第84讲 | 游舒帆：策略力，让目标与行动具备高度一致性

适用范围：CTO、技术总监、工程经理，以及需要将公司战略落地为团队行动的所有管理者

更新摘要（v2 · 2026-08 更新）：

• 结构化升级为 6 节骨架（导言 / 核心方法论 / 关键流程 / 工具与实战 / 常见误区 / 进阶延展）
• 新增 AI-Native 策略制定流程与分布式 AI 赋能战略传导
• 补充 SMART 目标的 AI-Native 实践（每个维度的 AI 增强方案）
• 新增关键结果（KR）的 AI 智能定义方法与学习平台 AI-KR 设计案例
• 整合 2026 年策略落地 AI 工具栈与新评价维度
• 所有 Mermaid 图表添加 title frontmatter 并补充文字解读

1. 导言

前几篇文章我们谈了数据力与运营力，让我们对公司与客户的状况有了进一步的剖析，本文将与大家探讨商业思维中的策略力（Strategic Power）。

策略力的原始目的是希望让所有人都清楚公司的目标，以及为了实现这些目标，我们订下了什么样的策略，紧接着，策略又是如何落地为一个又一个日常的项目与营运工作的。

以传统的组织分工来说，研发团队通常位于后勤角色，多数都是以支持各业务部门的战略为主，然而战略经过层层传达后，实际执行项目的一线员工们往往无法获知自己每天的开发工作，究竟是为何而做，更不明白项目完成后，究竟会对哪个 KPI 或目标有具体帮助。

有些人认为一线员工，尤其是研发同仁，并不需要了解公司战略与目标，只要专注的处理手上的项目就好。但我认为所有员工都必须要对战略与目标有清晰的理解，原因有四：

• 第一，让员工明白为何而战，唯有知道自己这么努力是为什么，员工才会倾注百分之百的热情。
• 第二，避免战略与现实脱钩，上层拍脑袋想出来的战略，很多时候并没有参酌一线员工的建议，不让听得见炮火的士兵参与战略的讨论与沟通，是许多企业最终战略失准的重要原因。
• 第三，培养员工的战略意识，具有战略意识的员工，在做每一件事情时都会仔细评估与思考，确保能对公司战略与目标产生真正帮助。
• 第四，让员工的绩效明确化，当员工所做的每件事都能连结到重要的 KPI 与目标时，员工的每分每秒就都能投入在有价值的事情上。

2019 vs 2026 策略力演进对比

2. 核心方法论

2.1 策略力五步法

在培养员工战略思维能力时，我的做法并不是单纯的告知他们公司的战略目标是什么，而是进一步引导他们去思考战略的成因。一般来说，我会以五个步骤来引导大家将战略推导出来。

1. 检视现况，并标定机会
2. 设定目标
3. 定义关键结果
4. 设定行动方案
5. 复盘

2.2 AI-Native 策略制定流程

原文强调"战略的制定与执行是全体员工共同的责任"。在 2026 年，AI 让这个理念变得真正可操作：

对比图清晰展示了战略传导模式的根本变化：传统流程是自上而下的层级传导（CEO → VP → Director → Manager → 员工），信息在层层传递中失真；AI 增强流程引入了 Strategy Agent、Synthesis Agent、Review Agent 三个 AI 角色，实现分布式协同——CEO 提出方向后由 AI 生成方案，全员参与贡献想法，AI 整合排序，聚焦分歧点讨论，执行中 AI 实时追踪，最后 AI 自动复盘并数据驱动反馈给 CEO。这种闭环让"全员参与战略"从口号变成了可操作的流程。

2.3 SMART 目标的 AI-Native 实践

原文提到 SMART 原则（Specific、Measurable、Attainable、Relevant、Time-bound）。在 2026 年，每个维度都可以用 AI 增强：

S - Specific（具体明确）

传统痛点：目标模糊，不同人理解不一致

AI 解决方案：

❌ 模糊目标："提升用户体验"
✅ AI优化后："将移动端首页加载时间从3.5秒降到2秒以内，
           并将用户完成核心任务的步骤数从7步减少到5步"
           
AI工具：自然语言处理（NLP）分析目标描述的清晰度评分

M - Measurable（可衡量）

传统痛点：指标选择不当，无法反映真实进展

AI 解决方案：

• 领先指标 vs 滞后指标：AI 帮助识别哪些是可提前干预的领先指标
• 基准线建立：AI 自动分析历史数据，建立合理的基准线和目标值
• 多维度度量：AI 建议从用户行为、业务结果、技术指标三个维度衡量

