文章作者丨Jonathan Kahan，慎思行采编翻译
个人微信丨hello_SSX
Fabrizio dell'Acqua和Ethan Mollick与BCG合作进行的一项最新研究发现，使用人工智能的咨询顾问在许多常见任务上的表现明显优于未使用人工智能的咨询顾问。对于绩效较低的员工，绩效提升幅度（以完成任务所需的时间、总体完成的任务数量或产出质量来衡量）高达43%。
对于那些还不相信生成式人工智能的能力的人来说，这项研究应该提供了最后的证据：人工智能将从根本上改变我们所知的问题解决学科。然而，尽管我们掌握了所有强大的工具，从 OpenAI最新发布的ChatGPT到市场上成千上万的专业应用，我们还没有看到真正的端到端自主解决问题的工具。许多人都在谈论“自主创新”。但自主创新究竟是什么样的呢？我们真的能想象机器能自主创造和部署新问题的原始解决方案吗？在人工智能能够自主处理和解决复杂问题之前，还缺少哪些要素？
01
问题解决和人工智能的优势
解决问题的学科要求从业者解决新问题，其中至少有一些问题不能简单地按照既定程序来解决。这些学科包括管理咨询、战略和设计等专业。虽然这些专业听起来，但它们都涉及类似的步骤：
提出问题
建立问题模型——包括将问题分解为可管理的组成部分
收集数据——包括案头研究、进行访谈、数据分析
构思解决方案
设计解决方案
测试解决方案并进行迭代
迄今为止，这些步骤大多由人类完成。现在，人工智能革命让机器接管了其中的几个阶段，为采用人工智能公司释放了巨大的价值。这种新价值主要分为三类或三种价值杠杆：提高效率、增加可变性和实现价值的普遍性。让我们逐一了解：
提高效率和速度
这一点非常简单：人工智能使问题解决者更快更好地完成工作，从而能够在相同时间内完成更多的工作。这在以下方面就很明显：
数据收集和聚类等自动化
使用生成式人工智能工具制作原型，例如用于可视化或网站设计
全面减少项目交付时间和人员成本
允许更多变化
这一点相当激进。现在，问题解决者在确定了许多可能的解决方案后，必须汇聚想法、整理思路，并选择少数几个继续前进。Gen-AI可能无需这样做：
消除对流程早期采用的问题表述和框架的路径依赖——一个想法的每一种可能变化都可以通过推理得出最终结果，甚至推向市场
在创意生成阶段产生更多选择：我们都知道，在头脑风暴中，数量是高于质量的。现在，创意的数量可以成倍增加。
可对任意数量的变体进行原型设计和测试
实现解决方案的无限定制，甚至可以针对某个受众量身定制。
让专家无处不在
到目前为止，问题解决者只能出现在一个地方。生成式人工智能有望让他们的专业知识被无限次上传和“复制”。就像问题解决者可以复制一样，在许多使用案例中，特定解决方案的目标用户也可以复制。这一发展允许：
通过合成受试者或专家来促进数据收集
传播解决问题的专业知识并使其按需提供
在生成式人工智能的三个价值杠杆得到充分利用的世界里，解决问题的方式将完全不同。在过程方面，随着我们不再需要汇聚想法，我们的“双菱形”开始看起来像一个圆锥体，从一个单一的问题陈述中投射出无限变化的可能解决方案。就范围而言，人工智能的低边际成本无处不在，这将使我们能够把解决问题的方法应用于大量大大小小的新问题。任何人都可以按需部署人工智能来解决任何非常具体的问题。
市场上不乏能让公司至少获得部分价值的解决方案。ChatGTP是一种通用工具，可用于大多数方面。Dall-e、Midjourney和其他类似工具可以帮助企业快速建立一系列产品和界面的原型。此外，还有许多专用工具：
有些旨在提高生产率，基本上是通过自然语言实现搜索和操作触发，而不是使用复杂的语言或界面（产品领域的一个例子是Tagado）。
有些可协助解决问题过程的特定阶段，如头脑风暴（如Stormz）、原型设计（如 Diagram）。
有些可以复制个人思维，作为用户（如Synthetic Users）用于测试目的，以及潜在的问题解决者（如使用最新的ChatGPT GPTs功能创建的各种机器人）。
因此，我们所拥有的似乎只是一些零碎的解决方案，用于在解决问题过程的大部分环节中增强人类的工作能力。但目前的大多数应用都错失了一个机会，无法真正充分发挥GenAI解决问题的能力。
我认为，我们现在与端到端自主解决问题之间的差距与三个关键挑战有关：
确定问题框架
对问题进行分类
采用代理连接方法
02
从提示词工程到问题框架
在过去的几个月里，我们听到了很多关于“提示词工程”作为未来关键技能的说法。但从某种意义上说，“提示词工程”只是这本书的一个幌子。正如Oguz Akar在《哈佛商业评论》（HBR）上指出的那样，我们更应该思考一个更普遍的问题，即如何制定一个好的问题陈述，这是人工智能解决问题的最基本的人类输入。
