• AI增强的战略决策工具构建示例——通过GPT-4实现场景规划、波特五力分析、魔鬼代言人和群智智慧等传统工具的强化，展示AI可快速生成合理战略方案及有力的反驳观点，节省人力资源并提升决策多样性和深度 [page::7][page::8][page::9]。

- AI战略生成能力实验：基于欧洲某创业加速器309个商业计划，选择10个样本（5接受、5拒绝）由GPT-3.5补充生成完整商业计划。结果显示LLM生成计划在评估指数上比创业者版本高0.14个标准差，被推荐接受率高5个百分点，投资兴趣和投资概率均显著提升，尤其在原本较差的计划上效果更突出，排除写作质量差异的影响，证明AI能辅助创业者提升战略质量和吸引力 [page::11][page::13][page::14][page::15][page::16]。

• AI战略评估能力实证：利用138份创业大赛商业计划和541份投资界评审评分，LLM评分与人类投资者评分的相关系数为0.52，覆盖团队、执行计划、财务等维度，说明AI具备稳定且有用的战略评估能力，有助于规模化筛选和创业者早期改进 [page::16][page::17][page::18]。

• AI对战略决策认知过程的影响系统化分析：AI可极大提升搜索速度，潜在提升方案质量和多样性（依赖AI能力强弱）；助推战略表征复杂度及新型战略框架产生；支持虚拟群体意见聚合，减少决策偏差，并实现高效模拟和角色扮演，推动战略实验和组织运作变革 [page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27]。

- AI与企业绩效关联框架：从技术（AI能力）出发，经影响决策搜索、表征、聚合，进而改变战略生成评价，再进一步作用于价值创造、市场动态与市场结果，描绘AI促进战略决策最终影响企业绩效的路径，并依据AI发展阶段（弱AI、持续进步、强AI）预测竞争优势转型趋势 [page::28][page::29][page::30]。

• 与理论基础视角（TBV）结合，探讨AI在构建、测试及更新战略理论中的角色与限制：AI有助于加速理论形成及优化，克服人类认知偏差，但可能因数据局限导致战略趋同、缺乏原创性，且面临理论驱动与数据驱动的本质争论 [page::31][page::32][page::33][page::34]。

报告名称：《Artificial Intelligence and Strategic Decision-Making: Evidence from Entrepreneurs and Investors》

作者: Felipe A. Csaszar，Harsh Ketkar，Hyunjin Ki
机构: 密歇根大学、德克萨斯大学奥斯汀分校、INSEAD
发布日期: 2024年8月1日
主题: 人工智能（AI）与企业家和投资者的战略决策制定（Strategic Decision-Making, SDM）

---

一、元数据与报告概览

该研究报告系统探讨了大型语言模型（LLMs）等人工智能技术如何影响企业的战略决策过程，特别是如何辅助生成和评估战略，以及其对企业战略理论和实践的深远影响。报告通过理论分析、AI实证实验，以及认知过程的细分，阐释了AI辅助战略决策的潜力、局限和未来展望。

核心论点和结论：

• 当前主流LLMs已能在战略生成和评估任务中达到或接近人类企业家及投资者水平，具备在现实环境中有效辅助决策的能力。

- AI辅助战略决策有望显著提高战略分析的速度、质量和规模，同时催生虚拟战略模拟等新型方法。

• AI对企业战略绩效的最终影响将依赖于技术进步速度及市场竞争动态。

- 通过认知过程模型（搜索、表征、聚合），报告提出了框架以系统理解AI如何变革战略决策过程。

• 结合理论视角，特别是理论基础观（Theory-Based View, TBV），报告讨论AI如何挑战或扩展战略的基础理念。

- 报告的重要输出还包括关于未来AI与战略研究的方向指引。

评级：报告未采用传统投资评级，但实证分析基础扎实，理论深刻，具战略管理及人工智能交叉领域的开创性探讨。

---

二、逐节深度解读

2.1 摘要与引言（第0-5页）

• 摘要明确指出目标：探讨人工智能如何辅助企业战略决策过程中的生成与评估，结合实验数据验证LLMs的实用性，并提出理论框架，涵盖从认知过程到市场绩效的全链条分析。

