文章总结： 本文分析美军在决策中应用AI/ML技术的组织障碍，提出基于星型模型的五个关键因素（人员、结构、流程、激励、领导力）需同步调整。核心发现包括需转变搜索引擎思维为迭代式决策模式、优化决策结构部署、将AI工具嵌入OODA环及联合规划流程，并通过培训与激励机制克服组织阻力。建议领导者系统调整组织设计以实现人机协同决策优势。 综合评分： 78 文章分类： 安全建设,技术标准,解决方案,安全运营,其他

从“搜索引擎思维”到“迭代式决策”：美军AI转型的组织困境与破局之路

原创

知远所 知远所

知远战略与防务研究所

2026年5月19日 13:30 江苏

在小说阅读器读本章

去阅读

枕戈/编译

【知远导读】本文编译自美国《联合部队季刊》杂志2025年第4期。近年，人工智能/机器学习工具大量涌现，但美国战争部在应用这项技术提升决策能力方面仍面临困难。文章对影响大规模应用人工智能/机器学习工具辅助决策的组织设计因素进行了深入分析，指出大规模整合这些工具，不仅取决于技术能力和获取途径，还取决于组织设计，美国战争部必须对人员、结构、流程、激励、领导力与管理进行调整，加速在决策中应用人工智能/机器学习工具。

尽管在人工智能/机器学习领域已经进行了大量投资和试验，但多数组织在利用该技术提升能力方面仍然面临困难。仅有1/4应用人工智能的公司能够产生真正价值，而只有不到5%的公司大规模建立了人工智能能力。即便像微软这样的公司也认为自己正在转型，但他们只是应用人工智能来加快流程，而不是从根本上重塑运营、优化绩效。美国战争部已经在人工智能/机器学习能力建设上投资数十亿美元，但仍不足以实现大规模能力整合。

这场竞争不仅涉及技术层面，还涉及行为层面。真正的人工智能整合不仅是技术问题，还要得到应用。理解这些人工智能挑战为何持续存在，对于找到可行的解决方案、防止失去战略优势至关重要。由于多数组织尚未看到人工智能的切实益处，因此推广人工智能首先要调整组织结构、流程和人员，才能充分发挥其全部潜力。

本文将分析影响美国战争部大规模应用人工智能/机器学习工具辅助决策的组织设计因素。文章不探讨认知战的进攻与防御应用、使用人工智能/机器学习工具的伦理问题、信任与透明度的要求，以及使用这些工具可能带来的风险。这些问题都是未来的研究方向。

组织设计分析方法

当一个组织到达转折点，意识到当前状况将导致停滞或衰落时，就必须调整组织结构。美国南加州大学高级研究员杰伊·加尔布雷思（Jay Galbraith）在1977年首次提出“星型模型”，作为组织设计的战略方法，为组织结构调整提供了可用框架。本文对该模型进行修改，以此分析影响美国战争部在决策中广泛应用人工智能/机器学习工具的组织架构因素。修改后的星型模型包括五个因素：人员、结构、流程、激励、领导力与管理。

“人员”是指实现组织目标所需的个体心态、技能和才干。“结构”指决策权的归属位置，决定组织形态，反映权力的层级结构和分配情况。“流程”指为决策提供信息的流程。“激励”是驱动人们在特定结构内执行流程、实现组织目标的手段，是外在激励与内在激励的综合体现。“领导和管理”反映联合部队领导者在确定战略方向和优先事项方面的作用，对其他因素具有巨大影响。

这五个因素相互关联，构成了增强或削弱组织的整体力量，其相互作用决定了组织的效能和文化成果。当任务或环境发生变化时，组织应当进行调整，重新优化设计因素。否则，组织可能失去活力，因循守旧，跟不上时代步伐。

分析组织设计因素

人员

人类大脑的生理机能以及组织内人员的心态与技能是影响人工智能/机器学习应用的关键因素。决策依赖于由经验与重复塑造的认知过程，随着时间推移，熟悉的流程将深深扎根于人们脑海中，即使有新的工具可用，人们也会依赖默认模式。这在联合部队中表现得尤为明显，数十年的互联网使用让人们养成了“搜索引擎思维模式”——依赖于通过索引、静态、基于关键词的交互来生成结果。相比之下，人工智能/机器学习工具能生成动态、与上下文相关的响应，并随着迭代不断改进。

有效应用人工智能/机器学习技术，需要从根本上改变人类的认知习惯。与军事规划者在执行前通过多次迭代完善初始概念一样，人工智能的输出也需要经过类似过程才能达到最佳效果。但许多用户将人工智能/机器学习视为静态查询系统，而非交互式工具，从而限制了其有效性。纽约大学斯特恩商学院首席人工智能架构师康纳·格伦南称，“并不是我们的大脑不知道如何使用它，问题是我们的大脑认为自己知道如何使用它，但其实这是错的。”挑战不仅是学习一种新工具，而是要重新训练根深蒂固的认知习惯。

