前两天，我发现了一个险些不可能被 AI 替代的责任：

AI 险些不可能替代东谈主类作念买卖运营决策。

周末两天上了沙盘模拟课：模拟企业筹划。

玩法很浅易，分红五组，各组把柄诬捏市集运行规矩，决定在哪建厂，分娩什么，分娩若干，卖若干钱，搞不搞营销，需要卷死其他四个组告成，优厚团队荣获王者水晶。

当我得知是这样的模拟游戏的工夫，内心暗喜。

需求明晰，数据丰富，规矩明确，这岂不是自然落在 AI 射程范围内。

用 AI 还不是手拿把掐？

我把想法和团队一说，全球纷繁暗意支撑，筹划让 AI 带咱们躺赢。

于是咱们胸脯一拍，起名为水晶能源，致使准备了 Logo，就差没准备获奖感言。

恶果，第一天规矩时 …

怎么说呢 … 属实是光屁股拉磨，转圈丢东谈主。

咱们股价格外于倒数第二的 80%，第一组利润是咱们的 8 倍。

全球纷繁向咱们投来矜恤的眼光 …

好好好，AI 前驱秒变 AI 先烈。

下课之后，我热沈久久不行坦然。

一直在想考， 我的脸往哪搁 AI 为什么作念不好企业筹划料理？

熬夜翻了六七篇论文之后，我找到了一些施展，和你一齐疏通。

一、模子结构和磨练措施从根柢上决定了它作念不好决策论断：咱们前几轮之是以惨败，根源在于大语言模子架构（后文我会称之为 LLM ）以及它的磨练范式，和企业筹划这种复杂的动态任务存在着根人性的龙套。

