数十年来，人工智能在量化交易等“数字处理”任务中击败人类已成为行业共识。然而，“战略前瞻”——即预测高风险、高度不确定的商业项目能否成功的能力，一直被视为人类独有的超能力。因为战略决策的核心在于复杂的商业逻辑、市场直觉以及非结构化的语言表述，而非简单的数值计算。
然而，一项由密歇根大学罗斯商学院战略学教授 Felipe Csaszar、纽约大学的 Aticus Peterson 以及印第安纳大学的 Daniel Wilde 共同发表的研究表明，人工智能在预测新创项目成功率方面，已经开始超越人类的预测能力。这意味着，未来企业可能不再需要单纯依赖稀缺、专业的战略前瞻人才来进行预测，竞争的焦点将转移到如何高效整合 AI 生成的预测结果上。
为了测试这一假设，研究团队设计了一场前瞻性预测竞赛。他们选择了 30 个真实的众筹科技项目，这些项目的启动时间均晚于所测试 AI 模型的训练数据截止日期（Training Cutoff），从而彻底排除了模型利用历史记忆“作弊”的可能。研究人员让多种大语言模型（LLM）进行了 870 次两两配对对比，并生成了项目融资成功率的预测排名。作为对照组，研究还引入了 346 名管理人员以及 3 位拥有 MBA 背景的专业投资者进行相同的预测。
实验结果令人震惊：顶尖的大语言模型表现出了显著优于人类专家的准确度。在对比预测中，表现最好的人类专家也仅能在 5 次尝试中准确预测 3 次成功者。而表现最佳的 AI 模型 Gemini 2.5 Pro，其预测结果与实际成功的相关性高达 0.74，这意味着它在近 5 次尝试中能够准确预测 4 次，准确率接近 80%。
值得注意的是，该研究还提出并定义了一个名为“协同陷阱”（Augmentation Trap）的现象。研究发现，当人类决策者与 AI 协同工作时，最终的决策质量有时反而不如 AI 独立决策的效果。这通常是因为人类固有的认知偏见或过度自信，导致他们推翻了 AI 更加客观和数据支撑的判断。
【AgentUpdate 深度解析】本研究标志着 AI 从“执行工具”向“战略决策”演进的关键节点。当 LLM 在复杂的商业预测中超越人类，意味着未来的 AI Agent 将不再局限于写代码或发邮件，而是演进为企业级的“决策代理”（Decision Agents）。它们能自主运行成千上万次商业竞争的模拟，评估策略可行性。然而，研究揭示的“协同陷阱”尤为关键：盲目的人机协作可能因人类偏见而拉低决策质量。这意味着在构建未来的 Agent 框架时，我们必须重新设计人机交互边界，从单纯的“人工干预”转向更科学的参数化协作，以充分释放 Agent 的客观预测潜能。
