当 AI 进入企业管理层，一个看似简单的问题开始变得复杂：它是在削弱 CEO 的权力，还是在为 CEO 提供前所未有的权力杠杆？
港大经管学院唐翌教授与同济大学王紫璇在 FT 中文网刊发的评论中提出，AI 同时打开了两条方向相反的路径。一方面，它把原本稀缺的分析能力普及到组织各层级，让 CEO 不再是唯一能够解释复杂信息的人；另一方面，在董事会沉默、股权分散、内部治理薄弱的公司里，算法可能成为管理者包装个人偏好、扩大信息优势的新工具。
所以，真正的问题不是“人还是机器更适合做决定”，而是：谁能够决定 AI 看什么数据、优化什么目标、输出什么结论，以及谁有权质疑它。
CEO 权力的来源不只是职位
管理学长期关注所谓的“CEO 效应”：即使面对相同的市场环境，不同管理者也可能选择截然不同的战略。有人偏好收购和扩张，有人重视现金流和风险控制；有人押注长期研发，有人首先优化季度利润。
这种差异不完全来自正式职权。CEO 更重要的权力，是对复杂现实的解释权。市场、客户、竞争者和内部经营每天产生大量信号，组织最终需要有人回答：哪些变化重要、发生了什么、公司应该朝哪个方向行动。
过去，信息经过多个管理层级汇总后，通常由 CEO 和少数高管形成最终叙事。董事会与普通员工看到的，往往已经是被筛选、压缩和解释后的版本。能够定义问题的人，也就很大程度上决定了哪些答案会进入决策范围。
AI 为什么可能成为 CEO 的“对手”
生成式 AI 和企业智能体正在降低分析能力的获取门槛。员工可以快速阅读大量文件、比较行业数据、构建情景预测、检查合同、分析客户反馈，并为管理层观点寻找反例。
过去需要高级顾问、资深分析师或多年经验才能完成的部分工作，现在可以由更多团队低成本获得。CEO 不再天然拥有信息处理速度和知识覆盖面的绝对优势，其角色可能从“首席解释者”变成“整合不同解释并承担最终责任的人”。
这种变化可能带来三个效果：
- 部门更容易形成独立判断，不必完全依赖自上而下的解释；
- 董事会可以使用独立模型和数据源复核管理层材料；
- 决策讨论从“相信谁的经验”转向“比较哪些假设和证据”。
在信息密集、流程标准化程度高的行业，AI 甚至可能缩小优秀 CEO 与普通 CEO 之间的差距。当市场研究、经营诊断和竞争分析逐渐基础设施化，一部分依赖信息优势建立的领导力溢价会下降。
但这并不意味着 CEO 会变得不重要。AI 可以扩展选项，却不能代替管理者决定公司愿意承担什么风险、坚持什么价值、牺牲什么短期利益，以及在信息不完整时由谁承担后果。
为什么 AI 也可能成为 CEO 的“武器”
同样的技术进入治理薄弱的企业，会产生完全不同的结果。CEO 可以控制训练数据、提示词、目标函数、呈现方式和模型供应商，再把符合自身偏好的输出描述为“系统给出的客观结论”。
算法由此可能形成一种新的权威包装：
个人判断 → 选择性数据与目标 → AI 输出 → “技术结论” → 董事会批准
表面上，决策比过去更数据化；实际上，真正决定结果的价值选择被隐藏在模型之前。董事会看到的是精致的概率、图表和建议，却未必知道哪些信息没有被输入、哪些情景被排除、系统为何赋予某个目标更高权重。
这会造成第二层信息不对称。传统监督者至少可以追问 CEO 的逻辑；面对复杂模型，董事可能连应该问什么都不清楚。管理层就可能利用技术复杂性扩大自由裁量空间，而不是接受更多约束。
风险最高的情形通常具备几个共同特征：CEO 同时担任董事长、独立董事缺乏技术能力、重大模型由管理层单独采购、关键提示与数据不可审计、AI 建议没有反方评估，以及失败后责任被归咎于“算法”。
AI 还可能让整个行业变得更相似