- 引言聚焦于SDM的复杂性及其以往为纯人类认知主导。回顾算法交易30年来替代人类交易员的演进，引入AI在文本大规模处理及推理能力上的突破，特别是LLMs的兴起，使AI在SDM中扮演关键角色成为可能。

• 提出三大研究问题（第4页）：AI辅助的SDM形式、现有LLM的战略生成与评估能力、AI在SDM中的影响机制。

- 作者设计了两组实验：与欧盟一领先创业加速器合作验证LLM对创业计划书生成的能力；借助名校创业比赛数据验证LLM的评估能力。

• 进一步将SDM核心认知过程划分为搜索（search）、表征（representation）和聚合（aggregation），以结构化探讨AI的作用。

2.2 AI辅助的SDM工具再造（第6-10页）

• 报告选取情景规划、波特五力、魔鬼代言人、群众智慧四个经典SDM工具，示范如何通过GPT-4（大规模语言模型）实现AI增强版本。

- 情景规划中，AI生成了合理的未来场景及应对方案，如在高级AI教育技术威胁情形下建立产学研合作（第7页），体现LLM的文本理解和战略构想能力。

• 波特五力模型分析由AI对商学院产业进行深度、全面评估，不仅涵盖人员与资源要素，还甄别了外部环境影响因素，展现出非简单复述的推理能力（第8页）。

- 魔鬼代言人工具中，LLM提出15条有深度的反对意见，涵盖技术快速迭代风险、伦理问题及认证壁垒等，体现其在批判性思维方面的潜力及消除人类社交障碍的优势（第9页）。

• 群众智慧利用LLM模拟“虚拟群体”意见，实现市场、政治预测等，报告引用相关领域研究表明这种虚拟社群可作为成本低廉且高效的替代方案（第9页-10页）。

- 这些示例强烈表明，现有LLM足以自动化和扩展传统SDM工具，且通过交互式问答增强人类决策者效率。

2.3 实证研究：AI与战略生成及评估（第11-19页）

2.3.1 战略生成（第11-15页）

• 数据源取自2021至2022年欧盟一创业加速器，共收到309份创业计划书（包含5份获选、5份被拒样本），利用GPT-3.5基于“问题”部分生成完整的方案，并进行长度匹配和语言规范化（附录B详述）。

- 设计在线实验，250名具备创投经验的评估者随机接收LLM或原版创业计划，无标签盲评，目标评分指标涵盖写作质量、创新性、执行力、投资潜力、可行性等。

• 分析模型采用双固定效应控制计划和投资人差异，统计显著表明LLM版本平均综合评价高0.14标准差（p<0.001），推荐率高5个百分点，投资意愿显著提升（详见表1，第14页）。

- 图1（第15页）密度曲线显示LLM计划各评分分布整体优于人类生成版本，尤其在低分尾部表现更佳。

• 经过语言质量中和（所有原版计划语法经LLM修订），提升效果主要源于业务执行与逻辑内容，排除写作优劣偏差（附录表B.2）。

- 进一步分层分析发现，LLM方案对原被拒绝计划提升显著，但对获录取方案影响不明显（表2，第16页），暗示AI更能帮助弱势创业者增强方案竞争力。

2.3.2 战略评估（第16-19页）

• 利用一顶级商学院创业比赛数据，135份文本型商业计划经由137名投资人3-5份双盲评分构成核心数据，共541份评估。

- LLM基于相同评分规则自主评估，涵盖团队、执行、财务、创新、市场机会、竞争优势、盈利能力等十个维度，标准化后与人类打分进行相关性分析。

• 结果显示投资人与LLM评分相关系数0.52显著正相关（图2，第18页）；分布形态高度一致，Kolmogorov–Smirnov检验显示差异不显著（p=0.86）。

