在观远数据 DecideX Talk 这场对话里，王亚军给出了一个很直接的判断。
他说，CEO 想知道自己公司到底行不行，不必先看战略文档，也不必先听一轮汇报，只要随便挑三种会，坐进去。
随后，他又补了一句："战略再宏大，解码再细致，如果我在一个会上看到决策质量不合格，那其余的东西，我都可以不信。"
王亚军过去很长一段时间都在和战略打交道。他曾是麦肯锡大中华区战略与组织转型的联合创始人，后来到龙湖集团担任首席战略官，也是在那段经历里，更深地进入了企业真实的经营现场。几年前，他创立境门管理，用管理和投资结合的方式帮助企业做转型，并把很多思考写进了《企业即算法》。他和观远数据创始人兼 CEO 苏春园聊了近两个小时，话题一直围绕着同一类人：企业一号位。
他的判断很清楚：AI 时代，真正需要重构的，不是战略，而是一号位做决策的那套底层算法。
01 为什么 AI 越普及 一号位反而更难做判断？
对话开始不久，王亚军就提到一个平时很多人都不会去细想的事实。企业里每个职能都有自己的专业。人力资源有一套专业，营销、销售、财务也都有。一路往上走到一号位，会发现一件怪事：没有 "CEO 专业"，没有 "CEO 理论"，商学院里也没有这门课。
他说，这个结论自己确认了很久。跟学者聊，跟杂志主编聊，甚至也跟 AI 聊，最后发现确实没有。那一号位怎么学呢？通常是先学一些管理理论。真到了那个位置，怎么做决策，更多时候还是去听成功企业家讲经历。
过去，这种专业体系的空缺，带来的问题还不算明显。很多一号位都是边做边学，靠经验，靠复盘，也靠听别人讲自己踩过的坑。但 AI 起来以后，这个问题一下子变得明显了。现在大家常说，让AI 去做它擅长的事，人留下来只需要做两件事，担责和判断。
担责好理解，判断却没那么容易。在王亚军看来，判断背后有一整套 "我们如何看待世界" 的底层算法，这不是一两条经验就能解释清楚的。他两年前在《哈佛商业评论》写过一篇文章，题目叫《一号位需要第一人称理论》。
所谓第一人称，是相对那些置身事外的研究者站位而言的。两者最大的不同在于，一号位真的站在局里，在做决策的时候，要面对的是完整的真实世界和真实后果。而AI 则更接近后者（即研究者视角），它处理的是已经被写下来、被整理过、可以被抽象的信息，最关键的一点是，它不需要在真实情境中承担后果。王亚军把大模型讲得很直接：AI 是一个统计过程、一个概率模型，它把大量信息吸进去，一层层抽象，再重新生成出来。所以，AI 给你的东西，多数是第三人称知识。它可以被形式化，也可以写在纸上。
可一号位不在纸上。"一号位所处的环境，是没法完全抽象的。" 他说，"专业知识也好，AI 产生的知识也好，都只能部分描述真实世界。但一号位做决策、承担后果的时候，面对的是完整的真实世界和真实后果。"
这个差异最后会落到三个处境里：
处境1：你必须担责。这部分 AI 替代不了。
处境2：信息永远不完备。他打了个比方，人看向前方的时候，视野范围以外全是盲区，很多时候只能先做，再迭代。
处境3：决策一旦做出，就会改变后面的局面。企业经营不是在静态表格里做选择。一个决策落下去，公司轨迹会变，竞争对手也会跟着反应。前一步的"因"会变成这一步的"果"，这一步的"果"又会成为下一步的"因"。
这就意味着，经营者很难在一开始就做出一个完美的设计。到了 AI 时代，这个问题会更明显。AI 可以给出很多信息、很多建议，但信息变多，并不等于决策变容易。真正难的，是分清哪些是信号，哪些是噪音。
王亚军说："对一号位来说，不存在一个公式让你照着做。"尤其在今天，信号往往很少，噪音却很多。决策者只能一边判断，一边怀疑，一边往前走。
02 为什么上了 AI 组织还是没有变聪明？
苏春园问了一个很实在的问题："AI 时代经营组织，什么变了，什么没变？"在回答这个问题之前，王亚军先讲了一种常见做法，就是很多企业会先做 AI 战略，再做战略解码，然后层层分解执行。有人嫌链条太长，就希望跑快一点。但在他看来，跑得再快，也没有改掉这套做法的底层逻辑，就是先设计，再执行。
他对这个问题的感受，来自自己的一次转变。在麦肯锡，做战略的边界很清楚——约定周期和费用，交付一份报告，客户拿去执行。
"这里面其实设计了一种责任的分配方式。我把战略报告交给你，收到钱，事情就结束了。"
2012 年他来龙湖之后，很快意识到了一件事。未来没法预测。那几年房地产政策背后变量太多，误判是有代价的。高位拿地，可能很久都消化不了。后来在沃顿做高管团队学习时，再次印证了这一判断，金融危机只能事后总结，泡沫很难提前预判。