A - Attainable（可达成的）

传统痛点：目标过高导致挫败，过低失去激励

AI 解决方案：

# AI Attainability Checker 伪代码
def check_attainability(goal, historical_data, team_capacity, market_conditions):
    ai_prediction = ml_model.predict(
        features=[goal_difficulty, 
                  resource_availability, 
                  seasonality_factor,
                  similar_cases_outcomes]
    )
    
    confidence = ai_prediction.confidence
    risk_factors = ai_prediction.risk_factors
    
    if confidence < 0.6:
        return "⚠️ 目标达成概率较低，建议调整或增加资源"
    elif confidence > 0.9:
        return "✅ 目标具有挑战性但可行"
    else:
        return "🔄 建议设置里程碑，分阶段验证"

R - Relevant（具相关性）

传统痛点：团队目标与公司战略脱节

AI 解决方案：

• Goal Alignment Score：AI 计算每个部门 / 个人的目标与公司战略的相关性得分
• Impact Simulation：AI 模拟如果该目标达成，对公司整体 KPI 的影响程度
• Dependency Mapping：AI 识别目标之间的依赖关系，避免孤岛效应

T - Time-bound（具时效性）

传统痛点：时间估计不准确，要么太松要么太紧

AI 解决方案：

• Historical Velocity Analysis：AI 分析团队历史交付速度，给出更准确的时间预估
• Critical Path Identification：AI 自动找出关键路径，提示风险点
• Buffer Recommendation：AI 根据任务不确定性，建议合理的时间缓冲

3. 关键流程

3.1 第一个步骤：检视现况，并标定机会

检视现况时我会先抛几个问题让大家有切入点，这些问题分别是：

• 有哪些新的趋势议题与我们所属产业相关？我们是否能乘上风口？
• 我们产业的关键价值活动是什么？是否能延伸在产业链的位置？
• 我们的经营关键点与商业模式是什么？能看到什么突破口？
• 平常我们仰赖哪些数据在做管理？哪些数据有改善或精进的空间？

之所以要让大家思考这几个问题，而非直接从过去的经营内容中找出可改善的点并持续去调整的原因，是为了避免大家只着眼于短期，却忽略了长期的可能性。

这几个问题思考完后，接着要标定出"可能的机会"，我们要在众多机会中指出"属于我们的"机会，也就是必须要在评估自身资源与可行性后，挑出那些确切可行的项目。

企业的战略，其实人人都该关注，也该从你专业的角度提出你的看法与观点。若战略制定时，自上而下与自下而上能同时进行，双管齐下，走偏与白费工的机率就会大幅降低。因此，我认为"战略的制定与执行是全体员工共同的责任"。

3.2 第二个步骤：设定目标

我们必须在第一个步骤中标定出的这些可能的机会中，找到最应该实践的几件事，设定目标。一个清晰的目标具有很高的引领效果，模糊的目标则会导致大家各自解读。那什么样的目标才算清晰呢？我认为必须要符合 SMART 原则：

• S 是 Specific，具体明确的，要完成的项目包含哪些事？不包含哪些事？
• M 是 Measurable，可衡量的，必须要有可量化的结果来确认事情已完成，否则很难去分辨「做好」与「做完」。
• A 是 Attainable，可达成的，这个目标不应该是遥不可及的。
• R 是 Relevant，具相关性的，承担这个目标的部门或人，他的工作项目必须要能高度关联于这个目标。
• T 是 Time-bound，具时效性的，三个月达成 100% 用户增长跟一年达成 100% 增长，做法肯定会有很大的差异。

3.3 第三个步骤：定义关键结果

当我们设定好目标，接着要怎么去衡量目标是否达成呢？我们必须要能看到几个关键的产出物或结果，也就是所谓的关键结果（Key Results, KR），往下我依循谷歌等知名国际公司运用的目标管理工具 **OKR（Objective and Key Results，目标与关键结果）**来跟大家说明。

举上述学习平台运用人工智能以提升学习体验这个目标为例，我们若要有效衡量这个目标是否已经完成，我们可能会想看到以下三个关键结果：

• 第一，人工智能技术应用于的课件编辑，有效降低课件出错率自 8% 到 4%；
• 第二，人工智能技术应用于学生学习过程，提高学习满意度从 8.9 分到 9.2 分；
• 第三，人工智能技术应用于课程的精准推荐，提高学生的周订课数从 2.2 堂到 3 堂。

