在人工智慧（AI）時代，總部最稀缺的資源不再是時間，而是說「不」的意願。人工智慧正迅速進入軍事規劃參謀部，因為它能壓縮例行性的認知勞動。AI擅長吸收指導、重組複雜資料，並快速產出清晰的戰略語言。這感覺像是一種質的飛躍，讓人產生規劃本身變得更容易的印象。但這種印象是誤導的。AI輔助規劃的風險在於，它會產生看似合理但卻掩蓋了判斷必要性的建構，製造出一種分析的完整性可以取代優先級設定的幻覺。
AI被視為透過讓產出足夠水準的成果更容易而「提高地板」。這是真的。然而，AI也透過增加真正見解的相對成本而「壓低中位數」。隨著AI輔助規劃開始影響實際作戰，人們會傾向於將完整的答案視為足夠，而不去質疑它們是否代表了針對「該資源分配什麼、該推遲什麼、該接受什麼風險」等艱難問題的正確答案。
這種誘惑混淆了詳盡與清晰。在戰役層級，這些特徵會產生張力。失敗很少源於資訊不足，而是源於未能施加優先級，因為相互競爭的目標無法全部實現。AI能夠進行出色的綜合，但綜合無法解決這種張力。
以下觀察反映了我本人以及美國駐日陸軍其他規劃者在持續使用大型語言模型時所學到的教訓。在轉型戰役規劃中，AI並非作為實驗品使用，而是直接嵌入到綜合、重構、起草和迭代的工作流程中。在實際的規劃週期中使用時，AI的限制——以及優勢——一再顯現。
AI改變了戰役規劃，但其方式比人們通常認為的要狹窄。它提高了地板，縮短了生成和修改內部連貫建構所需的時間和精力。然而，賦予AI最大潛力的相同特徵，也讓未解決的選擇隱藏在有序的結構之後——壓低了中位數。
AI的價值不在於產生強大的戰役理論，而在於快速揭示哪些理論無法在相互競爭的需求和限制下得以維持。實際上，AI應被用來向指揮官呈現多個內部連貫的框架，而不是完整的解決方案，並讓規劃者暴露這些框架的破綻——迫使他們就優先級、風險和從屬關係做出決策。
**作戰藝術受判斷而非資訊的限制**
作戰藝術受制於一種分析能力無法消除的限制，因為戰役設計中最具影響力的決策是在因果關係不確定的地方做出的。優先級不是一個數據質量或數量的問題——它是一個判斷的問題。
在戰役中，問題不在於理解該做什麼，而在於決定當目標競爭、權責重疊、資源有限、敵方適應時，什麼更重要。這些判斷具有影響力，但無法預先證明其正確性。戰役設計只能根據可能成立也可能不成立的假設來判斷其合理性。因此，作戰藝術依賴於不確定情況下的因果推理，而不是承諾「正確答案」的預測模型。
這就是為什麼額外的資訊和更複雜的綜合無法可靠地減少這種環境中的不確定性。隨著複雜性增加，細節的邊際價值下降，集中精力的重要性增加。額外的分析無法解決哪些風險是可以接受的、哪些目標必須優先、哪些失敗是可以吸收的。這種判斷——在無法滿足所有需求的情況下施加優先級——是指揮官固有的、也是人類的功能。
這種限制無論使用何種工具集都適用。戰役設計一直都採用分析輔助工具——情報準備、建模、紅隊演練——但沒有一個取代了問責式選擇的要求。在AI出現之前，這些過程是勞動密集且迭代的，限制了參謀部生成連貫計劃的速度，並迫使規劃者深入研究複雜問題。新技術可能會加速綜合和迭代，但它們會遇到一個硬性上限。演算法無法決定什麼值得優先，它們承諾的速度可能會擠占判斷所需的時間。將這些決策視為分析輸出，會掩蓋必須行使判斷的地方。
**將AI視為「規劃優化器」的誘惑**
組織可能會傾向於透過優化來管理不確定性——將目標、任務和影響安排成看似完整、平衡且符合機構規定的計劃。雖然這種衝動早於AI，但現在這種衝動更容易被滿足了。
但優化失敗了，因為它解決了錯誤的問題。在戰役層級，連貫性和平衡無法取代因果理論，詳盡也無法取代判斷。
