David 陳文剛 - Handy UX

把員工拉回辦公室，對於績效真的有幫助嗎？

[大衛選讀] 最近一年，歐美企業把員工拉回辦公室的力道開始加大。

Uber 執行長 Dara Khosrowshahi 告訴員工：「這不僅與生產力指標有關，這是為了建立一種，能夠推動下一階段成長的文化。」 Amazon 執行長 Andy Jassy 則認為：「當人們聚在一起時，他們能更好地交流彼此的想法。」

我自己的管理經驗是，都對，也都不對。

組織文化跟團隊協作都是重要的，但是不必然要拉回辦公室才做得到。拉回辦公室可以立刻提昇敏捷性，但是原本有毒的組織文化，很快就會復燃放大。

反過來，有真正全遠端工作的良好範例嗎？要怎樣證明在哪工作沒那麼重要，怎樣工作才是重點呢？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

回到辦公室工作，能提昇最多的是敏捷性 (agility)

執行長們對於組織文化建立、直效溝通的期待是好的。事實上經濟學人近期結合了CultureX 以及 Work Forward 兩家研究機構，總和上萬家企業的調查中發現，一週五天進辦公室的公司，在敏捷性 (Agility) 的提升上，獲得了員工特別高的評價。

敏捷性指的是，公司預見並且快速適應市場變化的能力。研究顯示，如果公司員工都在辦公室辦公，他們自信將能夠更快、更有效率地接收資訊，並以更靈活的方式來應對新的情況發展。

但是敏捷以外，其他所有的企業文化指標，回到辦公室之後都呈下降趨勢

但在其他文化指標上，嚴格要求進辦公室天數的公司，整體的得分就低於其他相對寬鬆的公司。在支持性、領導力、有毒文化、坦誠度，和工作與生活平衡等方面，實行五天到辦公室規定的公司，獲得的整體評分明顯較低。

此外，公司強制員工回辦公室的決定，起點多半是出於營運績效考量。試圖把公司獲利不佳，歸咎於員工在家工作，乍看起來是個理所當然，沒什麼爭議的說法。

然而，匹茲堡大學的另一項研究則發現，疫情後堅持要求員工返回辦公室的多數公司，員工的工作滿意度普遍下降、離職率上升，但是公司業績卻沒有因此改善。

有毒的企業文化，回到辦公室會更加放大

MIT Sloan 管理學院研究了超過 130 萬條來自美國「文化 500 強」公司員工在 Glassdoor 上的評論，員工們批評企業文化有數百個缺陷，包括規避風險、官僚過度、孤立主義，和缺乏人情味等等。

其中，組織內有毒文化 (Toxic culture) 的高低，是預測員工是否會流失的最佳指標，其預測準度甚至比員工對薪酬的滿意度，還高出 10 倍。

在一個有毒文化的環境下，利害關係人會形成小圈圈，排擠其他弱勢個體；掌權者對於員工不尊重，甚至會欺騙誤導，給出虛假的承諾。長期發展下去，團隊內部會瀰漫不合作的氛圍，更多的是同事之間互相陷害、背後捅刀，以便最大化個人利益。

這樣的有毒文化，在遠端工作時的人際距離較遠，眼不見為淨，感受上或許還會稍微緩解些。但是一旦回到辦公室密集接觸的環境下，很快又會滋長放大。

要真正全遠端工作，考驗的會是公司文化與紀律

不過真的要遠端工作，我自己的經驗是，大部分企業組織其實並沒有真的準備好。

最簡單就是看提案時，在大家都忙得不可開交的狀況下，是會傾向回辦公室一起衝進度，還是傾向繼續在家保持專注。就可以清楚知道整個團隊針對遠端工作，是否真的準備好了。

會縮回到辦公室的，肯定是遠端工作效能不夠好、溝通還是有些障礙。只是平常沒那麼忙，能窩在家裡吹冷氣，團隊協作效率即使差一點，不說出來也就當沒事了，哈。

閱讀全文

設計師別搞錯了，Lovart 的最終用戶不是你，而是甲方

[大衛選讀] 剛聽完 Lovart 創辦人陳冕的訪談。本來就很好奇這個設計工具的發展脈絡，聽完之後還真是蠻有趣味的。

根據陳冕自述的產品發展歷史，Lovart 的現況只是個過渡，隨著模型能力逐步增強，它就會立刻把握機會，從工具到代理，再從代理到直接販售價值。

在工具跟代理階段，設計師族群是早期用戶，是操作數據的來源跟融資談判的籌碼。一旦成熟到可以直接販售價值的階段，那設計師就變成是競業。

從技術發展來看，Lovart 的最大對手不是其他 AI 產品，而是 AGI。這像的人工智慧新創，一方面要賭 AI 模型會大幅提昇，另一方面要賭 AGI 不會在五年內到來。

