当AI加速重构商业决策，商学院如何重塑“人的判断力”？

AI冲击下的商业教育转向

随着AI加速器与大模型在企业财务分析、市场预测和供应链管理等场景中的渗透率持续提升，商业决策的“前半程”——数据采集、模式识别与方案生成——正越来越多地由机器完成。然而，当算力供给不再是瓶颈，人的价值正在向“判断”环节迁移：如何在信息不完备时做出取舍，如何为算法结果注入伦理与战略权重，成为新一代管理者的核心能力缺口。上海交通大学上海高级金融学院（SAIF）MBA项目近期发布其“2026探索”方向，明确将“人的判断力培养”作为应对AI重塑商业的课程改革核心，这一动向折射出商学院教育对技术变量的系统性回应。 从产业背景看，全球AI加速器市场正处于高速扩张通道。据TrendForce集邦咨询估算，2025年全球AI服务器出货量同比增长约30%，而用于推理的加速卡需求增速预计将超过训练端。这一结构性变化意味着，AI不再仅是科技巨头的“军备竞赛”，而是大量传统企业可直接调用的基础设施。当工具变得普及，决策质量的差异便越来越取决于使用者的认知框架——这正是商学院试图介入的领域。

课程重构与产业需求的时间差

值得关注的是，上海交大高金此次“2026探索”并非孤立事件。过去两年间，国内外头部商学院普遍增设“AI伦理”“数据驱动决策”等模块，但多数仍停留在技术扫盲层面。高金MBA的探索方向可能试图更进一步：将判断力拆解为可训练的维度——例如在算法推荐的多种方案间进行价值权衡、识别模型输出的隐性偏见，以及在极端不确定情境下保持战略定力。这些能力难以通过传统案例教学获得，需要模拟真实AI干预的决策环境。 产业端的需求已经相当明确。Gartner预测，到2027年，全球将有超过70%的企业采用生成式AI辅助至少一项核心业务流程，而2024年这一比例尚不足10%。但与此同时，波士顿咨询公司（BCG）2025年的一项调研指出，约60%的企业高管认为“缺乏对AI输出的判断与纠错能力”是落地AI的首要内部障碍。这种供需错位——技术部署速度远超人才能力迭代速度——恰恰构成了商学院课程改革的直接驱动力。不过，高金MBA新课程的具体学分结构、必修比例及与企业合作实训的细节，目前尚无公开可核验数据，有待后续披露。

算法依赖风险与“人的回路”回归

更深层的产业影响在于，判断力的系统性缺失可能反噬AI本身的价值实现。当企业过度依赖加速器输出的概率结论，忽视其训练数据的时效偏差或局部过拟合，便可能在市场转折点发生集体误判。半导体行业自身即为典型案例：据SEMI数据，2025年全球半导体设备销售额预计达到约1100亿美元，其中AI相关先进制程与先进封装产能投入占据重要份额，但芯片库存周期的误判曾多次导致行业剧烈波动。若决策者仅依据AI预测的“当前订单动能”扩大资本开支，而忽略地缘政治或需求弹性的模糊信号，风险将显著累积。 因此，高金MBA提出的“人的判断力”培养，实际上是在为“AI决策+人工审核”的混合模式储备人才。这一模式在金融、制造芯片设计等领域已有初步实践，例如部分晶圆代工厂开始在产能分配系统中引入人工“例外审批”环节，以保留对异常需求的战略响应弹性。但这种“人在回路”机制能否规模化，取决于商学院能否将判断力从隐性经验转化为可教授的方法论。目前，AI加速器在推理端对芯片能耗比的要求持续提升，据行业估算，先进制程芯片的能效每年约提升15%至20%，这为终端设备本地化推理提供了可能——若判断力训练可借助端侧AI模拟环境开展，其教育成本与规模化前景值得进一步观察。

数据参考

• 已确认事件数据：上海交大高金MBA发布“2026探索”方向，主题为应对AI重塑商业、培养人的判断力；信息来源为美通社，发布于2026年8月10日。具体课程设置、合作机构、学费及招生名额暂缺可核验数据。
• 行业背景参考数据：TrendForce集邦咨询估算，2025年全球AI服务器出货量同比增约30%（预测值）；Gartner预测，到2027年超70%企业将采用生成式AI辅助核心业务流程（预测值，2024年比例不足10%）；波士顿咨询公司2025年调研显示约60%高管认为缺乏对AI输出的判断纠错能力是落地首要障碍；SEMI数据，2025年全球半导体设备销售额预计约1100亿美元（预测值）。以上为公开机构发布或估算数据，非本次新闻公布内容。 #AI加速器 #商学院教育 #判断力培养 #商业决策