AI 不只影响一家公司的权力结构，也可能改变行业竞争。如果大量企业订阅相同的数据、使用相似的基础模型，并以类似的利润率、增长率和风险指标优化决策，它们很可能得到相似的答案。
结果可能是企业同时进入热门市场、采用类似定价、追逐相同客户，并在同一时间削减被模型判断为低效的长期投入。每家公司看起来更理性，整个行业却因为集体拥挤而变得更脆弱。
这类似金融市场中的模型同质化：单个机构使用风险模型可以降低局部错误，但许多机构同时按照相似信号交易，可能放大系统性波动。
反过来，如果企业用 AI 扩大自身独特知识、客户关系和经营经验，而不是直接采用统一答案，技术也可能强化差异化。真正的竞争优势将不只是拥有某个模型，而是拥有别人无法复制的上下文、反馈机制和判断标准。
董事会不能只问“是否使用 AI”
传统董事会经常把 AI 当作数字化投资项目，重点关注预算、上线进度和效率回报。但当系统进入战略、招聘、信贷、定价、并购和风险管理时，它已经成为公司治理的一部分。
董事会更需要追问五类问题：
1. 谁定义目标
模型是在优化收入、利润、市场份额、风险、员工稳定性还是长期创新？不同目标之间如何取舍？目标函数并不是技术细节，而是公司价值观和风险偏好的具体表达。
2. 谁控制信息
管理层是否可以单独决定数据源、删除不利信息或调整提示？董事会、审计部门和业务团队能否看到相同的原始材料，并使用独立方法复核？
3. 谁能够反对
重大决策是否必须包含反向分析、替代情景和模型不确定性？提出异议的员工能否直接向风险委员会或董事会报告，而不必经过被质疑的管理层？
4. 谁留下记录
企业应保存模型版本、关键输入、提示、工具调用、人工修改、审批人和最终结果。没有可追溯记录，“人类最终负责”往往只是一句无法验证的口号。
5. 谁承担责任
AI 可以提供建议，但不能成为责任主体。公司必须明确业务负责人、技术负责人、风险负责人和最终批准者，避免成功归管理层、失败归算法。
一套能够制衡权力的 AI 治理结构
美国国家标准与技术研究院 NIST 的 AI 风险管理框架，把治理置于整个 AI 生命周期的中心，并强调高层需要对系统风险决策负责、组织必须明确人机职责、持续记录和复查系统表现。
结合董事会监督场景，企业可以把这些原则落实为六项制度：
- AI 系统登记册： 列出公司使用的模型、用途、数据、负责人、供应商和风险等级；
- 重大决策双重验证： 战略、并购、招聘、授信等高影响事项不得只依赖单一模型或单一管理链；
- 独立访问权： 董事会、审计和风控团队可以获取底层依据并进行独立复核；
- 权限分离： 提出目标、配置模型、批准执行和审计结果不能全部由同一团队控制；
- 反方智能体： 针对重要提案主动寻找反例、遗漏信息和失败情景，而不是只优化支持方案；
- 定期失效测试： 持续监控漂移、偏差、供应商更新和模型更换，必要时暂停或退役系统。
治理的目标不是让董事会审批每一次模型调用，而是确保高影响决策始终保留独立信息来源、可理解的理由和明确的责任链。
AI 提升判断下限，治理约束权力上限
AI 的确可以削弱少数高管对信息的垄断，让更多员工和董事获得高质量分析。但信息更加平等，并不会自动带来权力更加平等。谁控制系统、谁能够修改目标、谁决定何时忽略模型，仍然由制度安排决定。
优秀 CEO 未来的价值，也许不再是“比所有人知道得更多”，而是能够建立一个允许证据挑战自己、允许算法被质疑、又能在不确定性中承担责任的组织。
因此，AI 既可以是 CEO 的对手，也可以是 CEO 的武器。决定它最终角色的，不是模型本身，而是公司的治理结构：技术负责扩大判断能力，制度负责防止判断能力被某一个人垄断。
原文来源： FT 中文网：AI 是 CEO 的对手，还是武器？
作者公开版本： 港大经管学院：AI 是 CEO 的对手，还是武器？