先先容下咱们的使用法子：

当先，通盘布景材料和盘面的数据，我全部转成结构化的文本，东谈主工校准内部通盘的数据，确保输入的信息完好意思干净，不存在 LLM 识别图片导致数据的特殊。

然后，亦然最中枢的：我要求 LLM 必须先写代码，再给论断。

通盘这个词过程在 Cursor 里完成，AI 先生成代码，分析数据，然后基于计较恶果语言。

我其时认为，这套 PAL 历程让 AI 的分析锚定在了可不雅的数据恶果上，险些阻绝了 AI 瞎掰八谈的可能。

它的每一次输出，皆将是纯正感性的计较恶果。

信心满满，一看就很专科！

给你望望过程中的论断。

为保护沙盘游戏版权，部老实容打码。

看起来是不是挺稳，挺过劲的？

有利义数据，推理严丝合缝，咱们小组的成员一运转亦然这样认为的。

把咱们公司的运转交给了小组第十二名成员：Claude Sonnet 4。

恶果全球皆知谈了，咱们的计谋上中规中矩，策略上错得离谱。

竟然是，寄居蟹搬家，蚌埠住了。

这一问题的根源是：大部分 LLM 在磨练过程中闭塞针对买卖分析为见地的特意优化。

因为：传统买卖分析经常需要明确见地（举例利润最大化、风险最小化），需要通过分析数据，然后找到最优解。

但 LLM 的磨练见地是：普及文本量度的似然（量度下一个词汇或标志的概率准确性），不一定包括买卖分析见地的优化。

这样就会导致 LLM 闭塞内置的「见地导向」推聪慧商。

也即是说， LLM 不但不会在买卖分析中主动寻找最优决策，

违暗自， LLM 倾向于给出平均意旨上的合理申报，

LLM 可能能够同期摆列多方面斟酌，但它不具备永久一致的决策准则（或者说是适合经济学、料理学的逻辑）来采用最优决策。

接下来，LLM 生成文本的工夫，莫得可靠的面向恶果阐述机制。

旧例的机制下，唯独 LLM 在输出在体式上适合语言逻辑，那就算完成对话任务，哪怕这内部有若干逻辑矛盾，或者相等离谱的计谋。

因为 LLM 在用户莫得指出的工夫，没见地平直纠错。

进一神情，买卖决策还需要触及多个重要的层层推理，浅易来说，即是从一个数据进行逾越式的想考，网络多样身分层层递推，要是发现特殊，还要从脑子里拿掉这个过程。

轮廓来说，至少会先假定一个情景，然后分析决策，对比优颓势，进行抉择。

但 LLM 只会斟酌平铺直叙的申报。

这在复杂买卖分析中是致命缺陷。

另：LLM 的凑趣儿性对话策略，会丢失我方的判断，顺服你的想路，哪怕你的想路何等离谱，它皆会试着将你的策略合理化。

这在筹划料理中，应该长短常要命的了 …

这不即是现代王振吗？明朝朱祁镇依然吃过这样的亏了，不行太过于投诚这种巧言令色的东谈主～

浅易来说，唯独你对大模子的决策建议了挑战，大部分情况下，大模子就扬弃了我方的态度。

而动作东谈主类 CEO，你极有可能会和 CFO 或者计谋的东谈主吵起来，然后彼此以为对方是傻 X。

在咱们建议挑战之前，咱们在莫得经过仔细研读数据时，咱们皆认为「大模子的这个计谋还挺合理的。」

大模子具有迷惑性的谜底（一册稳固地瞎掰八谈），是咱们前期让渡了团队想考导致翻车的根柢原因。

本段实质参考论文：

https://arxiv.org/abs/2502.11574

二、即便领有一切需要数据的情况下，LLM 仍不行进行复杂决策与计谋说真话，咱们险些将一切能给的数据皆灌注给 LLM 了。

但，它作出的策略，莫得见地率领咱们取得告成。

因为：它给出的是中规中矩的策略，而咱们的敌手们，是行业内部的卷王。

要是你周围全是小白，LLM 能帮你拉到 70 分骗取以前的水准，然后你能一花独放；

但要是你周围全是大佬，全是卷王，全球追求的是无尽接近 100 分，你还拿这样的恶果出来，LLM 会让你成为市聚集的笑柄。

为什么？

买卖计谋制定是需要对一些特定情境有深刻意会、创造性想考和对东谈主性的判断。

但 LLM 输出的计谋诡计经常套路化，很难明确识别在这个情境底下的重要挑战、竞争定位和获得上风的措施，他们对东谈主性闭塞的确了解，是以很难作念好对各个选项的权衡。

也即是说：大模子极其容易生成听起来合理但千人一面的决策，LLM 不但没见地像刘润那样针对特多情境建议改造性的处置想路。无意还会给出格格不入的建议，或者在不同申报中对归并决策的评价不一致。

走漏的问题是：LLM 闭塞安详的决策准则。

要是把决策交给大模子作念，那么大模子概况率会把你带到沟里。

假定你非要把通盘的数据，周围的环境，东谈主际联系，竞争模式等等数据灌给大模子，让大模子作念决策，

先不说大模子没见地拿执好国内的情面世故，

更严重的短板：LLM 不但受到高下文窗口长度的影响，关于市集变化而言，高下文是静态切片！

本段贵寓：

https://arxiv.org/abs/2502.11574

https://www.kevinjruth.com/blog/library/governance/ai-fails-to-understand-strategy

三、就算有高下文，高下文皆仅仅俄顷发生的快照这个决定了，大模子和东谈主类的重要区别。

东谈主类能安妥暧昧景色，东谈主类能凭借教化或者所谓的「第六感」，拿获到蝴蝶山东的翅膀。

东谈主类能卧薪尝胆，宝石很万古分，从少许点小事运转布局，在未来 N 年才变成完满的「派遣」或者「计谋」。

在市集格杀下，某一次强烈的价钱战，负面影响深切地可能会不时十几年。

这 …

大模子推不出来，就算能推出来，大模子也没那么长的高下文。

就算有这样长的高下文，前文的实质还会打扰大模子后续的推理。

毕竟，它仅仅一个 Token 推 Token 的冷凌弃机器东谈主辨别。

本段实质参考论文：

https://arxiv.org/pdf/2505.10543

四、迎风翻盘的反想上头咱们讲了这样多 AI 不行的原因，那么难谈 AI 在咱们的决策中，完全帮不上忙吗？

非也！！

咱们从第一天的倒数第一，到第二天凭借 AI 协同迎风翻盘。

连超三组，终末输给了冠军，永驻人间。

发生了什么？一、稳住心态；

二、找到 AI 擅长限制。

说真话，这一次筹划模拟课程里，我发现存好多东谈主仍视 AI 为大水猛兽，或者藐视 AI 的智商。

第二天，我也受到其他组的玩笑：

「你们连续用 AI 搞嘛！」

「你看 AI 有啥用，用 AI 搞到垫底。」

过程中淳厚直言，「你们不是第一个用 AI 的，但借助 AI 无一例外，皆是垫底。」

但越是到这个工夫，越是要稳住，毕竟还有一天要打。

那时，我心里见地是：唯独不垫底就行。

经过反想之后，我挽救了想路。

AI 自然作念不好决策，但！ AI 很擅长写代码！

那就让 AI 作念好 Dashboard ， 把所稀奇据皆整理出来，给东谈主类作念决策！

其他组需要拉 Excel ，需要手算的实质，咱们借助 AI 一键可视化。

秒处置宣战。

从拿到每一趟合数据，到给出全部数据报表，只需五分钟。

要是没稀奇据可视化，需要花时分袂算 …

咱们能快速检察通盘这个词市集趋势，不需要手算，想要哪个数值平直点。

想算趋势，平直看。

想看通盘组通盘产物的市集订价和份额，平直看。

想看通盘组的产物智商，平直看！

快速预估合理的研发用度

于是，第二天绝地翻盘，规矩时排在第二。

终于如故保住了好看 …

自然两天花了 40 刀 …

自然在过程中我猖獗怀疑我方是不是有问题 …

你可能会以为我内心戏太多了，哈哈。

但履历了第一天全面颓势，基本快崩盘的情况下，能稳住即是告成。

更别说咱们卓越了 …

动作组里独逐一个刚硬支撑我用 AI 的队友，亦然咱们的班长，规矩的工夫给我转了超大的红包！

不外没好真谛领 …

毕竟，他亦然刚硬的 AI 落地践行者

但好在，咱们构成绩可能是最大的，全球躬行感受到：

无条款信任 AI ；

PTSD 扬弃 AI ；

摄取 AI 与 AI 互助。

属实是亲历了达克效应了 …

论断概况是：AI 不弱，弱的是咱们，是咱们莫得摸到 AI 的智商规模；

毕竟，咱们按毒头喝水，被牛踹两脚也合理吧 …

两天的课规矩了，我最大的成绩 … 即是意难平。

现时也很气，为什么我早莫得效它来干数据可视化！！

可恶！！

可是，

买卖寰宇，莫得那么多早知谈，

不是吗？体育游戏app平台