“复旦商业知识”洞悉商业世界，还原实践于管理逻辑中。发掘中国企业管理前沿的研究成果，分享中国企业家管理哲学和最佳实践。

导读：

受人工智能发展的影响，管理决策思维正从“有限理性”和“满意即可”过渡到“极限理性”和“最优选择”。在这个过渡中，我们对待管理行为的许多态度也需要更新。

管理决策正在被人工智能改写

作为管理的核心活动，决策正在被人工智能改变，它首先体现在金融机构的决策模式中。对于银行信用卡业务，好信用不等于好客户。优质客户是那些愿意借钱，习惯分期还款，能够分期还款的消费者。过去，为分辨优质客户，决策模型最高能容纳二百维（变量）的数据分析。现在，人工智能企业“第四范式”把信用卡账单分期模型提升至“五千万维”，使账单分期推荐短信的响应率提升了68%，卡中心的账单分期手续费提升61%。这种跨越式的赋能已经不只是改变决策精准度，而是触发人们重新思考管理决策的基本原则和方法。

“有限理性”和“满意即可”是管理决策两个基本原则。而人工智能的决策模式正在改造它们的前提条件，并向着“极限理性”和“最优化决策”的方向演变。

01

FDSMEMBA

最早出现在他1947年的《管理行为》（Administrative Behavior）一书中，司马贺（Herbert Simon）认为，与外部环境隐含的规律相比，人的认知能力有限。这种有限性表现在计算能力、获取信息成本和思维模式这三个方面。因此，实际决策中，理性的人更习惯于使用启发性的经验规则（heuristics）指导令人满意的选择。这就是“有限理性”（bounded rationality）的规律和“满意即可”（satisficing）的方法。司马贺的研究影响至少两代经济学家（行为经济学和制度经济学）。后来的两位诺奖经济学家, 威廉姆森 (Oliver Williamson) 和泰勒（Richard Thaler）, 也分别继承司马贺的“有限理性”和“满意即可”的概念，建立自己的行为经济学和制度经济学的理论框架。

随着人工智能最新的发展，“有限理性”的决策前提越来越无法维持。

首先，人脑发明和创造出来的人工智能可以裂变超越人的认知水平。对人脑而言的有限性，人工智能可以轻易突破。

其次，机器之间的数据交流和分析本质上不同于人脑思维。它让基于人脑思维特征总结出的“有限理性”成为一个不相关的概念。

再次，人工智能中的“迁移学习”极大地消除了人的认知学习过程中“隐性知识”的地位和角色。它使得人类决策中专家判断的“隐性知识”优势逐步消失。

随着算法、大数据、计算机基础设施和对行业需求理解的深入，替代“有限理性”和“满意即可”的新概念解释必将出现。它们的具体特征还在变化发展之中。但基本上会朝着“极限理性”和“最优选择”的方向发展。

02

FDSMEMBA

人工智能在某些方面超越自然人的认知水平，这已是现实。以银行信用卡业务分析为例，从二百维的分析模型到五千万维，这已不是自然人可以处理和理解的阶段。更重要的是，人工智能支持下的模型可以扩容到亿万维，只要分析任务需要。对于银行信用卡管理者而言，他们可以要求模型追求最优化目标。同时，相对于人工智能支持下的模型分析能力，银行经理提出的任务要求难度永远低于系统可以扩容的能力。从这个能力和任务比较的角度看，对于银行经理，他们可以采用“极限理性”和“最优选择”思维。与过去的决策思维定势相比，这种新思维更符合环境现实，更能提升决策的有效性。

人工智能专家戴文渊用BRAIN概括说明突破自然人的认知水平已经是现实。

完整的人工智能系统有五个内生要素：

第一是符合人工智能格式的大数据（big data），这个数据是需要按照人工智能的要求来收集数据。

第二是要形成反馈（response），要定义准确什么是好的，什么是不好的。有反馈，机器可以自我学习和成长。

第三是算法 （algorithm）。科学家越优秀，算法越高级。而算法一旦产生，它的运行效果可以超过创造它的科学家。

第四是体系架构 (infrastructure)。大数据环境下，结构设计已经包括预置的优势或劣势。

第五是需求(needs)。有了需求，就有业务主题范围，就可以在此范围内追求优化决策。

这样的人工智能BRAIN代表着内生的、追求自我优化的闭环回路。在许多业务领域，它已经能够自动总结生成规律，并超越行业专家水平。

03

FDSMEMBA

人工智能中的“机器交互”让“有限理性”思维失效。过去的人工智能其实是在模拟人或者理解人。这就要求计算机把自己变得越来越像人，比方说图像识别，计算机试图模拟人眼睛聚焦的特征去识别。而计算机的机器本质不是这样的，它是高带宽、高速、大内存、大存储的这样一个机器，而人的带宽低、运算速度比较慢、容量也比较小。

