随着Google的人工智能程序AlphaGo以4比1大败南韩围棋棋圣李世石（Lee Sedol），简单的结论是：人工智能（AI）在对抗人类上已达到另一个里程碑，提高了人类的恐惧，担心机器最终可能取代员工，甚至经理人。但是，AlphaGo虽然以令人信服的方式获胜，它已透露，人工智能仍然有一些缺失，特别是在涉及机器的直觉时。
Google在2014年以五亿美元收购了AlphaGo的开发者DeepMind，以扩大其蓬勃发展的人工智能投资组合。AlphaGo的深度学习演算法，借助「走棋网络」（ “policy network” ）和「估值网络」（“value network”），不仅储存了名人赛过往数百万个棋局，也储存了它和自己对奕的妙招。这两个网络的命名，听起来有管理的意味，而且是以提高效率为目的，不单是为了提升电脑的原始计算能力。「走棋」（”policy’’）有助于缩小最有可能获胜的每一手的广度；而「估值」（“value”）借着评估棋局尚未结束时每个位置的获胜者，从而降低了搜索的深度。在定义良好的棋赛中的规则设定，限制搜索是很有道理的。
但是，在管理者所处的环境下，对竞争规则的管制较少，更重要的是，就利害关系来说，每个结果并不相等。换句话说，在商业上，要紧的不只是你输或赢，也包括输赢多少。在第三局比赛中，这种对人工智能的限制变得很明显，AlphaGo没有增加它的优势，反而下了「悠闲的几手」（ “leisurely moves.”）。在围棋方面，每场棋赛都是独立的。AlphaGo只关心赢得那场特定的比赛。不过，在商业上，你成功的重大幅度，可帮助你在后续的比赛中保住你的机会。如果你的竞争对手处于下风，你可能会想让他永远无法翻身。
人们以为AlphaGo拥有的另一个优势，是它的时间管理，其实那是限制。AlphaGo安装了一个特殊的演算法，以便它在下每一手时，所花的时间相同。这个功能的好处是，AlphaGo可避免耗尽比赛规定的时间，而且不会在终局阶段操之过急。这和棋圣李世石形成鲜明的对比，他会在整个比赛的策略性关键时刻，多花几分钟。在AlphaGo唯一尝到败绩的第四局，其致命的一手使用了同样「有效率」的时间。事后来看，更多的分析可能会让AlphaGo走到较安全的位置。在商场上会有这种时候：例行的商业决策可以很快作出，但在公司面临后果影响深远的新状况时，需要花较多时间去思考如何适应及因应。人工智能需要较多时间去发展这个层级的判断。
最后，想一想AlphaGo的自我训练演算法。尽管AlphaGo拥有千年以上的人类下围棋的知识，它的失败归因于一个失误，当下它被打了个措手不及：李世石下了出人意外的一手。更糟的是，AlphaGo的回应不佳，而且直到下了许多手后，才意识到那个失误。内部的学习，无论是在公司或在产业层面上，可能有它的局限性，尤其是在今日的分享经济和聚合经济内。但是，新状况需要新解决方案，那是在古老的策略书上不一定能找到的。经理人经常看着其他地方，例如面临演算法问题的不同产业，希望找到独特的解决方案。此外，即使人类可能比机器容易犯错，我们的优势就在于，有能力承认自己容易犯错并加以改善，正如李世石的做法。等到AlphaGo发现自己的错误而要修正路线时，为时已晚。
人工智能的定义，往往是将人类思想改善到尽善尽美。但正如李世石所言，落败的是他，「不是人类」，定义人类的，可能是我们在不完美中的谦逊和复原力；如果人工智能真的对经理人构成威胁，这些素质仍然有待培养。