[论文解读] Artificial Intelligence and Strategic Decision-Making: Evidence from Entrepreneurs and Investors

Felipe A. Csaszar, Harsh Ketkar+1 more|arXiv (Cornell University)|Aug 16, 2024

Stock Market Forecasting Methods被引用 13

一句话总结

论文研究通过大型语言模型（LLMs）来生成和评估战略决策，展示 AI 计划在真实情境下可与人类企业家和投资者相当，并概述 AI 对 SDM 过程的影响。

ABSTRACT

This paper explores how artificial intelligence (AI) may impact the strategic decision-making (SDM) process in firms. We illustrate how AI could augment existing SDM tools and provide empirical evidence from a leading accelerator program and a startup competition that current Large Language Models (LLMs) can generate and evaluate strategies at a level comparable to entrepreneurs and investors. We then examine implications for key cognitive processes underlying SDM -- search, representation, and aggregation. Our analysis suggests AI has the potential to enhance the speed, quality, and scale of strategic analysis, while also enabling new approaches like virtual strategy simulations. However, the ultimate impact on firm performance will depend on competitive dynamics as AI capabilities progress. We propose a framework connecting AI use in SDM to firm outcomes and discuss how AI may reshape sources of competitive advantage. We conclude by considering how AI could both support and challenge core tenets of the theory-based view of strategy. Overall, our work maps out an emerging research frontier at the intersection of AI and strategy.

研究动机与目标

• 激发 AI 如何增强战略决策（SDM）工具和流程的潜力。
• 提供关于 LLMs 生成与评估创业策略的实证证据。
• 理论化 AI 如何影响认知 SDM 过程：搜索、表示和聚合。
• 讨论对竞争优势及基于理论的策略视角的影响。

提出的方法

• 使用 GPT-4 的 AI 增强，重新构想四种 SDM 工具（情景规划、波特五力、魔鬼代言人、群众智慧）以示范潜在应用。
• 进行两项实证研究，在现实情境中比较 AI 生成与人类生成的策略：一个创业加速器生成实验（GPT-3.5），以及一个创业比赛评估研究（LLM 对比人类评审）。
• 采用被试内实验设计，由评估者评估 AI 与人类生成的计划，以控制评估者效应。
• 使用线性规格比较 AI 与非 AI 计划，并以评估指标如分数、接受、兴趣和投资可能性来分析结果。
• 将 AI 生成的计划质量与现实世界的加速器决策联系起来，以验证信号相关性。

实验结果

研究问题

• RQ1 使用现有工具，AI 增强的 SDM 在实践中可能是什么样子？
• RQ2 当前的 LLM 在现实创业情境中生成和评估战略计划的效果如何？
• RQ3 在 SDM 中使用 AI 对认知过程和竞争结果有何影响？
• RQ4 就投资者兴趣和决策结果而言，AI 生成的策略与人类生成的策略相比如何？

主要发现

• LLM 生成的商业计划在关键属性上平均高出 0.14 个标准差（p<0.001）。
• 评估者更可能推荐接受 LLM 生成的计划，差距为 5 个百分点（p=0.003）。
• LLM 生成的计划更有可能促成投资人引介，增加 3 个百分点（p=0.094），更有可能吸引投资，增加 3 个百分点（p=0.007）。
• 在另一个加速器分析中，LLM 生成的计划在接受度和兴趣指标上领先被拒绝创业者计划 7–8 个百分点（p=0.003 与 p=0.001），在投资方面领先 6 个百分点（p<0.001）。
• 对 138 份创业比赛商业计划的 LLM 评估与人类投资者分数相关（平均相关 0.52；AI 与 VC 分数之间的 ICC 0.51，高于人类评审之间的互评一致性）。
• 在各指标中，AI 得分解释了评估计划的投资者分数变异性约 29%。