- 各评分维度相关系数存在差异，团队素质、执行计划、财务指标和竞争优势四项高度契合（表3）。整体LLM解释人类评分约29%的变异。

• 报告指出AI可广泛用于初筛提高效率，并为创业者提供类似导师的针对性反馈建议。

- 通过对比培训期前后数据发现相关性稳健，不受训练截止点限制（图C.1，第54页）。

2.4 AI对SDM认知过程的影响（第20-27页）

• 基于Csaszar和Steinberger（2022）的认知框架，报告讨论AI对搜索（Search）、表征（Representation）和聚合（Aggregation）三大认知过程的潜在影响（表4，第21页）。

- 搜索：AI显著提高战略备选方案探索的速度，可模拟虚拟实验，提升整体决策质量和异质性。区分“弱AI”和“强AI”情形，弱AI当前能力大幅提升速度但可能导致方案趋同；强AI则能提升方案质量且避开次优陷阱，带来更优竞争格局。[page::20][page::22]

- 表征: AI可处理海量信息促进战略表征复杂度升级，催生新型战略框架、模型。通过改变提示即可快速迭代认知模型，降低管理者采纳新观念的难度，提高对战略环境的认知灵活性和多样性。[page::23][page::24]

- 聚合: 借助AI模拟“虚拟群体”整合多元视角，提升创新和评估效果。AI还能减少人际偏见、群体压力，支持拓扑模拟与历史复盘。未来人机混合决策团队沟通将依赖新型“边界物”（boundary objects）确保知识准确传递。[page::25][page::26][page::27]

---

三、重要图表与表格深度解读

表1（第14页）——创业者与LLM生成方案评价比较

• 描述: 该表量化比较了LLM生成和人工创业计划在评估指数（标准化）、推荐接受概率、介绍意愿及投资意愿的差异。

- 核心数据: LLM方案平均提升0.14标准差评估指数（显著），推荐接受概率提升5%，投资意愿平均提升2.55分（百分制），均达到统计显著。

• 意义: 强烈支持当前LLM具备生成优质创业战略方案的能力，并能够获得投资者的认可辅助融资决策。

图1（第15页）——评估评分及投资意愿分布对比

• 描述：面板(a)和(b)分别展现评估者评分与投资意愿在两类方案中的核密度分布。

- 解读趋势：LLM方案的评分整体右移，尤其低端方案显著优于人类版本，投资意愿表现亦优稍许。

• 联系文本：图形直观支持表1结论，并排除样本顶部和底部极端情况的可能偏差。

- 溯源: [page::15]

表2（第16页）——根据创业计划是否被接受的分层分析

• 描述：分类比较LLM对获批和不获批创业计划的改进效果。

- 关键点：LLM方案对原本被拒计划有明显提升（评分+0.29，推荐接受概率+7%）；而对原本已被选计划无显著提升甚至略降。

• 意义：AI辅助主要在提升中低端创业方案质量上力量较大，对高质量方案的边际贡献有限。

- 溯源: [page::16]

图2（第18页）——投资人与LLM对创业计划评分比较

• 描述：面板(a)散点图展示投资人和LLM评分的相关性，面板(b)核密度图对比分布形态。

- 关键数据：整体相关系数0.52说明LLM能够较准确反映人类投资人判断标准。分布差异无显著差别（Kolmogorov–Smirnov p=0.86）。

• 联系：该证据为AI高质量自动评估提供支持，鼓励在创业筛选和策略反馈系统中应用AI工具。

- 溯源: [page::18]

图3（第29页）——AI辅助SDM与企业绩效框架

• 描述：流程图清晰展现AI技术如何影响认知过程（搜索、表征、聚合），进而影响战略生成和评估，最终作用于企业价值创造、市场竞争和市场绩效。

- 深度：明确指出技术影响是通过改变认知执行路径到战略输出，战略输出再通过价值创造与竞争结构影响绩效。

• 概念：区分“弱AI”“进阶AI”“强AI”三种发展状态对绩效及行业竞争模式的不同影响（弱AI可能导致产能过剩和利润下降，强AI则回归资源稀缺决定型竞争）。

- 溯源: [page::29][page::30]

---

四、估值与风险分析

本报告属于学术与管理研究性质，未直接涵盖传统财务估值模型（如DCF、EV/EBITDA、市盈率等），重点是战略生成评估的有效性实验和理论框架构建。因此估值分析集中于战略生成与评估的“战略价值产出”维度，侧重质性与半定量层面。