要充分发挥其潜力，相关人员必须摒弃将人工智能/机器学习视为搜索引擎的思维模式，积极引导其生成的内容。例如，在谷歌上查询“为联合部队制定作战计划”，将得到静态模板和作战指令，需要花费大量时间手动调整才能满足当前作战需求。而用户与生成式人工智能/机器学习模型进行迭代操作，输入任务信息后，可以迅速创建定制化的作战指令，分析实时情报，识别敌方部队的位置、弱点及可能的行动方案，评估天气趋势，推荐兵力调动、后勤部署和应急预案，将规划时间从几天缩短至几小时。

培养新的认知习惯只是挑战的一部分，有效应用还需要经过系统培训。最近一项研究表明，未经培训的用户在超出其预期能力使用人工智能时表现不佳，通常是因为他们将其视为搜索引擎。而经过培训的人工智能用户，能力可以得到显著提升：平均水平以下的个人可提高43%，平均水平以上的个人可提高17%，完成任务量增加12%，工作效率提高25%。人工智能/机器学习培训不仅涉及提示、迭代、链接、基于角色的交互等关键技能，还必须考虑认知和行为机制，通过实践培训、迭代学习、领导推动等综合举措，强化正反馈循环，最终形成新的习惯。尽管培训非常重要，但工具能否被应用，还取决于与组织结构是否匹配。

结构

组织结构决定做出什么决策，以及在哪里做出决策，这直接影响人工智能/机器学习的应用。了解一个组织的决策类型，就能知道如何使用这些工具；确定决策产生的位置，就能知道应在何处使用这些工具。

决策在性质和复杂程度上存在显著差异。总结和发布会议记录这类行政工作与基于新兴目标和部队态势进行的动态战场评估有着很大不同。不同类型的决策需要不同的人工智能/机器学习集成模式。结构化、可重复的决策可以实现更大的自动化，而具有高可变性和不可预测性的任务对协同的要求更高。常见的模式包括完全授权、交互和聚合。在完全授权模式中，人工智能/机器学习工具在没有人工干预的情况下做出决策。在交互模式中，人类和人工智能/机器学习工具依次做出决策，一个决策者的输出成为另一个决策者的输入。交互模式可以进一步细分为“半人马”（Centaur）和“半机器人”（Cyborg）两种方法：“半人马”方法根据相对优势来划分人类和人工智能的任务，二者各司其职，不深度融合；“半机器人”方法将人类与人工智能深度融合，利用人工智能进行持续分析与调整，同时保持人类的监督以做出基于情境的判断。在这个模型中，人工智能/机器学习工具成为决策的投票成员，其权重通常根据不同标准进行调整。除决策类型之外，决策权的分配（即决策发生的地点）决定了人工智能/机器学习工具的最佳应用位置。强调标准化的组织倾向于采用专业型或机器型官僚体制，实行集中决策；当基于项目的输出非常重要时，组织将从具有更扁平分散权力的灵活结构中受益。在所有情况下，人工智能/机器学习工具都应与决策发生地相结合。如果任务和环境允许结构具有灵活性，分散式决策能够通过在较低层级实现更快、更灵活的响应，从而增强人工智能的影响。例如，乌克兰最近将美国大数据分析公司——帕兰蒂尔的工程师派至作战前线，并配备了人工智能/机器学习工具，以便在战场上实现快速决策。

人工智能/机器学习工具在访问相互关联的数据源时表现最佳。因此，在快速组合和分解的跨职能团队中集成这些工具尤为有效，此类团队能够综合不同领域的多种输入信息。例如，在电子战与网络空间的信息融合中，当网络安全、信号情报和作战人员紧密合作而非各自为政时，借助威胁检测人工智能工具效果最为显著。相反，高度集中的结构可能会将人工智能/机器学习工具限制在仅仅作为咨询角色，而不是实时作战中的主动组件。

组织面临着一个根本矛盾：一方面要保持内部的协调一致以提高效率，另一方面又要适应环境的变化。尽管官僚机构在标准化方面效率颇高，但往往难以迅速适应环境变化。组织必须在结构适应与内部一致性之间取得平衡，根据决策类型将人工智能/机器学习工具部署在最能有效提高效率、洞察力和决策优势的位置。

流程

将人工智能/机器学习工具应用于决策不仅取决于决策本身和决策地点，还取决于决策方式。流程是相互关联的活动，影响着信息在组织内部上下级和横向之间的流动，促进协作、协调和组织决策，并影响着人工智能/机器学习工具如何增强这些信息流动。对于联合部队，在不确定、时间有限和敌方反制的情况下，非正式和正式流程必须无缝运行。