新的人工智能设计思想能够假设没有人参与决策过程沟通时，机器能够怎样做。由此，不受人的“有限理性”约束，没有人参与的时候，机器和机器之间的交互可以高带宽、高速、大内存。举例来说，因为“有限理性”，人必须借助简化的启发性经验规则来决策。而机器不必简化规则，在一个设定的任务范围内，机器可以运用千万条规则作选择。机器的分析能力远远超过任务需求的复杂性。所以，机器可以追求“极限理性”和“最优选择”。这就是机器交互的特征。它让“有限理性”和“满意即可”的概念变得不相关。

例如，第四范式的人工智能决策系统帮助一家企业分析汽车贷款商机。在过去自然人决策环境下，许多细节信息被忽略，包括其中的商机。这种忽略是必要的和有效的，因为它符合“有限理性”和“满意即可”的规律。但新的人工智能决策系统可以涵盖分析所有的细节，并建议最优化的商机。过去，人指导机器。受人的有限理性影响，“满意即可”是经济有效的选择。现在，人工智能提醒人。它的赋能水平远高于任务要求。因此，以“极限理性”的思维追求最优选择，它才是新的管理决策风格。

04

FDSMEMBA

除了利用和计算数据能力有限，造成管理决策中的“有限理性”和“满意即可”的还有隐性知识的因素。能够用标准化语言表达和传输的知识是显性知识。它一般被当作可以普遍学习和使用的公共知识。同时存在的还有另一个范畴的知识。它就是属于个人经验范畴的、没有标准化语言呈现的、需要身体力行才能理解的隐性知识。匈牙利哲学家波兰尼（Michael Polanyi） 曾说：“你（专家）能讲出来的比知道的少。”讲不出的专家判断部分就是隐性知识。日本学者野中郁次郎（Ikujiro Nonaka）把它和东方思维结合在一起，指出隐性知识的感性直观、模糊性、随应用场景的灵活性等特征。

总之，隐性知识属于专家个人拥有的私人经验智慧。它的传递和理解难度给普通管理者的决策带来限制。拥有先知先觉隐性知识的组织毕竟为少数。因此，一般管理者只能接受决策过程中的“有限理性”和“满意即可”。它也构成核心竞争力策略研究中的一个悖论：隐性知识成为竞争优势的重要来源。但后来者认知能力有限，难以快速获取专家水平的隐性知识。这个悖论正在人工智能“迁移学习”技术影响下逐渐消失。

隐性知识的背后其实是知识呈现和表述形式。人的知识表述受限于个人经验、标准化语言形式、沟通双方理解和表达能力的差异、以及人的学习习惯。但人工智能的“迁移学习”不必依循人脑思维路径，也就不必受隐性知识因素的约束。迁移学习最关键的一个点就叫做知识表述。比方说数学和物理，我们能够建立起两部分知识的公共知识表述，掌握其中一项的知识就能促进另一项学习。根据人工智能专家杨强教授和戴文渊的研究，“迁移学习”是人所具备的基本技能。例如，人在掌握的多种语言和游戏技能之间可以互相促进。即使涉及专家拥有的隐性知识，笔者自己的研究也显示，它们可以通过与专家在同样问题情境下共同工作而有效转移。因此，隐性知识转移和学习是一个速度和规模大小的技术问题。它已经是人工智能可以解决的问题。

解决的原理还是超越过去模拟人思维的设计路线，从机器学习的长项入手，找到隐性知识表述的公共方法。对这种公共知识表述，人脑也许难理解和学习，但高带宽、高速、大内存的机器可以。例如，阿尔法狗没有办法告诉李世石，它为什么下这一步棋会赢。不是说不能表达，而是它无法用人类的语言去描述，但机器之间可以。“迁移学习”已经在公共知识表述上取得突破。这就解决了隐性知识在专家和普通管理者之间转移和理解的有限性。

受人工智能发展的影响，管理决策思维正从“有限理性”和“满意即可”过渡到“极限理性”和“最优选择”。在这个过渡中，我们对待管理行为的许多态度也需要更新。