很有趣的業內訪談。把幾個重點整理如下，原始 Podcast 連結則放在留言中。

AI 是全新的創作手段，會徹底改變創作

我們從第一天定的題目就是要做的是創作，我們相信的是：AI 會徹底改變創作。

陳冕將 AI 比喻成「新的照相機和新的畫板」，它不僅改變創作工具，更將顛覆創作的生產關係本身。

本質上，在上一波資訊化時代，其實帶來的只是工具的數位化。不論是圖像和視覺內容的創作，都還是依賴實體的相機，或是在物理或數位的畫板上進行手動繪製。要使用這些工具，都還是需要人類掌握特定的操作技能。

但是這一波 AI 變革，創作的手段整個變了。

AI 幫你拍照，它不需要一個相機就能幫你拍照，它是用擴散模型幫你拍照。而且 AI 不僅幫你照相，它也幫你畫畫，它是一種過往沒有見過、全新的創作手段。

近期新模型的能力提昇，帶來了 Agentic 設計流程自動化的機會

畫布 (Canvas) 的部分我們準備的很早，因為很早就判斷到，未來的 AI 工具的中期形態應該是一個畫布。

其實ㄧ開始我們想做的是 workflow，但是說白了就是當時模型的 Agentic 的能力其實不夠的。

後來也發現 workflow 這個東西在設計師那兒根本就不管用。因為設計師不講邏輯，講感覺。如果搭節點是你要自己把這工作流搭出來，對設計師來講，這是很難接受的。

轉折點出現在2024年12月左右，隨著像 Claude 3.5 這樣更強大模型的出現，模型的 Agentic 能力得到了顯著提升。我們就想到一個非常簡單的事情，這樣就可以用 AI 來幫設計師和創作者規劃工作流，不用自己動手了。

閱讀全文

AI 變革的下一步，關鍵在從「模仿」到「重塑」

[大衛選讀] 最近 Anthropic 執行長 Dario Amodei 跳出來警告，AI 可能在五年內取代多達 50% 的初階白領工作。看著專訪影片，真的可以感受到他心中那股濃濃的急迫感。

對於未來 2-3 年內職場將有大變革，我是早就這麼看了。所以急迫感背後，我真正會去思考的問題是：顛覆後的下一步到底會怎麼走？

在這問題上，我覺得設計師的視角，遠遠比技術專家來得更有前瞻性。包含從歷史上來看，技術變革是怎麼進展的，分成哪些階段，我們現在又處於什麼狀態，該突破些什麼？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

歷史上所有的技術變革，都需要經歷一段歷程才會真正融入人類社會

面對 AI 這樣子的顛覆性技術，不用慌，重點是了解整體的脈絡階段。知道現在身在何處，以及未來可能會往哪裡去。

IDEO 前執行長 Tim Brown 就將技術顛覆 (disruption) 描述為一段持續演進的歷程，而不是單點瞬間的跳轉 (a journey, not just a momentary shift)。

他認為歷史上任何新技術的誕生，最初往往只有少數人能夠理解當中的部分意義。隨著時間的推移，當越來越多的人開始掌握這項技術，那些關於如何應用這些新技術的想法，就會如雨後春筍般湧現，這也才會開啟真正的變革旅程。

以馬車到汽車的轉變為例。第一批的汽車被稱作「無馬馬車, horseless carriages」。這名稱真的很好笑但貼切，因為它們僅僅是模仿了舊的馬車形式，但是多配備了引擎。

隨著時間演進，車輛的形式不斷發展。從過往馬車的設計，以人與動物互動為基礎，強調人與馬匹的溝通、控制與安全。再到福特T型車，著重如何高效率地製造和使用機械，提供標準的操控系統如方向盤、踏板等，以確保一般大眾都能容易且經濟地掌控這項新技術。這才讓人人都買得起，而且可以放心在路上開。