决策过程尽管复杂，但本质上是一个由相互关联的信息流构成的循环。美国空军上校约翰·博伊德提出的OODA环（观察-判断-决策-行动）提供了一种易于理解的方法，希望通过比对手更快地运转该环为作战带来优势。在观察和判断环节中，收集、感知信息，构建对环境、威胁、机会和风险的思维模型，并生成多个决策方案进行比较，然后选择一个方案（决策环节），接着执行该方案（行动环节）。基于此框架，人工智能/机器学习工具非常适合应用于观察、判断环节以及生成和比较决策方案。下面以联合规划流程（JPP）为例，说明在军事决策流程中如何应用这些工具。

联合规划流程（JPP）是由多个职能部门协同运转的信息流，旨在生成行动方案，并最终促成指挥官决策。该框架是一个递归、基于评估的过程，规划人员若在后续步骤中发现问题，将对之前的步骤进行调整，而指挥官可以根据具体情况灵活地裁减、修改该流程。

为了实现规划，指挥官必须有一种方法来识别、监测和应对环境变化趋势。如果指挥官兼顾这些工作，就可能错过重要趋势；但若将这些工作分解，则会增加工作流程。以往，组织规模越大，细分流程越多，决策所需的人力越多，决策也就越慢。而人工智能/机器学习工具可以通过更快的模式识别和数据获取来加速决策，从而实现主动规划而非被动规划。例如，人工智能/机器学习工具可以快速分析原始情报数据，识别超出人类设定阈值的信息，减少人工数据分析的工作量，让人类专注于关键问题和创造性思考。一旦规划启动，人工智能/机器学习工具便将情报和部队战备情况融合到一张作战图册中，从而加快任务分析速度。以前，这些输入是分别处理和呈现的，需要工作人员直接干预，指挥官难以全面了解作战环境和必须解决的问题。而现在，规划人员可以使用人工智能/机器学习工具处理TB级数据，根据人类定义的参数快速显示信息，并为决策者提供多种可视化选项。

完成这一步骤后，规划人员必须为指挥官制定决策方案并提交审批。在联合规划流程中，这一环节包括行动方案制定、行动方案分析与推演以及行动方案比较。在此阶段，规划工作从批判性思维转为创造性思维。但目前规划人员仍通过手工迭代的方法生成解决方案，这主要是受限于规划团队的专业知识和经验，解决方案结果也是通过过时的演示工具（如PowerPoint）来呈现的。人工智能/机器学习工具能够整合来自不同功能模块和来源的数据，更快、从更大视角生成多个行动方案，减少了对个人专业知识和手工迭代的依赖。

规划人员在评估潜在对手、中立方和友方的反应时，可以使用人工智能/机器学习工具设定一个独特角色。通过适当输入，人工智能/机器学习工具还可以扮演“红方”角色，加快推演迭代，进行背景分析，确定行动方案的优势、劣势和风险。规划人员还可以使用人工智能/机器学习工具根据指挥官的优先事项、限制条件和约束条件评估多种行动方案。集成人工智能/机器学习工具，可以让规划人员比较、完善、评估行动方案，为指挥官提供深入支持。尽管人工智能生成的行动方案非常强大，但规划人员应避免对其过度依赖，确保机器生成的方案要经过人类判断、作战环境和指挥官意图的过滤。

一旦指挥官选定某个行动方案，规划人员就可以利用人工智能/机器学习工具代表指挥官起草发布该方案与命令。人工智能/机器学习工具能够根据指定格式生成方案与命令，目前该生成过程需要大量人工操作，包括分析与决策，生成作战指令等。

激励

激励能够推动行为的改变，使个人目标与组织目标保持一致。如果美国战争部在决策中大规模使用人工智能/机器学习工具，领导层必须仔细评估激励和抑制对组织效能的影响，特别是在接受变革方面。现状会成为变革的阻碍，表现为根深蒂固的组织习惯。

抵触可以是个人层面的，也可以是组织层面的。个人层面的抵触要么是恶意的，要么是非恶意的。恶意抵触者会主动制造障碍以维护自身价值，这通常是由于担心新兴技术会取代其在组织中的地位。而非恶意抵触者可能只是对变革缺乏理解，不愿打破常规与惯例。