優化思維會產生熟悉的產物：權重均等的目標、對稱的行動線、全面的任務清單以及看似涵蓋了問題空間的平衡影響。AI擅長生成結構健全且可辯護的規劃建構。但這種連貫性恰恰是危險所在。透過抹平差異和平均努力的焦點，優化壓制了優先級。
AI讓平衡、可辯護的計劃變得廉價且充裕——讓未解決的優先級隱藏在稱職的結構之後。優化以內部秩序取代選擇，以對稱取代判斷。敷衍地承認「判斷無法自動化」起到的作用更像是許可結構，而非限制。我曾見過參謀部好像將連貫的AI生成建議視為決策的可接受替代品。在沒有可觀察到的後果的情況下，這種承認變得表演性質而非約束性質。參謀部應該以可審計的方式表現出行為改變，呈現AI生成的框架以及對這些框架失敗之處的分析，向指揮官展示的，不僅僅是一個建議的行動方案，而是強調需要指揮官判斷的限制和權衡。
優化後的計劃將內部邏輯置於外部現實之上，讓平衡取代了焦點。結果是責任分散。
這種失敗是結構性的，而非技術性的。它無法透過更好的數據、更精確的提示或額外的迭代來修復。優化假設重要性潛藏在數據中，可以透過更好的分析來揭示。戰役設計遵循不同的邏輯。優先級不是在數據中發現的，而是由權威機構斷言的。演算法無法確定哪個目標應該佔主導地位，哪些行動線應該從屬，哪些風險是可以接受的。這些問題的答案無法在數據中找到——它們是基於指揮官的判斷和問責的選擇。
**當AI揭示結構的局限性時**
上述動態在戰役難以被單一、連貫的框架所約束時最為明顯。這在美國駐日陸軍的戰役規劃中顯而易見，其任務集與傳統作戰設計中嵌入的假設並不完全吻合。美國駐日陸軍在軍事準備、聯盟管理、政策執行和外交的交匯點上運作——通常是同時進行的。這些職責來自不同的權威，追求不同的邏輯，並對不同的成功標準負責。它們有關聯，但並不連續。
傳統規劃在這種環境中會遇到困難，因為它假設可以透過結構來強加統一性。當任務可以簡化為一種主導邏輯時，教範建構（目標、行動線、決定點等）效果最好。在非傳統任務中，這種簡化會產生誤導。問題在於正在施加的框架與所描述的潛在現實之間存在不匹配。AI會將教範乾淨地應用於複雜問題，抹平現實與教範分類之間的差異。當機器這樣做時，指揮官和參謀人員可能永遠不會意識到，一個方形的釘子已經被演算法「圓化」，以適應孔的形狀。
AI在美國駐日陸軍的戰役規劃中明確了這種不匹配。在那裡，規劃團隊主要在機密網絡上工作，使用Maven Smart Systems，該系統提供了Anthropic的Claude Sonnet模型。規劃者還實驗了Ask Sage（該系統提供了訪問各種模型的權限，包括OpenAI的模型）。
當應用於美國駐日陸軍的戰役設計時，大型語言模型持續產生在分析上可辯護但在概念上脆弱的框架，定義了指揮部的角色、任務和職能。每個框架都乾淨地組織了任務，聚集了目標，並產生了看似合理的敘述，但每個框架都在不同的地方失敗，通常是通過從屬一個角色而偏袒另一個角色。沒有單一的建構能夠在不扭曲的情況下同時容納所有角色。
這不是提示或數據的失敗。相反，這是任務本身抵制單一解釋的信號。這些失敗使得潛在的現實變得無可辯駁。該指揮部的任務不僅是非傳統的，而且也是非連續的——同時在政策、戰略和戰術層面運作，每個層面都由不同的邏輯和支持關係支配。
這種崩潰被證明是有益的。因為重構成本低廉，規劃者可以生成相互競爭的建構，觀察每個建構的崩潰之處，並審問原因。AI並未揭示一個「正確」的框架，而是揭示了每個可用框架的局限性。規劃者沒有提供「最適合」的框架或將領先的框架作為選項供選擇，而是建議指揮官接受三個角色在結構上的不一致，每個角色都有不同的任務和職能。諷刺的是，通過拒絕單一的指揮部目的框架，指揮官得以在每個核心角色內保留並行、獨立的優先級設定。這種張力實際上闡明了美國駐日陸軍的職能不是將相互競爭的角色解決為統一的層級，而是將一組不可簡化的責任整合到一個能夠在指揮統一不可能的地方提供努力統一的總部。