汽車技術漸趨成熟，進一步引發了整個汽車生態系的蓬勃發展，包含州際公路、加油站和修理廠等，整段發展旅程歷經了數十年。

雖然現在 AI 技術發展速度更快，但這種技術顛覆仍然遵循著類似的階段模式：新興 (Emergent)、演變 (Evolved)，然後是影響擴及整個系統的成熟 (Mature) 階段。

技術帶來的顛覆，可以拆解成為三進程

Tim Brown 將技術顛覆的歷程，切分為三個可理解預測的階段。首先是新興 (Emergent) 階段，人們最初會被新技術的神奇特性所吸引，甚至出現過度宣傳，認為它將改變一切。

然而，技術的早期應用往往只是以不同的方式，去模仿過去的做法。「無馬馬車」就是一個很經典的例子，而當前火熱的Gen AI，也正處於這樣的萌芽階段。

現在哪一個 AI 應用，不是用聊天對話框呈現？對話互動形式到處都是，但很大程度上還是在「用新方法做舊事情」，只是順勢延續了我們跟舊技術間的的互動操作模式。

現階段的 AI 人工智慧發展，最大程度也只是在新興的第一階段而已。

閱讀全文

人工智慧時代的職場變革：強者更強、弱者更弱？

[大衛選讀] 經濟學人近期在財經與經濟專欄中刊出一篇文章《How AI Will Divide the Best from the Rest》指出，AI 可能加劇就業市場的兩極化發展。高階人才和能夠掌握 AI 技術的人，將獲得最多的好處，而低階勞工則會面臨被取代的風險。

身為經濟學人的長期讀者，相較於過往傾向 AI 賦能弱者的論述，我可以明顯感受到，報導的風向正在轉變… AI 究竟會讓人人都變強，還是加大能力差異，或甚至是取代所有人？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

早期的樂觀預期：AI 幫助平等賦能 (AI as an equaliser)

說早期，其實也不過就是兩年前。2023年4月，史丹福大學 Erik Brynjolfsson 和麻省理工學院的 Danielle Li 與 Lindsey Raymond 的研究發現，生成式 AI 工具提高了新手客服人員的生產力達 34%，幫助他們更快更有效地進行問題查詢。相較之下，資深員工幾乎沒有獲得同等的效能提昇，因為 AI 只是強化了他們已經在使用的方法。

在這階段的研究裡，AI 技術似乎特別能夠幫助到，那些表現較差或技能較低的人群，使他們能夠生產出更高質量的工作成果，進而縮小與高績效者間的差距。

別高興得太早，故事還沒結束。

最新發現：AI 更可能會擴大差距 (AI as a Divider)

然而，近期 MIT 麻省理工學院在 2024年12月的研究中發現，頂尖研究人員在使用人工智慧來探索新材料時，研究效能的提升可以達到一倍以上；但是換到能力後段三分之一的研究員，有沒有使用 AI 則幾乎看不出差別。

這是因為擁有豐富專業知識的頂尖科學家，可以從AI生成的各種可能性當中，識別出較有希望的建議，並排除糟糕的選項。相較之下，能力後段的研究員則很難從大量五花八門的輸出中，篩選出有用的假設。

隨著更多研究證據的出現，早期認為 AI 會成為「偉大平等工具」的樂觀預期已開始動搖，取而代之的是 AI 可能會擴大現有差距的擔憂。

差異的關鍵：任務複雜度

仔細比較前後的差異，會發現兩年前的研究，更多關注在那些相對標準化和結構化的任務上，例如客服諮詢回應、基本文件生成，或是合約起草。在這些領域中，AI 確實能夠提供明確的指導和協助，對缺乏經驗的人員尤其有效。

然而當工作牽涉到複雜判斷、創造性思維，以及綜合分析的困難任務時，那就沒有標準答案了。高技能專業人士比起一般人，更能夠準確評估 AI 輸出的質量好壞、識別其侷限性，並將 AI 生成的結果與自身專業知識，有效地連結整合起來。

