战略决策一直是企业最高层最稀缺的能力，也是最少被系统化管理的环节。它长期依赖少数高管的经验直觉，以「大决策」的形式周期性发生。AI 正在改变这一点，但改变的路径并非「让 AI 替人决策」，而是改写决策发生的机制。

旧范式：预测驱动的线性决策

传统的战略决策遵循一条线性链条：扫描环境 → 形成判断 → 制定计划 → 落地执行 → 年度复盘。

这条链条有三个痛点：

• 慢：一个完整周期以年度计，在快速变化的环境里天然滞后；
• 脆：整个链条的可靠性取决于最初预测的准确性，一步错、步步错；
• 窄：少数决策者的认知带宽，决定了被纳入考量的方案数量极为有限。

在稳定环境里，这套范式是有效的，甚至是高效的。问题在于，AI 时代的竞争环境恰恰越来越不稳定。

新范式：试验驱动的涌现循环

AI 真正改变的，是把战略决策从「一次性的预测」变成「持续性的涌现」。

所谓涌现，是指：不再试图在一开始就看清全局，而是建立一个能够持续感知、小步试验、快速学习的机制，让正确的方向在迭代中逐步浮现。

这个循环由三个要素构成：

1. 感知层——AI 持续扫描外部信号（市场、竞对、技术、政策）与内部数据，自动生成异常与假设；
2. 试验层——把战略问题分解成可验证的假设，用低成本试验快速检验，而非空想辩论；
3. 学习层——把每一次试验的结果沉淀为组织知识，反哺下一轮决策。

这三者构成的闭环，本质上是在用「系统的适应能力」替代「个体的预测能力」。

人机分工的真正边界

一个普遍的误解是：AI 会让战略决策「自动化」。恰恰相反，AI 的角色是扩展可探索的空间，而人的角色变得前所未有的重要——因为价值判断无法外包。

具体来说：

• AI 擅长：穷举可能性、发现模式、模拟情景、量化不确定性、剔除明显错误；
• 人负责：定义什么值得优化、判断不可量化的价值、承担决策的责任与后果。

换句话说，AI 帮你把「选项」做得多而全，但「选什么」与「为什么这么选」，仍然是人——而且只能是人的——责任。

落地的第一步

对大多数企业而言，范式迁移不必一步到位。更现实的路径是：先在一个具体的战略问题上，跑通一个「感知—试验—学习」的小闭环，再逐步扩大范围。

关键是改变一个默认假设：从「做对一次」，转向「持续做对」。这才是 AI 时代战略决策范式的真正含义。