风险因素隐含于报告讨论中：

• AI当前局限：LLM基础是统计语言模型，缺乏因果推理能力，可能固化现有战略模式，限制创新和异质性[page::3][page::22]。

- 同质化风险：普遍应用AI可能导致战略趋同，竞争优势减弱，行业利润空间压缩[page::22][page::29]。

• 数据偏差与训练窗口：训练数据时间窗口限制了AI对最新商业环境的适应[page::17]。

- 组织文化与采纳阻力：AI替代人类决策带来的文化冲击，组织结构和激励机制的调整难度[page::26]。

• 理论驱动限制：AI生成战略或更新理论的局限，以及可能过度依赖历史数据的风险[page::31-33]。

报告对部分风险提出缓解建议：如结合实验室模拟完善AI训练，强化AI与人类的协同决策模型，关注异质性和创意保持机制，避免过度迷信数据驱动。且强调今后AI能力提升是缓解风险的核心。

---

五、批判性视角与细微差别

• 报告非常谨慎地承认当前AI模型主要擅长基于大数据的语言预测，而非真正战略推理和理论创新，避免过度吹捧AI能力[page::3][page::31]。

- 对AI对战略创新潜力的限制给予充分关注，特别是基于“理论基础观”（TBV）对于策略原创性和独特性的强调[page::31-33]。

• 实验设计中，为避免写作水平影响结果，细致地通过LLM修订原文达到语言质量平衡，体现实验严谨[page::14]。

- 实证数据依赖欧洲和美国创业加速器及商学院的创业、投资环境，有一定局限于创业型小微企业语境，对传统大企业战略决策的外推需谨慎。

• 表3部分图表数据因排版问题无法提取完全，略微影响综合分析细节，但整体实证结论保持连贯。

- 认知模型拆分为搜索、表征、聚合的结构清晰，利于后续具体可操作的AI辅助战略系统设计，展望科学且有实际意义[page::20-27]。

---

六、结论性综合

本报告系统呈现了人工智能，特别是大型语言模型在战略决策制定领域的深刻变革潜力。通过理论推演及两组覆盖战略生成与评估的实证研究，明确展现：

• 现阶段LLM在策略构思、文案生成及方案评估中可达到甚至超越部分人类创业者及投资者表现，具备现实世界应用场景价值。

- AI极大提升了战略搜索速度与规模，促进多样化和复杂度的战略表征，实现前所未有的认知扩展。通过虚拟“魔鬼代言人”“虚拟群体”等方式，聚合异质观点，降低传统偏见，提升决策广度与深度。

• AI辅助将使战略竞争优势来源发生转变，影响传统以独特资源、创新驱动的结构，推动战略理论基础革新。其对理论驱动视角的冲击值得深入研究。

- 报告框架系统连接技术能力、认知过程至战略产出和市场表现，揭示AI在战略辅助中复杂的多层次因果机制。

• 报告强调，无论AI发展快慢，战略决策主体均需适应AI辅助的新常态，未来战略科学有望实现高度的机器可执行性，实现“策略科学”范式转变。

重要图表摘要

• 表1与图1佐证LLM生成创业计划的竞争力和投资吸引力，数据显著，实证可靠。

- 表2细分显示LLM对低质量创业方案提升更显著，暗示助力弱创业者的潜力。

• 图2及相关表格验证LLM评分与专业投资人高度相关，支持AI应用于初筛与方案优化。

- 图3策略执行框架将认知过程与市场绩效关联，构筑了AI辅助战略分析完整链条。

总之，报告不单揭示了AI技术当前的战略决策应用，更描绘了未来战略管理因AI而发生的认知范式与实务革新，为相关领域研究和实践开展提供了详实理论依据和实验支持，具有开创性和高度前瞻性。

---

参考页码索引

[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27][page::28][page::29][page::30][page::31][page::32][page::33][page::34][page::35][page::42][page::43][page::44][page::45][page::46][page::47][page::48][page::49][page::50][page::51][page::52][page::53][page::54]

报告