這種能力上的差異，在簡單任務中或許看不出來，但在複雜任務中卻會被明顯放大。

這形成了一種倒置效應：一旦任務的複雜性提高，AI 弭平人類能力差距的效果似乎會減弱；甚至會完全倒過來，進一步加大了能力上的差距。

強者更強，但可能最終還是逃不過自動化

經濟學家估計，過去 40 年來美國工作者的薪資差距不斷擴大，其中超過一半是由於以前由人類勞工完成的任務被自動化所取代。他們發現，經濟產出中，支付給工人的薪資比重不斷下降，而用於機械和軟體的支出卻不斷增加。

閱讀全文

那些錄音筆錄不到的事：乙方PM的專案溝通課

[大衛選讀] 昨天去上了一堂，扎扎實實的 PM 專案溝通課。這是悠識學院的 Richard 特別開給設計顧問同業的閉門交流課。

因為關起門來，大夥聊起甲乙雙方的愛恨糾葛，總是特別真實深刻。由於收穫太多了，我特別把互動問答當中，特別有共鳴的觀念整理出來，結合自己的經驗反思，寫成一篇專文。

對於這堂課有興趣的朋友，歡迎直接聯繫 Richard。

客戶總是變來變去，有什麼不變的對應原則？

首先，你的個人動機很重要。

如果你做這個案子沒有想清楚自己的動機，那會很容易變得沒有動力跟韌性，也很難調適各種困難與變化。專案開始前，得要先找到個人的動機，那將會是在變動中，評估自己該如何做的不變核心。

這就要順便分享我自己帶專案，常會跟團隊討論的四個目標，也就是專案、客戶、團隊，以及個人目標。

專案目標最簡單，要達成的目標跟交付物，都寫在RFP跟開案簡報裡了。

客戶目標則要主動去考慮，他們除了順順做完專案之外，希望能順便建立結構、訓練培力、還是升官前的考驗？知道了就能幫忙，會去考慮客戶心裡要什麼，也才有機會經營夥伴關係。

團隊目標則是，我們自己的團隊想要完成些什麼。也許是想要挑戰新的領域，也或許是面對舊專案想要嘗試新作法？設好團隊目標，大家做起專案來會比較有共識，什麼要多做一點，什麼得要放掉。

個人目標是常常被忽略，但是很重要的部份。我通常會在專案啟動前，一對一跟團隊成員討論個人的目標。無論是要挑戰資深崗位、轉換不同角色，還是累積特定的作品經歷都好。討論確定了，就讓團隊裡的每個人都知道彼此的個人目標，這就有機會讓大家互相幫忙。

總之，個人的動機很重要。有值得追求的目標放心裡，才不會浪費青春，白白做一個案子。

溝通不良，無法改善，甚至對方失去了溝通意願？

專案上的溝通，不是為了當好人、討好客戶，或是維持私人關係。

溝通只有一個目的，就是設法達成既定的專案目標。

所以遇到溝通的問題時，得要回到根本去檢視專案的目的 (Goal, 為什麼要起這案子) 跟目標 (Objective, 要達成什麼)，然後盤點人事物的現況，看看到底中間發生了什麼問題。

回到個人經驗，通常在專案初期的內部訪談過後，我會帶團隊在客戶公司樓下大廳快速retro, 交流剛剛聽到了什麼「錄音筆錄不到的事情」。

有些事情不好說、有困難，在面對面的場合裡，就會形成錄音筆錄不到的無聲互動。這裡頭藏的可能就是關鍵的 hidden agenda，若能早點發現應變，就可以省掉中後期的大量溝通成本。

此外，溝通的原則技巧，除了順藤摸瓜 + 對等溝通外，有一個態度上的建議，那就是：「我是來幫你的，你有什麼問題，都可以跟我說。」我的親身經驗是，即使碰到合作意願低落的窗口，只要把這來幫忙的態度擺好，多溝通幾次，總是會有機會切進去的。

