文章作者丨Jonathan Kahan，慎思行采編翻譯

個人微信丨hello_SSX

Fabrizio dell'Acqua和Ethan Mollick與BCG合作進行的一項最新研究發現，使用人工智能的咨詢顧問在許多常見任務上的表現明顯優于未使用人工智能的咨詢顧問。對于績效較低的員工，績效提升幅度（以完成任務所需的時間、總體完成的任務數量或產出質量來衡量）高達43%。

對于那些還不相信生成式人工智能的能力的人來說，這項研究應該提供了最后的證據：人工智能將從根本上改變我們所知的問題解決學科。然而，盡管我們掌握了所有強大的工具，從 OpenAI最新發布的ChatGPT到市場上成千上萬的專業應用，我們還沒有看到真正的端到端自主解決問題的工具。許多人都在談論“自主創新”。但自主創新究竟是什么樣的呢？我們真的能想象機器能自主創造和部署新問題的原始解決方案嗎？在人工智能能夠自主處理和解決復雜問題之前，還缺少哪些要素？

01

問題解決和人工智能的優勢

解決問題的學科要求從業者解決新問題，其中至少有一些問題不能簡單地按照既定程序來解決。這些學科包括管理咨詢、戰略和設計等專業。雖然這些專業聽起來，但它們都涉及類似的步驟：

• 提出問題

• 建立問題模型——包括將問題分解為可管理的組成部分

• 收集數據——包括案頭研究、進行訪談、數據分析

• 構思解決方案

• 設計解決方案

• 測試解決方案并進行迭代

迄今為止，這些步驟大多由人類完成。現在，人工智能革命讓機器接管了其中的幾個階段，為采用人工智能公司釋放了巨大的價值。這種新價值主要分為三類或三種價值杠桿：提高效率、增加可變性和實現價值的普遍性。讓我們逐一了解：

提高效率和速度

這一點非常簡單：人工智能使問題解決者更快更好地完成工作，從而能夠在相同時間內完成更多的工作。這在以下方面就很明顯：

• 數據收集和聚類等自動化

• 使用生成式人工智能工具制作原型，例如用于可視化或網站設計

• 全面減少項目交付時間和人員成本

允許更多變化

這一點相當激進。現在，問題解決者在確定了許多可能的解決方案后，必須匯聚想法、整理思路，并選擇少數幾個繼續前進。Gen-AI可能無需這樣做：

• 消除對流程早期采用的問題表述和框架的路徑依賴——一個想法的每一種可能變化都可以通過推理得出最終結果，甚至推向市場

• 在創意生成階段產生更多選擇：我們都知道，在頭腦風暴中，數量是高于質量的。現在，創意的數量可以成倍增加。
  

• 可對任意數量的變體進行原型設計和測試

• 實現解決方案的無限定制，甚至可以針對某個受眾量身定制。

讓專家無處不在

到目前為止，問題解決者只能出現在一個地方。生成式人工智能有望讓他們的專業知識被無限次上傳和“復制”。就像問題解決者可以復制一樣，在許多使用案例中，特定解決方案的目標用戶也可以復制。這一發展允許：

• 通過合成受試者或專家來促進數據收集

• 傳播解決問題的專業知識并使其按需提供

在生成式人工智能的三個價值杠桿得到充分利用的世界里，解決問題的方式將完全不同。在過程方面，隨著我們不再需要匯聚想法，我們的“雙菱形”開始看起來像一個圓錐體，從一個單一的問題陳述中投射出無限變化的可能解決方案。就范圍而言，人工智能的低邊際成本無處不在，這將使我們能夠把解決問題的方法應用于大量大大小小的新問題。任何人都可以按需部署人工智能來解決任何非常具體的問題。

市場上不乏能讓公司至少獲得部分價值的解決方案。ChatGTP是一種通用工具，可用于大多數方面。Dall-e、Midjourney和其他類似工具可以幫助企業快速建立一系列產品和界面的原型。此外，還有許多專用工具：

• 有些旨在提高生產率，基本上是通過自然語言實現搜索和操作觸發，而不是使用復雜的語言或界面（產品領域的一個例子是Tagado）。

• 有些可協助解決問題過程的特定階段，如頭腦風暴（如Stormz）、原型設計（如 Diagram）。

• 有些可以復制個人思維，作為用戶（如Synthetic Users）用于測試目的，以及潛在的問題解決者（如使用最新的ChatGPT GPTs功能創建的各種機器人）。

因此，我們所擁有的似乎只是一些零碎的解決方案，用于在解決問題過程的大部分環節中增強人類的工作能力。但目前的大多數應用都錯失了一個機會，無法真正充分發揮GenAI解決問題的能力。

我認為，我們現在與端到端自主解決問題之間的差距與三個關鍵挑戰有關：

• 確定問題框架

• 對問題進行分類

• 采用代理連接方法

02

從提示詞工程到問題框架

在過去的幾個月里，我們聽到了很多關于“提示詞工程”作為未來關鍵技能的說法。但從某種意義上說，“提示詞工程”只是這本書的一個幌子。正如Oguz Akar在《哈佛商業評論》（HBR）上指出的那樣，我們更應該思考一個更普遍的問題，即如何制定一個好的問題陳述，這是人工智能解決問題的最基本的人類輸入。