组织上的抵触可能有多种表现形式。首先，社会和文化方面的抵触可能源于不同时代的人对传统方法的偏好。这种抵触在美国战争部这样的层级结构中尤为明显，基于服役年限的晋升制度将决策权集中在某一代人手中。其次，伦理和道德方面的批评主要集中在对使用人工智能生成内容的可信度、真实性和可能存在抄袭问题的担忧上。第三，对人工智能/机器学习工具对个人技能、安全和权力影响的看法，也可能导致这种抵触。在每一种抵触行为中，都可能存在一位维持现状的拥护者，而联合部队领导者必须通过适当激励来影响其行为。拥护者可能是偏好传统工具的高级军士长、关注安全的士官、担心自己会被淘汰的参谋人员，或者是不信任人工智能产品的将军，他们都认为无论对效率有何影响，都要投入大量人力。

要克服这种阻力，需要采取一种平衡的激励措施。虽然结构和流程的改变能够解决有形的障碍，但要克服根深蒂固的习惯，需要对激励措施给予特别关注。激励可以是外在的（如薪酬、晋升和认可），也可以是内在的（如工作满意度、挑战性工作和个人成就感）。外在激励有助于推动早期使用，内在激励最终将塑造长期变革所需的组织文化。

人工智能/机器学习工具能够提高个人和团队研究效率，缩短产品开发周期。人机协作使组织能够充分利用双方的创造力和计算能力，促进快速数据分析和创新性问题解决。通过教育和培训来减少自我偏见，能够在组织内部培养出注重发展的文化，激发更多创新，使变革常态化。

外在激励与内在激励的结合应根据组织所面临的抵触类型进行调整。联合部队领导者需要确定合适的影响力工具，促进组织成长与转型，从而实现人工智能/机器学习工具的普及。

领导力与管理

联合部队领导者必须先提升自身的人工智能/机器学习素养，然后才能有效调整其他组织设计因素。如果不了解这些工具的能力和局限性，领导者可能会过度依赖，或由于怀疑而不能充分利用。例如，使用人工智能/机器学习决策辅助工具可以提高战场效率，但前提是指挥官能够理解其建议并信任其输出结果。

除了提升个人知识水平外，联合部队领导者必须明确变革愿景，制定清晰的实施路径。这对应对非恶意抵触行为尤为重要，此类抵触往往源于缺乏理解而非主动反对。领导者必须认识到，抵触在不同组织中表现各不相同，应根据具体情况调整激励措施。积极增长型组织文化是对更直接激励的有力补充，这样的文化将自我强化，因为改进结果会证明人工智能/机器学习工具的价值，进而促使其被更广泛使用。

联合部队领导层必须系统评估组织设计因素对人工智能/机器学习应用的影响。对于人员，这意味着推动培训计划，引导思维模式从“搜索引擎思维”转变为理解交互式使用，培养新的技能，优化人机协作关系。在任务和环境允许灵活操作的情况下，领导层应考虑更有利于应用人工智能/机器学习的组织结构，通过更快、基于信息的决策来完成任务。这通常会将决策下放至组织边缘，使组织结构更加扁平，促进跨职能协作、迭代和并行使用。要做到这一点，领导层必须评估要做出什么决策以及在哪里做出决策，调整组织结构以优化工具使用。必要时，指挥关系将维持层级结构，而领导层仍应在纵向和横向调整结构，最大限度发挥效果。在流程方面，领导层必须引导将人工智能/机器学习工具融入决策信息流中，并确定哪些信息流适合全自动方法，哪些适合混合式方法。最终，领导层必须认识到，采用这些工具需要在所有组织设计因素之间实现同步。

如果联合部队领导者未能主动调整组织，以利于人工智能/机器学习的应用，联合部队有可能受困于传统决策模式，战略优势将受到削弱。

结 论

现代战争中，决策优势与胜利高度相关。人工智能/机器学习工具正在通过提高决策的速度和精度重塑战场。美国战争部若未能切实采用这些工具，将产生严重后果，包括作战节奏放缓、认知负荷增加、情报盲点增多以及战备能力下降。

大规模整合人工智能/机器学习工具，不仅取决于技术能力和获取途径，还取决于组织设计因素。要摆脱深深植根于人类认知中的陈习陋规、制度阻力和传统决策流程，美国战争部必须调整人员、结构、流程、激励以及领导力与管理。

战争部必须加快在决策中应用人工智能/机器学习工具。如果不这样做，联合部队有可能被应用这些工具、以更高效方式作战的对手超越。随着这些工具在决策流程中更加前置，将越来越影响问题的界定、选项的生成及行动的选择。人类的判断仍发挥重要作用，但必须同步发展，不能成为进步的阻碍。不迅速应用人工智能/机器学习技术将导致落后，这对美国国家安全是一个不可接受的选择。

（平台编辑：黄潇潇）

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：知远战略与防务研究所 知远所 知远所《从“搜索引擎思维”到“迭代式决策”：美军AI转型的组织困境与破局之路》