客戶只簡略介紹需求，就要求估價？

PM 常常碰到這狀況，那該怎麼辦呢？簡單講，硬著頭皮報價是很不負責任的作法。要不害死自己，要不報價含風險溢價就會高到沒天理，開頭就留下一個壞印象。

預算 vs. 估價 vs. 報價，這是三個不同的字眼。

閱讀全文

當我們讓人工智慧代筆時，究竟失去了什麼？

[大衛選讀] 平常在開會或做設計討論時，我多半會打開筆記本，霹靂啪啦開始寫東西。有些設計師會問我，腦袋想就好，為什麼一定要打字？

這大概是研究所以後養成的習慣吧，一開始是為了把議題記錄下來，避免遺漏了而寫。後來慢慢演變成，只有三成記錄眼前脈絡，更多的是記錄腦袋裡的想法。

所以我的筆記除了聽到的重點之外，大部分會是我腦中的提問、可能的假設，以及後續的規劃與建議。有邊想邊記錄下來，思緒會變得很清晰，而且很快就能進入反思與決策。

生成式 AI 一鍵就可以錄音並且總結會議記錄，一開始用很驚艷，可是用著用著，我發現思考變慢變薄了，有一種腦霧感。

仔細想想，我的體感經驗完全呼應到 Paul Graham 所說的：寫作本身就是思考 (writing is thinking)。寫作本質上是一個擴充腦力、精鍊邏輯思維的過程，而不只是生成文字而已。

很快地，未來大量的寫作工作一定會被外包給 AI。但是思考跟語文能力的鍛鍊，想要讓腦袋變聰明，就更需要靠自己有意識地健身勞動了。

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

寫作就是思考，難以簡化，而且頗有壓力

Paul Graham 前一陣子寫了篇文章，名為《Writes and Write-Nots, 會寫作，與不寫作的人》。他認為，寫作本身就是思考 (writing is thinking)。寫作早已內嵌在許多工作中，而且工作的影響力越大，往往需要越多的寫作。

寫作本質上是件很困難的事，而且難以簡化。要寫得好，你必須思考清晰 (think clearly)，而清晰地思考是件難事。

腦袋沒想清楚，寫得狗屁不通已經夠糟；如果還沒有深入思考，就去抄襲別人的文字，那就更慘了。字裡行間會顯露出瑣碎、平凡，而且缺乏洞見與思辨能力。

寫作，確實是件頗有壓力的事情。

一旦可以把寫作外包給 AI，人類將往兩個極端走

然而 AI 打開了一個新的可能性，生成式人工智慧一出現，幾乎所有寫作的壓力都已散去。無論是在學校還是工作中，幾乎都可以讓 AI 幫你代筆。

可清楚預見的，把寫作外包給 AI 的趨勢會加速發展。過往那個嘔心瀝血構思文句的繁重工作，一旦可以外包出去，那種一鍵生成快速便利的感覺，真是會令人感到興奮。

舉凡公司郵件、法律文件、伴娘致辭、訃文等，可預見的是，人工智能寫作將無處不在，要生成多少文字就有多少文字，甚至跟真人寫的沒什麼差別。

結果是，這個世界將分成兩群人：寫作者 & 非寫作者。喜歡寫作的人會變得更為優秀、更懂得思考；而其他人則會變得更加不擅長這些事情。

人工智能魔法的便利性，是有其代價的 (the convenience of AI magic comes at a cost)

AI 生成取代寫作，不僅是一種自動化的進程而已。這並不像是從算盤過渡到電子計算機那樣，只是計算上的勞力替代。讓人工智能為我們寫作的後果，實際上更加危險。

閱讀全文

我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

[大衛選讀] 近期紐約時報旗下的 Hard Fork 做了一則專訪，訪問 OpenAI 前任資深顧問 Miles Brundage，談 AGI 發展趨勢，以及對於大眾的影響。

過去六年深入參與 AGI Readiness 的研究工作，他認為現在是一個很瘋狂的狀況。一方面 AI 技術發展正在向前不斷加速，但是另一方面政府跟社會似乎都還沒有做好應變的準備，大眾的認知也跟先進實驗室的發展現況有相當落差。

對他來說，趨勢很明顯。不需要幾十年，而是在未來幾年內，人工智慧將能夠全面勝任人類在電腦上能做的各種工作。提早退休的時代將會比我們預期地更早來臨，隨著經濟快速發展，若能搭配好的租稅與社會福利制度，大多數人無需工作也能過活。

變革之大，教育與工作的意義，將需要重新被探索跟定義。在那之前，為了更好的在後人工智慧時代下生活，Miles Brundage 建議，人們應該趁現在，趕快積極儲蓄，並且充分了解人工智慧的能與不能。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