定义好关键结果，团队的努力方向就更明确了。谈到这我也必须要再次强调一个观念，那就是"别将手段当目的"、"技术也不是唯一解"，如果你在执行过程发现，不使用人工智能技术也能有效达成上述三个关键结果，而且做法更好更容易，那你就可以考虑放弃人工智能。

再往上推一层，我们的根本目标是提升学习体验，若执行过程发现这三个关键结果与学习体验的关联性并非最强，那你就该调整这个目标的关键结果，不要被定义好的东西给绑死了。而这也是 OKR 跟传统 KPI 间一个比较显着的差异，OKR 接受来自执行层的反馈，随时可以依照现况去调整关键结果。

3.4 关键结果（KR）的 AI 智能定义

对比图展示了 KR 定义流程的根本变化：传统流程是"经验拍数字 → 执行中才发现不可测 → 期末造假或放弃"的恶性循环；AI 增强流程是"AI 分析历史基线 → 推荐 KR 候选 → 预测难度和影响力 → 选择最优组合 → 设计数据采集 → 自动化追踪"的科学闭环。关键区别在于 AI 让 KR 定义从"拍脑袋"变成了"数据驱动"。

实际案例：学习平台的 AI-KR 设计

Objective: 运用AI提升学习体验，实现规模化个性化教学
 
KR1: AI课件质量门禁通过率从75%提升到95%
   ├── 度量方式：AI自动检测课件中的知识错误、逻辑漏洞
   ├── 数据来源：AI QA系统日志
   ├── 预测置信度：85%（基于类似项目历史）
   └── 里程碑：Q1达到85%，Q2达到90%，Q3达到95%
 
KR2: 学生参与度评分（AI面部表情+语音情感分析）从6.8提升到8.0
   ├── 度量方式：AI实时分析课堂录像（已获学生授权）
   ├── 数据来源：AI Engagement Tracker
   ├── 预测置信度：72%（需试点验证假设）
   └── 风险缓解：同时准备传统的问卷调查作为Fallback
 
KR3: 个性化推荐带来的完课率提升15%（绝对值）
   ├── 度量方式：A/B测试（对照组vs实验组）
   ├── 数据来源：学习管理系统LMS
   ├── 预测置信度：78%（基于行业基准）
   └── 经济价值：完课率提升10% ≈ 月增收¥50万

3.5 第四个步骤：设定行动方案

有了具体的关键结果，那我们要做哪些事来达成这些关键结果呢？此时就落入到项目层级了，你必须为每个关键结果设定 1-2 个行动方案。

举例来说，提高学习满意度从 8.9 分到 9.2 分，在讨论过程我们认为影响学习满意度因素的有老师、课件、学生参与度、师生互动、网络通讯质量等，而我们认为学生参与度与与师生互动影响最大，因此我们制订了以下两个行动方案。

第一个行动方案，采集学生上课期间的面部表情、对话与课后评价数据，并运用人工智能技术判断学生在课堂中的反应与参与度，如果学生表情显示有疑问，或者课堂的参与度不好，总是分心，那可直接提醒老师要多关怀该位学生。

第二个行动方案，调整学生课后的评价功能，从只能评分的选单式改成选单加标签式，让学生在评分之余，还可以透过标签来反馈感受好与不好的部分，这能让我们尽可能掌握学生真实的感受。

3.6 第五个步骤：复盘

行动方案开始执行后，我们必须定期检视执行进度与成效，根据现况不断修正行动方案、关键结果，有必要时甚至连目标都要修正。

策略力五步法的 AI 增强对比：

4. 工具与实战

4.1 2026 年策略落地的 AI 工具栈

4.2 可执行建议

部署 Strategy Agent：在战略制定阶段，用 AI 扫描行业报告、竞争对手动态、内部数据，生成初步的机会清单

建立全员建议平台：用 AI 工具（如 Notion AI、Slack AI）收集一线员工的战略建议，AI 自动分类、提炼主题

AI 辅助 OKR 对齐：使用 AI 工具（如 Leapsome、Workboard）检查各部门 OKR 是否与公司战略一致，识别冲突点

4.3 对原文核心观点的 2026 年再解读

观点 1："别将手段当目的"、"技术也不是唯一解"

2026 现实：

• ✅ 更加重要！ 在 AI hype cycle 的顶峰，太多人把"用 AI"本身当成目的
• 🆕 新挑战：AI washing 现象严重——为了用 AI 而用 AI，忽略了更简单的解决方案