正如Akar所解釋的那樣，這項技能包括從現有證據中診斷問題、將問題分解為一系列子問題、用不同的術語重構問題以及設計解決問題的約束條件。這四點在決定問題如何解決的過程中發揮著重要作用，因此任何有意將人工智能應用于問題解決的人都必須有意識地將它們設計到流程和界面中。目前，我并沒有看到很多人這樣做。

設計師用來分解和重構問題的一個簡單練習是挑戰映射：從開始的問題陳述開始，主持人反復詢問“是什么阻礙了我們”以將問題分解為子問題，以及“為什么需要解決這個問題”以縮小范圍并關注更具戰略層面的問題。

我至少想到了幾種人工智能代理或其與人類用戶互動的方式來重現這種練習：

• 通過某種模板迫使我們告訴機器它需要被告知的內容——背景、分析級別、問題空間的已知約束等——這種方法在某種程度上得到了體現，例如創新委員會的戰略建議機器人。

• 或者，人工智能可以通過在我們設置問題時向我們詢問有關問題的問題來幫助我們進行挑戰映射練習。這種方法在麻省理工學院的 Ideator 中就有體現。

03

問題類型分類

并非所有問題都是一樣的。想想優化生產流程、制定公司戰略與應對COVID-19等突發危機之間的區別。

根據時間限制、信息可用性以及問題系統中是否存在反饋回路等因素，解決問題的正確方法可能是應用現有的最佳實踐，快速測試多個解決方案，或者全力以赴解決一個問題，并希望在此過程中對環境有更多了解。戴夫·斯諾登（Dave Snowden）在其開創性的Cynefin框架中闡述了這些不同類別的問題——簡單、復雜、繁雜和混亂。

自主創新流程應該能夠區分問題類型，并采取正確的行動，或提出相應的正確路徑。在某種程度上，這可以通過類似ChatGPT的工具來模擬，但大多數現有工具似乎都沒有采用這種方法。未來的人工智能問題解決工具很可能會專門針對一種類型的問題（簡單、復雜、繁雜或混亂），或者具有硬編碼的if-then條件，這些條件將引導過程進入正確的步驟集。

Cynefin框架。來源：維基百科維基百科

04

代理連接方法

要實現自主解決問題和創新，就需要從當前主流的“人工智能作為副駕駛”的范式轉變為將人工智能視為一組相互連接的代理。第一個關鍵區別是，代理當然更加獨立于人類的輸入：它們有自己的傳感器，在一系列條件下觸發它們采取行動，還有執行器，即干預世界的方法。隨著ChatGPT最新版本（2023年11月）的發布，OpenAI本身似乎也向這一方向傾斜，其中包括構建類似專門人工智能代理的能力。目前，這些代理在感知內容（主要是你的聊天輸入、網頁）和行動方式（主要是觸發各種軟件中的操作）方面受到了相當大的限制，但我們肯定可以期待很快在這方面看到更多的功能（實時攝像頭感知、3D打印、觸發物聯網工作流等）。

差異的第二個方面是連接。解決問題通常是一項集體工作，需要多人扮演不同的角色，有時是根據他們的技能，有時是根據個性，有時是刻意為之，幾乎就像角色扮演一樣（想想著名的六頂思考帽創意構思技巧）。這對問題解決的成功至關重要：不同的人類代理對略有不同的首選結果進行優化，可確保制定出更穩健、更具創新性的解決方案。

人工智能可以仿效這種機制。我們與人工智能的互動可能更像是見證不同人工智能代理之間的創新過程，而不是與單個代理聊天。這種互動有些可能是順序性的（想想看：構思機器人將其結果反饋給構思選擇機器人，后者再將其反饋給原型設計機器人），有些則可能是并行的：例如，幾個機器人可以嘗試根據一個提示進行構思或原型設計，而這個提示每次都會被程序性地“注入”一個隨機突變，從而產生分歧。甚至，一個機器人可以系統地嘗試批評另一個機器人正在生成的內容，而第三個機器人可以綜合它們的結果。微軟的Autogen似乎就是朝著這個方向邁出的一步。

編輯 | Jinya

相關戰略課程和書籍

近期我們推出了《問題解決營》課程，歡迎感興趣的朋友點擊圖片鏈接或掃碼關注，了解課程的相關情況。

也歡迎大家掃碼購買我們推出的《戰略簡史》新版，以幫助大家更好的了解戰略理念與方法五十年的發展高峰，以及對中國當前市場的啟示。

進一步交流

進入專業社群展開深度討論

慎思行通過微信等平臺覆蓋超過10萬戰略人、咨詢人等各類專業人士。我們也構建了專業社群，推動戰略與咨詢領域的問題討論、信息交流和機會分享，社群已有超過5年歷史，并成為了頂尖專業人士感知市場前沿，獲得實踐經驗的首要選擇。入群請添加慎思君微信，并提供名片。

現在微信公眾號更改規則，如果你不特地點進來，很可能看不到我們的推送了。希望喜歡【慎思行】的讀者朋友們將本號【設為星標★】，方便找到我們；也歡迎點擊右下角的【在看】。