Miles Brundage 曾任牛津大學人類未來研究所的研究員，之後加入 OpenAI，參與通用人工智慧準備 (AGI Readiness) 的研究工作，以確保 OpenAI 在建構更強大的人工智慧系統時，能夠安全地釋出這些系統，讓社會享受到人工智慧帶來的益處，同時減輕風險。

他在 OpenAI 工作六年後，宣布離開的消息引起了很多關注。他一直非常積極地呼籲大家關注這些系統的風險。但他在離職的過程中表示，他不認為 OpenAI 或任何其他先進人工智慧實驗室已經為人工智慧的到來做好了準備，而整個社會也還沒做好準備。

如果去仔細閱讀各個先進人工智慧實驗室發表的東西，會發現他們普遍承認還沒有完全掌控一切。所以這是一個很瘋狂的情況：一方面是技術進步非常快，另一方面是了解最多的人卻說我們還沒做好準備。

電腦在未來幾年內，或將全面勝任人類在電腦上能做的各種工作

在未來幾年內，很可能會出現人工智慧系統，在電腦上的工作能力完全超越並可取代人類，無論你是否要稱它為通用人工智慧 (AGI)。

趨勢很明顯，這些系統將能夠操作滑鼠和鍵盤，甚至可以在視訊聊天中看起來像真人。人們應該儘早思考這意味著什麼，政府也應該思考這對稅收、教育投資等意味著什麼。

在一個人工智慧可以勝任大部分工作的環境下，教育的意義是什麼？

並不是說所有的工作都會消失，但人工智慧的發展必然會帶來巨大的衝擊，人們需要提前思考這對於教育的深遠影響。

教育的目的是培養人們成為一個努力工作的好公民，還是讓他們能更加了解自身所在的世界？如果教育不是跟過去一樣，主要是為了就業做準備，那麼未來發展時，就會更需要去思考教育的真正意義是什麼。這肯定會變得很不一樣。

人工智慧的發展是真實深刻的，但是大眾的認知還沒有跟上

總會有一些人認為這都是科幻小說，他們不相信人工智慧正在接近人類水平的智慧，他們在生活中看不到 ChatGPT 或其他工具的用處，他們認為這基本上是科技巨頭的營銷炒作。

身為科技與社會跨領域研究的專家，Miles Brundage 觀察到科技業界人士與大眾之間的認知差距。這斷差既有趣，又值得深入探討並且試著弭平。

閱讀全文

預測未來：從蒸汽機到人工智能，我們學到了什麼？

[大衛選讀] 預測未來有多難？最近讀了一些科技發明對於人類歷史的影響，再從當時人們的認知與預測，對照後續的真實發展，會發現要預測未來真的很困難。

從蒸汽機發明，到鐵路建設，以及設備電氣化等技術發展來看，人們對於新技術的直覺想像總是貧乏的，也往往會在長期範圍內，低估了新技術所帶來的深遠影響。

人工智慧很明顯會帶動第四次工業革命，要怎樣重新思考我們的工作？是要謀定而後動，還是打帶跑見機行事？

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

預測未來：從蒸汽機到人工智能，我們學到了什麼？

未來是一片未經探索的領域，而我們對於未來會如何的直覺往往是錯誤的。

眾所周知，哥倫布曾以為他正在開闢一條通往印度的新貿易路線，結果卻意外發現了美洲大陸。同樣地，對於未來工作的預測，通常跟我們真正到達未來時所看到的實際情況，往往相距甚遠。

以著名經濟學家凱恩斯在 1930 年代的估計為例，他預測在幾代人之內，每週將只需要工作 15 小時。他認為技術的進步將提高生產力，讓人類能夠用更少的工作時間享受同等的生活水準。雖然隨著歷史演進，工時確實有若干減少，但是自 1940 年代以來，典型的工作週仍停留在平均每天 8 小時，每週 5 天的水平。

為什麼我們的預測經常是錯的？

首先，人類是非理性和情緒化的，這使我們難以預測未來會怎樣發展。

在科學研究的基礎上，我們對大自然的理解，比對人性的理解要好得多。由於大自然的規則是由物理世界所定義的，是邏輯的、能被充分理解的，而且穩定不變。這使得科學家能夠在高度確定的狀況下，去理解複雜的物理過程，例如氣候變化。