实际案例：

某公司想用大模型做客服智能问答。

❌ AI-first 思路：投入 200 万训练专属模型，耗时 6 个月 ✅ 问题导向思路：先分析 80% 的客户问题，发现 60% 是 FAQ 类 → 先用规则引擎（2 周，成本 5 万）→ 再用轻量级 AI 处理剩余 20%（1 个月，成本 20 万）→ 总成本 25 万，效果相当

观点 2："听得见炮火的士兵参与战略讨论"

2026 现实：

• ✅ 技术上完全可行：AI 工具让一线员工的声音可以被高效收集和分析
• 🆕 新能力：
  • Voice of Employee (VoE) Platform：AI 自动聚合员工反馈，提取共性主题
  • Idea Management System：员工提交想法，AI 评估可行性 + 业务影响，排序展示给管理层
  • Reverse Mentoring：junior 员工通过 AI 工具向高层展示数据驱动的洞察

观点 3："OKR 接受来自执行层的反馈，随时调整"

2026 现实：

• ✅ AI 让这变得更容易：实时数据采集 + 自动化分析 + 即时调整建议
• 🆕 新实践：
  • Dynamic OKR：不是季度固定，而是根据市场变化动态调整
  • Predictive Alert：AI 提前 2-3 周预警某个 KR 可能无法达成，建议调整方案
  • What-if Simulator：AI 模拟"如果我们调整这个 KR，对整体目标的影响是什么？"

5. 常见误区

5.1 AI 时代的策略陷阱

陷阱 1：AI 生成的"伪战略"

❌ 现象：让 GPT-5.5 生成一份"完美"的战略文档，看起来很专业但没有灵魂

✅ 对策：

• AI 是思考伙伴，不是决策者
• AI 生成的战略必须经过人的审视：这与我们的价值观一致吗？这符合我们对市场的直觉判断吗？
• 保持"人的味道"：最好的战略是有鲜明观点的，而不是四平八稳的正确废话

陷阱 2：过度量化导致的短视

❌ 现象：因为 AI 可以衡量一切，所以只关注可衡量的短期指标，忽略长期的品牌、文化、创新

✅ 对策：

• 平衡量化指标和质化洞察
• 定期进行"战略性对话"（非数据驱动的深度思考）
• 为长期投资（如技术研发、人才培养）设置保护机制

陷阱 3：算法偏见固化

❌ 现象：AI 系统可能放大现有的偏见（如某些群体的需求被忽视）

✅ 对策：

• 定期审计 AI 推荐的 KR 和目标，检查是否有系统性偏差
• 确保多元化的声音被听到（不仅是数据多的群体）
• 建立"红队"机制：专门挑战主流假设

5.2 传统策略力误区

• 战略与执行脱节：高管制定战略后不与一线员工沟通，导致执行走偏
• 把手段当目的：为了用某项技术而用，忽视了真正的业务目标
• KPI 僵化：不像 OKR 那样接受执行层反馈，关键结果一旦设定就不可调整
• 只关注落后指标：等到业绩出来才发现问题，无法提前干预

6. 进阶延展

6.1 2026 年策略力的新评价维度

除了原文提到的目标清晰度、执行力，建议增加以下 AI 时代的新维度：

6.2 核心启示

游舒帆老师提出的策略力五步法是一个经得起时间考验的经典框架。站在 2026 年回看，它的核心思想——让每个人都理解并参与战略、确保目标与行动的一致性——比以往任何时候都更重要。

AI 的作用不是替代这个框架，而是让每一步都变得更高效、更数据驱动、更可操作：

1. 检视现况 → AI 帮你看到更全面的数据和趋势
2. 设定目标 → AI 帮你把模糊的想法变成清晰的 SMART 目标
3. 定义 KR → AI 帮你找到最关键的度量指标和合理的数值
4. 行动方案 → AI 帮你快速拆解任务和分配资源
5. 复盘 → AI 帮你自动收集数据和多维度归因

2026 年的策略力，不再是少数"战略家"的专利，而是每个团队成员都应该具备的基础能力——因为 AI 降低了专业分析的门槛，让每个人都能贡献战略级的洞察。真正的竞争力不在于谁有更好的 AI 工具，而在于谁能更好地把 AI 产生的洞察转化为一致的行动。

本注解基于 2026 年 6 月的最新技术动态生成，包括 GPT-5.5、DeepSeek V4 的普及，以及 84% 开发者使用 AI 编程的行业现状。策略力是 AI 时代尤为珍贵的能力——因为在信息爆炸的时代，知道"做什么"比知道"怎么做"更重要。