争比较、项目建议和完整PPT。表达质量提高了,但表达质量与判断质量之间的关系正在变弱。

一段话写得流畅,不代表引用的数据适用于当前业务。一个案例听起来有说服力,不代表同样结果能够在另一种客户、工况和资源条件下复现。一套建议看起来面面俱到,也不代表有人已经确认了执行责任和失败代价。

如果管理层仍然用“材料是否完整”“表达是否专业”判断团队有没有想清楚,AI越强,误判反而越容易发生。

管理者真正要判断的,不是一份报告像不像答案,而是它是否足以让组织承担答案带来的后果。

一个70%的数字,为什么有的可信,有的不能用

格兰富公开过一个与工业水处理企业IWE合作的项目。

IWE为化妆品厂、啤酒厂等企业提供工业净水设备。原来的系统使用2.2千瓦定速水泵。工厂需要的水量发生变化时,水泵仍然按照固定速度工作;设备状态也比较依赖现场人员巡检。

项目更换为500瓦变速水泵,并加入传感器和远程监测。用水需求下降时,水泵能够降低转速;水质、流量和设备状态出现变化时,工作人员也能更早发现。

IWE销售经理Justin Underhill表示,新系统每生产一立方米合格用水,能耗节省约70%。

真正让这个数字有判断价值的,不只是“70%”本身,而是数字前后存在一条可以继续追问的路径:原来的问题是什么,设备具体改变了什么,结果按什么口径计算,谁作出了陈述,进入另一个项目时又需要重新核对哪些条件。

如果只把案例压缩成“采用某项技术,节能70%”,内容会更有冲击力,决策价值却更低。

证据不是用来装饰结论的。

证据的作用,是让结论能够被核查、被质疑,也能够在条件变化时被修正。

一份能进入决策的材料,至少要分开四层

当AI参与研究和写作以后,管理层可以要求重要报告明确区分四层信息。

  • 事实:哪些事情已经发生,原始数据、客户行动或公开来源在哪里
  • 推断:团队根据这些事实作出了什么解释,还有哪些合理的替代解释
  • 条件:结论在什么客户、时间、资源或业务条件下成立,哪些边界尚未验证
  • 责任:下一步由谁核验,谁决定是否采用,出现偏差后谁负责调整

这四层不需要把报告写得更长。相反,它们会迫使团队删掉那些看起来正确、却无法支持行动的内容。

很多管理会议之所以反复争论,并不是大家掌握的事实完全不同,而是有人在陈述事实,有人在表达推断,还有人在用承诺代替证据。AI把它们写进同一段流畅文字以后,边界更容易消失。

一份可信的材料,不是没有不确定性。

而是让管理层知道,不确定性具体在哪里,什么新证据会改变当前决定。

团队为什么越来越倾向于交出确定答案

报告失真不一定始于工具,也可能始于领导者对答案的期待。

当管理者只问“到底行不行”“什么时候能完成”“为什么别人已经做到了”,团队很快会学会压缩不确定性。尚未核实的信息会被写成行业趋势,小样本会被写成客户共识,值得尝试的方向会被包装成已经成熟的方案。

AI只是让这种包装更快、更整齐。

如果一位负责人带着“目前还不知道”进入会议,马上被认为准备不足;另一位负责人给出一个坚定结论,即使证据有限,也更容易获得资源。久而久之,组织奖励的就不是真实判断,而是确定感。

领导者需要的当然不是一支只会罗列风险、不愿作出判断的团队。

真正需要建立的标准是:可以暂时没有完整答案,但必须说清已经知道什么、凭什么知道、还缺什么,以及准备怎样验证。

这会把“我认为”变成一个可以继续工作的判断,而不是一句等待老板接受的结论。

高管对话要追问的,不是AI有没有参与

管理层很容易把治理重点放在“这份报告是不是AI写的”。

但人工写作同样可能引用错误信息,AI参与也不等于材料必然不可信。真正需要追问的是,组织有没有因为工具提高了表达效率,就跳过了验证、取舍与责任。

面对一项将影响预算、客户承诺或组织资源的重要建议,可以先把讨论拉回几个问题。

  • 哪一个事实最支撑当前结论,原始依据是什么
  • 哪一个关键假设如果不成立,整个建议就需要重做
  • 目前看见的是相关性、客户陈述,还是已经能够确认的因果结果
  • 什么新证据会让管理层改变决定,而不是继续为原判断辩护
  • 如果按这份建议行动,谁负责核验过程,谁承担调整决定

这些问题不是为了拖慢决策,也不是要求每一件事都等到百分之百确定。

它们帮助管理层判断:哪些不确定性可以带着行动,哪些信息缺口足以让企业暂缓投入,哪些风险需要由作出决定的人明确承担。

决策安全度不来自所有问题都有答案。

它来自事实、推断、条件和责任没有被混在一起。

AI可以生成答案,领导者必须决定相信什么

AI会继续提高企业产生报告、方案和内容的速度。管理者不可能亲自核对每一个数字,也没有必要回到所有材料都由人工从头完成的时代。

真正需要升级的,是组织对“什么算证据”的共同标准。

如果企业正在依据一份AI辅助完成的报告作出重要决定,可以把真实材料带进一次高管教练或经营对话。先不讨论怎样把方案写得更漂亮,而是一起拆开看:哪些是事实,哪些是推断,哪些条件仍未验证,什么证据会改变决定,以及谁愿意为下一步负责。

AI可以替管理者提高答案的产量。

它不能替领导者决定,组织愿意相信什么,又愿意为什么承担后果。

参考案例

Grundfos:RO systems gain intelligence and save 70 percent energy per m3 water produced

Grundfos:IWE项目案例PDF


作者:陶鑫亚 Tessy|ICF PCC认证教练|Coach8督导教练|企业增长顾问|《价值驱动增长》作者

支持创始人、高管与业务负责人区分事实、推断、条件与责任,让AI提高决策效率,而不是放大未经核验的确定感。

个人网站:tessytao.com

阅读 10