但人性決定了人們將如何在社會經濟跟政治上，去做出反應。人性本質上是非理性和情緒化的，這使我們難以預測。這就是為什麼，氣候變化和許多其他事件對未來的影響，實務上難以準確預測的原因。

此外，我們在預測上的真正問題，並不在於技術貧乏或不精確，也不在於我們在短期內高估了新想法和技術的潛力；而是往往在長期範圍內，低估了它們的影響 (underestimating their impact in the long term)。

預測靠的是模型，也就是一種框定現況以及後續動態的方式 (model, a way of framing the present and its dynamics)。但是我們使用的模型，難以考慮到人類的慾望和創造力。未來是由無數人類所共同決策與塑造的，而正是這些人類的判斷，決定了我們將身處哪一個未來。

我們選擇如何使用技術，跟技術本身的特性同等重要，甚至更為關鍵。儘管新技術創造了新的可能性，但我們需要去決定，哪些可能性會真正發生，成為新的現實。

閱讀全文

Tesler’s law, 複雜性守恆定律

[大衛選讀] 設計師會不會想太複雜了，有必要在系統上做到這樣複雜的判斷跟處理嗎？在產品規劃時，這是很常出現的來回思辨跟角力。

我的經驗是：表面上看起來簡單，其實裡頭通常並不簡單。一開始想簡單了，最後很可能用起來就會複雜到爆炸。

複雜與否，這當中的權衡一直是很有趣的議題。Tesler’s law 複雜性守恆定律，正是這樣的洞見，有助於我們理解整體的複雜性，並且更好地思考該如何應對。

這個定律簡單講，就是根本的複雜性是不可能消滅的。要麼這個複雜性在規劃階段由設計跟開發來承擔，要麼就是丟給使用者來自己面對。

但仔細去思考，就會發現人性偏好在未知懵懂的狀況下，去選擇複雜的解法以求得安心；過度的簡單，可能會造成體驗的反效果；以及如何利用建立概念模型、漸進式揭示等設計技巧，去有效承載消化不必要的複雜性。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

在應用程式或流程中，誰應該承擔起這樣的複雜性？是使用者，還是設計師和開發人員？這是在做介面設計，以及更廣泛地考慮人類如何與技術互動時，必須面對的一個基本問題。

體驗設計師的其中一個關鍵目標是，為人們降低複雜性，讓產品和服務能夠變得更簡單易用。

但是每個流程都有一些固有的複雜性。不可避免地，當複雜性無法進一步降低時，只能將它其從一個地方，轉移到另一個地方。在這個時候，複雜性要麼進入使用者界面中，要麼進入設計師和開發人員的工作流程中。

The origins of Tesler’s law

複雜性守恆定律 (Tesler’s Law, Law of conservation of complexity) 的起源可以追溯到 1980 年代中期，當時全錄 PARC 的計算機科學家 Larry Tesler 正在協助開發全新的互動設計語言。這是一套定義互動系統結構的原則與標準，對桌上型電腦和排版技術的發展至關重要。後來又到了蘋果電腦，協助開發 Mac 物件導向的軟體框架。

Tesler 意識到，介面的一致性不僅會讓使用者受益，也能夠讓開發人員受益，因為共通的標準可以內建在共享的軟體庫中。很快速有效地導入，並且發揮綜效。

Tesler 將複雜性守恆定律，定義為一種向公司管理層以及獨立軟體供應商，推銷這個想法的說服方法，希望能在大眾市場軟體中建立標準，以減少終端客戶面臨的複雜性。

Tesler 認為：「工程師應該多花一週時間，來試圖降低使用端的複雜性，而不是讓數百萬的用戶因為這不必要的複雜性，而每天得多花一分鐘。這樣做是讓工程師輕鬆了，但是反過來懲罰了使用者。」

Complexity bias leads to more complex solutions 人們天生偏好看起來複雜精細的解法，結果往往導致更複雜的解決方案

人類有相當多的認知偏差，它是一種心理捷徑，讓我們能夠快速做出決定而不需徹底分析情況，進而提高了我們的效率。

複雜性偏差 (complexity bias) 則是我們傾向選擇那些複雜和精細的解決方案，而非直接簡單的解決方案。這通常是因為複雜性會讓人聯想到：智慧、專業知識，或是有著深度的理解。

