计算智能技术在管理决策中的局限性主要包括以下几点：
数据质量：计算智能技术依赖于大量的数据进行分析和预测，如果数据质量不高，就会影响计算智能模型的准确性和可靠性。而且在管理决策中，很多数据可能是不完整或者不准确的，这就了计算智能技术的应用。
模型偏差：计算智能模型往往是基于历史数据进行训练和学习的，如果历史数据中存在偏差，那么模型就会受到这些偏差的影响，导致预测结果不准确。尤其是在管理决策中，市场环境和竞争对手的行为可能会发生变化，这就需要及时调整模型来适应新的情况。
解释性不足：有些计算智能技术，比如深度学习模型，具有很强的预测能力，但是其内部结构非常复杂，很难解释模型是如何得出某个预测结果的。在管理决策中，决策者往往需要知道预测结果的原因，以便能够采取相应的行动，这就需要模型具有一定的解释性，而计算智能技术在这方面存在局限性。
针对以上局限性，管理者可以采取以下策略来应对：
提高数据质量：管理者可以加强对数据的采集和清洗工作，确保数据的准确性和完整性，从而提高计算智能模型的预测准确性。
结合人工智能和人工智慧：管理者可以结合计算智能技术和人工智能，利用人类的经验和直觉来辅助计算智能模型的决策，这样可以弥补计算智能技术的局限性。
定期更新模型：管理者需要定期审视计算智能模型的表现，及时调整模型参数或者重新训练模型，以适应市场环境的变化。
总之，计算智能技术在管理决策中虽然有局限性，但是通过合理的应对策略，管理者可以最大程度地发挥计算智能技术的优势，提高决策的质量和效果。