這就是AI「提高天花板」的地方。透過快速生成稱職的框架，AI消除了僅僅看起來不同的計劃之間的虛假區別。剩下的——每個建構崩潰或扭曲的地方——正是指揮官判斷應該發揮作用的地方。從這個意義上說，AI透過讓指揮官判斷更容易被定位，而不是通過決策來提高規劃的天花板。
這種動態並非美國駐日陸軍獨有。它出現在任何戰役職責難以簡化為單一主導邏輯的地方。一旦放棄優化，AI在戰役設計中的實際效果就變得更清晰、更有限。AI無法解決不確定性或取代判斷。它降低了生成對問題的合理思考方式的成本。危險在於，當規劃的標準降低到「合理性」——現在可以瞬間獲得時。一種更負責任的AI輔助規劃方法，應該採用更艱難的方法，即利用多個合理的計劃進行診斷，以揭示激發真正見解的張力。
這種加速改變了規劃的節奏。參謀部不必投入不成比例的精力來生成單一的精緻建構，而是可以探索多個框架，及早拋棄薄弱的框架，並更頻繁地重新審視假設。但同樣的速度也帶來風險。連貫的計劃可能顯得「足夠好」，可以在優先級尚未確定之前就進行匯報。在沒有刻意干預的情況下，加速的節奏會偏向結構而非決策，讓未解決的選擇潛藏在有序、平衡的框架之下。
戰役的成功不是通過平衡，而是通過刻意的失衡——偏袒某些目標，從屬另一些目標，並為實現主要目的而接受特定風險。這些判斷並非潛藏在數據中。它們是通過指揮官的意圖來施加的。從這個角度來看，AI的對稱性偏差變得具有診斷價值。它精確地暴露了指揮官判斷應該介入的地方。AI可以組織問題並加劇辯論，但它無法對什麼應該佔優勢進行排序。對一個有抵抗力的問題施加不對稱性，仍然與指揮本身密不可分。
AI輔助規劃中最危險的失敗不會表現為技術故障。計劃將保持連貫，語言嚴謹，假設可辯護——提供一個誘使共識的舒適結構，讓責任得以分散。
一旦不對稱性被明確化，熟悉的規劃舒適區就與戰役設計的實際運作方式不兼容。這些不是過渡性的摩擦或治理差距，而是無法避免的結構性權衡。
第一個權衡是詳盡性。戰役既不能詳盡也不能適應。當重構成本低廉時，人們的本能是不斷添加任務、影響和行動線，直到計劃感覺完整。大型語言模型也會無限地滿足深入挖掘的要求。但詳盡的建構會固化假設。相比之下，戰役計劃應該預期會發生變化。
第二個權衡是平衡性。平衡的框架感覺公平，但它們推遲了在資源、時間或政治資本緊張時選擇什麼應該佔主導地位的決定性行動。不對稱性需要從屬。某些目標的推進是以犧牲其他目標為代價的，某些風險被明確接受，而不是被抹平。這種不平衡無法透過完善來實現。它需要一個明顯的決定來提升一個目的並接受另一個目的的降級。
第三個權衡是合理的否認性。平衡和詳盡的計劃在結構中掩蓋了關於風險和優先級的艱難選擇。當一切都被優先考慮時，就沒有什麼被優先考慮了。強加的不對稱性則相反——它使判斷變得清晰。聲明一個主要目標、一個可接受的風險、一個主要行動線或一個從屬行動線，將結果與決策聯繫起來，而不是與過程聯繫起來。
這些損失可能被誤稱為流程問題，但任何治理、權重方案或審查週期的完善都無法取代建立明確優先級的行為。試圖這樣彌補是沒有抓住重點的。失去的不是程序上的舒適，而是將選擇隱藏在結構之後的能力。隨之而來的困擾並非失敗的證據。它是權威正在被行使的證據。
如果AI輔助規劃失敗，那不是因為技術不足，而是因為結構變得廉價且容易，掩蓋了應該進行權衡的地方。當AI生成的連貫性被允許取代決策時，計劃看起來井井有條，而指揮的艱難選擇則退居幕後。
AI超充了線性規劃教範。如果指揮官和參謀人員在此止步，判斷將被日益稱職的結構所掩蓋。但諷刺的是，AI在規劃中解鎖的加速應該讓指揮官和參謀人員放慢腳步。利用AI來定位最需要判斷和優先級的地方需要時間。