本文作者为IE大学教授Rubén Montoya González

当“如何更快”成为企业共识，“为什么要做”反而变得稀缺。

生成式人工智能的迅速普及，正在重塑企业决策方式。市场分析、战略规划、营销方案，几秒钟内即可生成；逻辑严密、数据翔实、表达流畅。围绕AI展开的“效率竞赛”，成为企业数字化转型的核心议题。

然而，在这场竞赛背后，一个更深层的风险正逐渐显现——

企业越来越擅长获得“正确答案”，却未必在提出“正确问题”。

 警惕“完美逻辑”的误导

当前围绕AI的讨论，多集中在“幻觉”“偏见”“事实错误”等问题。这些确实需要管理机制加以控制，但本质上属于技术与流程层面的挑战。

真正属于战略层面的风险在于：

当一个问题本身设定错误时，AI依然可以给出100%逻辑自洽、事实准确的答案。

人工智能本质上是概率模型，是优化工具。它可以在既定条件下计算最优路径，却无法判断前提是否合理，也无法理解决策背后的价值取向。

换言之，AI可以告诉企业“怎么做”，却无法回答“为什么做”。

在效率导向和KPI压力驱动下，企业决策流程中的“质疑”“争论”“犹豫”正在被视为低效的摩擦。但恰恰是这种摩擦，构成了战略判断的必要条件。

 当优化工具缺乏方向

设想这样一个场景：

企业要求AI分析物流与消费数据，寻找增长最快、成本最低的新市场。AI经过模型计算后得出结论——某地区具有明显优势，数据充分、逻辑清晰。

问题在于，决策团队是否同时考虑了当地文化环境、潜在政策风险、社会情绪变化等非结构化因素？

AI并没有犯错。它只是忠实执行了既定指令。

风险来自于——问题本身可能过于狭窄。

这意味着，单纯的数据核查与事实验证，并不足以保障战略安全。即使所有“砖块”都真实可靠，“蓝图”也可能是虚构的。

 AI时代，人文学科的现实价值

在“如何做”被高度技术化、标准化的背景下，企业真正稀缺的能力，正在转向“如何提出更好的问题”。

这一能力，恰恰源于人文学科的训练。

哲学训练强调对前提的质疑。

运营思维可能会问：“如何优化现有供应链？”

哲学思维则会追问：“我们真正解决的核心问题是什么？供应链是否是最佳路径？”

文学训练强调对人的理解。

数据问题是：“如何缩短客户通话时间？”

人文问题则是：“客户为何产生焦虑？他们在寻求什么情绪回应？”

历史训练提供长期视角。

季度计划可能逻辑完美，但历史经验能够帮助决策者识别周期性风险与二阶影响，避免将阶段性趋势误判为结构性变革。

在AI全面介入决策流程的背景下，人文学科所提供的“问题意识”，正成为差异化竞争的重要来源。

 重建“智识摩擦”

当企业面对AI生成的战略方案时，领导者需要的不只是核实数据，而是进行“逻辑压力测试”：

• 如果将该方案推向极端，会出现什么荒谬后果？
• 执行五年后，可能出现哪些非预期影响？
• 为了让该方案成立，我们是否忽视了某些不愿面对的人性事实？

这种质询，并非拖慢效率，而是为决策增加必要的安全边界。

在所有企业都拥有相似算法与数据资源的情况下，竞争优势不再来自“更快的计算”，而来自“更深的判断”。

 关键不在模型，而在提问

人工智能改变了工具，却没有改变决策的本质。

真正的领导力，不是比机器更擅长计算，而是在机器给出答案之前，提出更具洞察力的问题。

当“如何做”成为标准化能力时，“为什么做”将成为新的分水岭。

在AI时代，或许最先进的能力，并不来自未来，而是来自两千年前人类对理性、怀疑与判断的思考传统。

这不仅是技术问题，更是认知能力的考验。

而提出更好问题的人，终将掌握方向。

本文英文原版发表于IE大学IE Insights学术期刊。