簡單來說，我們經常過分讚許那些聽起來複雜的概念，或者當我們感到困惑或沒有花時間真正理解時，會將原本很容易理解的事物，視為是相對複雜和困難。

當我們選擇更複雜的解決方案時，我們就逃避了真正理解關鍵問題的必要性。但結果往往是，解決方案中的複雜性和假設越多，失敗的可能性就越大。

閱讀全文

Giver culture, 互相給予幫助的動機與能力

[大衛選讀] 最近在反思，一個設計團隊效能好、氣氛佳的關鍵原因是什麼？是因為團隊成員都很資深、組成很多元、還是16型人格很速配？

想了想，都不是。我看過效能氣氛都好，而且可以逐步成長越來越好的團隊，通常多數成員都會主動伸出手幫別人一把，同時自己也樂於請求幫助。

Adam Grant 在 2013 年提出的 Giver and Taker 概念，正好很呼應了我的實務經驗與反思。團隊效能高低的關鍵，來自於互相給予幫助的動機與能力。

這當中包含了如何篩選適當的人格特質進入團隊、如何透過管理機制去加強促進幫助他人的行為，以及如何創造一個樂於尋求幫助的環境，而不用擔心示弱等。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

在 9/11 恐怖攻擊事件之後，一組哈佛心理學家團隊進入美國情報系統進行研究。他們想要找到，情報單位運作效率高低的真正關鍵因素。

透過針對 64 個不同情報小組中，數百名分析師進行調查、訪談和觀察，研究人員發現，關鍵並不是他們預想的那些。像是擁有清晰、具有挑戰性和有意義的願景，也不是明確定義的角色和責任，適當的獎勵、認可和資源，或是強有力的領導。

相比之下，要預測群體效能高低，最直接有效的因素只有一個，那就是：分析師之間互相給予幫助的數量 (the amount of help that analysts gave to each other)。

在表現最好的團隊中，分析師會投入大量時間和精力來指導、教學和諮詢 (coaching, teaching, and consulting) 他們的同事。這些幫助了分析師去質疑自己的假設，填補知識空白，獲得新的視角，並在看似不相連的訊息線索中認識到模式。

相反地，在評級最低的單位中，分析師之間很少互相幫助。光是掌握互助行為的頻次數量，就可以讓哈佛研究人員準確預測出各單位最終的績效排名。

Give, take, or match 給予、索取或互利

在給予者 (giver) 的文化中，員工的運作方式與高績效的情報單位一樣：樂於幫助他人、分享知識、提供指導和建立聯繫，而不期望得到回報。

同時，在索取者 (taker) 文化中，慣例是盡可能從別人那裡拿多一點東西，同時少貢獻一些。員工只有在個人利益比付出成本更高時才願意提供幫助，而不是在組織利益超過個人成本時。

大多數的組織處於中間的位置。也就是互利者 (matcher) 文化，慣例是員工會去幫助那些幫助他們的人，保持給予和索取的平衡。但這只是封閉小圈圈的互助，針對跨部門或地區的員工，若是彼此沒有足夠的互信，就沒有辦法啟動正向循環。

All too often, leaders create structures for takers 通常是領導者自己建立出了鼓勵索取的管理結構

既然開放的互助系統有明顯的好處，為什麼大多數的組織沒有發展出 giver culture 呢？

那是因為，領導者經常自己創造出，會阻礙這一過程的管理結構。根據康奈爾大學經濟學家羅伯特·弗蘭克 (Robert Frank) 的說法，許多組織本質上是贏家通吃的競技場，重點在於彼此爭奪獎勵和晉升。

當領導者實施強制性的績效排名來獎勵個人表現時，他們就在 giver culture 的發展過程中設下了障礙。這會把員工放在爭奪資源的對立面，讓互相幫助這件事變成了一個不明智的舉動，除非他們自己能因此獲得更多划算的回報。

原本願意付出的那些人，很快地就會發現這太費力了。他們自己的生產力受到影響，因為組織裡的 takers 佔據了他們的時間甚至竊取他們的想法，透過剝削來達到自己的成就。

隨著時間過去，可以預料的是，員工們會發展出更多的索取行為，或至少變成 matcher 來保護自己。每當他們提供幫助之前，都期望至少要能互惠才願意行動。

閱讀全文