正如Akar所解释的那样，这项技能包括从现有证据中诊断问题、将问题分解为一系列子问题、用不同的术语重构问题以及设计解决问题的约束条件。这四点在决定问题如何解决的过程中发挥着重要作用，因此任何有意将人工智能应用于问题解决的人都必须有意识地将它们设计到流程和界面中。目前，我并没有看到很多人这样做。
设计师用来分解和重构问题的一个简单练习是挑战映射：从开始的问题陈述开始，主持人反复询问“是什么阻碍了我们”以将问题分解为子问题，以及“为什么需要解决这个问题”以缩小范围并关注更具战略层面的问题。
我至少想到了几种人工智能代理或其与人类用户互动的方式来重现这种练习：
通过某种模板迫使我们告诉机器它需要被告知的内容——背景、分析级别、问题空间的已知约束等——这种方法在某种程度上得到了体现，例如创新委员会的战略建议机器人。
或者，人工智能可以通过在我们设置问题时向我们询问有关问题的问题来帮助我们进行挑战映射练习。这种方法在麻省理工学院的 Ideator 中就有体现。
03
问题类型分类
并非所有问题都是一样的。想想优化生产流程、制定公司战略与应对COVID-19等突发危机之间的区别。
根据时间限制、信息可用性以及问题系统中是否存在反馈回路等因素，解决问题的正确方法可能是应用现有的最佳实践，快速测试多个解决方案，或者全力以赴解决一个问题，并希望在此过程中对环境有更多了解。戴夫·斯诺登（Dave Snowden）在其开创性的Cynefin框架中阐述了这些不同类别的问题——简单、复杂、繁杂和混乱。
自主创新流程应该能够区分问题类型，并采取正确的行动，或提出相应的正确路径。在某种程度上，这可以通过类似ChatGPT的工具来模拟，但大多数现有工具似乎都没有采用这种方法。未来的人工智能问题解决工具很可能会专门针对一种类型的问题（简单、复杂、繁杂或混乱），或者具有硬编码的if-then条件，这些条件将引导过程进入正确的步骤集。
Cynefin框架。来源：维基百科维基百科
04
代理连接方法
要实现自主解决问题和创新，就需要从当前主流的“人工智能作为副驾驶”的范式转变为将人工智能视为一组相互连接的代理。第一个关键区别是，代理当然更加独立于人类的输入：它们有自己的传感器，在一系列条件下触发它们采取行动，还有执行器，即干预世界的方法。随着ChatGPT最新版本（2023年11月）的发布，OpenAI本身似乎也向这一方向倾斜，其中包括构建类似专门人工智能代理的能力。目前，这些代理在感知内容（主要是你的聊天输入、网页）和行动方式（主要是触发各种软件中的操作）方面受到了相当大的限制，但我们肯定可以期待很快在这方面看到更多的功能（实时摄像头感知、3D打印、触发物联网工作流等）。
差异的第二个方面是连接。解决问题通常是一项集体工作，需要多人扮演不同的角色，有时是根据他们的技能，有时是根据个性，有时是刻意为之，几乎就像角色扮演一样（想想著名的六顶思考帽创意构思技巧）。这对问题解决的成功至关重要：不同的人类代理对略有不同的首选结果进行优化，可确保制定出更稳健、更具创新性的解决方案。
人工智能可以仿效这种机制。我们与人工智能的互动可能更像是见证不同人工智能代理之间的创新过程，而不是与单个代理聊天。这种互动有些可能是顺序性的（想想看：构思机器人将其结果反馈给构思选择机器人，后者再将其反馈给原型设计机器人），有些则可能是并行的：例如，几个机器人可以尝试根据一个提示进行构思或原型设计，而这个提示每次都会被程序性地“注入”一个随机突变，从而产生分歧。甚至，一个机器人可以系统地尝试批评另一个机器人正在生成的内容，而第三个机器人可以综合它们的结果。微软的Autogen似乎就是朝着这个方向迈出的一步。
编辑 | Jinya
相关战略课程和书籍
近期我们推出了《问题解决营》课程，欢迎感兴趣的朋友点击图片链接或扫码关注，了解课程的相关情况。
也欢迎大家扫码购买我们推出的《战略简史》新版，以帮助大家更好的了解战略理念与方法五十年的发展高峰，以及对中国当前市场的启示。
进一步交流
进入专业社群展开深度讨论
慎思行通过微信等平台覆盖超过10万战略人、咨询人等各类专业人士。我们也构建了专业社群，推动战略与咨询领域的问题讨论、信息交流和机会分享，社群已有超过5年历史，并成为了顶尖专业人士感知市场前沿，获得实践经验的首要选择。入群请添加慎思君微信，并提供名片。
现在微信公众号更改规则，如果你不特地点进来，很可能看不到我们的推送了。希望喜欢【慎思行】的读者朋友们将本号【设为星标★】，方便找到我们；也欢迎点击右下角的【在看】。