结论变得很明确：未来没法预测，只能快速应对。
不预测，也不能没有方向。大方向还是要有。比如只做一二线城市主流住宅，购物中心就做地铁上盖。这样做的好处，是投资犯错时还有更大的回旋余地。方向定了，功夫就落在把每个项目做好上。后来，他把这套思路写进书里，叫 "战略即执行，执行即战略"。
这个说法在当时并不被接受。最常见的反驳是：这不就是不会做战略吗？直到黄仁勋公开讲 "战略不是文字，战略是行动"时，王亚军觉得，这个判断有了一个足够有分量的参照。
如果不靠预测，也不靠自上而下的一层层解码，一号位到底该抓什么？他的答案来自司马贺（Herbert Simon）和卡耐基学派。司马贺是诺贝尔奖与图灵奖双料得主、“人工智能之父”，同时也是组织管理专家和计算机科学家。AI 和组织可以放在一套理论里讨论，源头就在这里。在这个基础上，王亚军演化出三脉模型：企业发展本质是一个计算过程，每个时点上同时发生着三条脉络——决策、协作、创造知识。
关于决策，他有个提醒："经营者每做一个决策，公司就往前动一下；什么都不做，也是在做决策，那是保持现状的决策。"
关于创造知识，他说得更重："企业一直在成长，所谓成长，就是持续产生新知识。一个企业为什么能做得比别人好？是因为它掌握的知识，比别人更强。"
很多企业上了 AI，组织却还是没有变聪明，问题往往出在第三条脉络。流程跑完了，任务交付了，知识却没有沉淀下来。下次遇到同类问题，大家还是从头争论。所以在王亚军看来，AI 该放到哪里，答案已经非常清晰："用三脉模型来思考 AI 其实很简单，就是在决策、协作、创造知识这三条脉络上，如何利用 AI 让它质量更好、速度更快、成本更低。"
而对于 AI 能承担什么、不能承担什么，王亚军也给出了一条实用的建议。对于那些规则明确、答案稳定的问题，不一定要交给 AI。比如已经发生过很多次、有清楚流程和判断标准的场景，企业更需要一个确定性系统，把规则跑准，把流程跑稳。
AI 更适合进入那些还没有标准答案的新问题。它可以先帮团队做基础研究，把相关信息找出来；也可以提供几种不同思路，帮助人打开视角；还可以把原本不相干的材料放到一起看，找到一些人一时想不到的可能性。但最后怎么判断、怎么取舍、谁来承担后果，仍然要回到人。
最后，还剩下一个问题：一号位自己把决策、协作、创造知识这三件事做好，就够了吗？不够。王亚军用了一个词，分形。一号位不只是自己把这三件事做好，更要让 "如何做好" 这件事在组织里扩散开，也就是创造一种更广义的算法，让它有纪律、有方法地展开。而这套纪律和方法本身，也要能持续迭代。
03 为什么再宏大的战略 也抵不过一场会的质量？
这也解释了他对黄仁勋的解读。外界热议英伟达有 60 人直接向黄仁勋汇报，很多人把它读成微操，王亚军并不认同这种看法。他在龙湖的工作，也形成了50 多人直接向 CEO 汇报的模式，而CEO 并不需要在业务上花太多时间，更多靠的是组织级的横向解决问题能力。很多问题在到达 CEO 之前，已经被解决掉了。
在王亚军看来，黄仁勋的重点不是直接给结果，而是一直在告诉团队自己怎么想，也是在传递一套解决问题的方法，这就是"算法思维"。而要判断这种能力有没有真正在组织里长出来，光看组织架构图远远不够。最直接的办法，就是去看一场场具体的会议现场。
于是，文章开头那个动作又回来了。挑三种会坐进去，用决策、协作、创造知识三个视角，去看质量、成本和速度。这三者之间需要权衡和取舍，质量、成本、速度不可能永远同时拉满，可它们能帮助一号位绕开很多被包装过的东西。
战略文档能写得漂亮，解码也能做得很细，但一场会里真实发生的决策质量，却很难包装出来。问题抛出来后，谁在判断，依据是什么，不同部门怎么形成同一个理解，讨论过后，组织有没有多知道一点东西。这些东西，一坐进去就能看见。
对话尾声，苏春园做了一个小结："回到第一人称，回到一个真实的、最小的决策现场，去看怎么决策、怎么协作、怎么创造知识。"
王亚军表示："这就相当于是，一号位判断力的训练过程。判断力不是天赋，它可以被训练。"前提是得有训练的道场。而这个训练场，就是一个个真实的决策现场。
2026 年 6 月 26 日，成立十周年之际，观远数据发布 DecideX·AI 决策智能平台，把十年 AI+BI 的积累推向一个新命题：企业 AI 的下一站，不是更会答，而是更会决策。王亚军的三脉模型，正好从组织侧，给出了答案的另一半。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
