Work 工作職場

專業工作者最被低估的能力，是選擇不做什麼

[大衛選讀] 今早看到卓學長 (a.k.a. 幫唐鳳改變報稅系統的酸民) 的貼文：

「來找我們的客戶大致可以分三種：第一種，知道自己有問題但不知道怎麼處理；第二種，不知道問題在哪也不知道怎麼處理；第三種，以為自己知道問題，但其實自己才是問題。」

我當下笑到，差點把咖啡給噴出來。立刻回了：

「第一種可以接，第二種要去捏，第三種就看有沒有心力去普渡眾生了」

表面上看，這是在講客戶管理。但往深一層想，這其實是在講一件更根本的事：專業工作者最重要的能力，不是把問題解得多漂亮，而是辨別哪些問題值得你去解。

今天這篇想聊的，就是「選擇戰場」這件事。

問題自覺度：篩選專案的真正標準，並不是問題有多難

卓學長分享的那個三分法，有趣的地方在於：篩選題目的標準不是「問題難不難」，而是「主事者知不知道問題在哪裡」。

這個區分非常關鍵。做過專業服務的人都知道，最怕的案子不是問題複雜的，而是以為自己什麼都懂的。

問題再複雜，你可以拆解、分析、找方案。但如果主事者不覺得有問題？那身為從旁幫忙的人，根本找不到施力點。

心理學上經典的達克效應 (Dunning-Kruger Effect)，就是個例證。研究發現，在邏輯推理、文法、幽默感等測試中，表現最差的那群受測者，反而對自身狀態的評估最好。自認為落在前 62 %，實際上是在倒數的 12 %。

這放到職場情境裡，就是卓學長說的第三種客戶。他們並不是壞人，也不是故意找碴，他們是真的「不知道自己不知道」。而這種狀態，恰恰是最難伸手幫忙的。

過往的經驗裡，我把這個篩選標準叫做「問題自覺度」。也就是，主事者有多清楚專案的狀態？問題自覺度高的人，一點就通；問題自覺度低的人，說破了嘴，他也覺得是在多管閒事。

彼得‧杜拉克的老話：不做什麼，才是最重要的

如果你覺得「挑專案」聽起來很奢侈，那你應該回頭想一下，管理學之父彼得‧杜拉克提過的概念：計劃性放棄 (Planned Abandonment)。

在《杜拉克談高效能的五個習慣》這本經典著作裡，他提出一個至今仍然銳利的觀點：真正有效能的管理者，首要任務不是決定要做什麼，而是決定不做什麼。

閱讀全文

從 Anthropic 研究數據看設計產業：強者更強的時代來了

[大衛選讀] 聊到 AI 對設計產業的影響，我們很容易被兩種情緒牽著走。一種是「超級創作者」的美好想像，彷彿工具一上手，人人都能效能倍增。另一種則是「人類會被取代」的悲觀預言，好像創意工作的末日已經開始倒數。

但這兩種說法講得再熱鬧，終究都帶著主觀情緒。真的值得我們停下來看的，還是近期的研究資料到底怎麼說，因為實證數據通常比口號可靠得多。

Anthropic 在 2026 年 1 月發布的《Anthropic Economic Index: economic primitives》，把討論從抽象拉回到可觀測分析的實際使用樣貌。這份報告不只是在分析「大家用 AI 做什麼」，而是把 AI 工作拆成幾個底層的概念，例如 autonomy、skills 等，讓我們可以更清楚看到「AI 是如何帶來改變的」。

研究結果發現，AI 不只是把創造力變得更容易，它也像一面鏡子，會直接映射使用者本人，把腦中本來就有的知識厚度、認知能力與判斷力加以放大。

所以，真正違反直覺的地方在這裡。AI 不一定是在拯救平庸，它更像是在加速分化。

當工具讓「做出來」變得很便宜，甚至接近零成本時，真正稀缺的價值就會變成「想清楚、看得準、說明白」。

我們或許可以把這種現象叫做「能力倒置, Competence Inversion」。技術執行的價值正在往下掉，而邏輯架構、系統性分析跟品味的價值，反而變得更關鍵，而且更難被複製。

為什麼會這麼說，我們往下看下去。

數據告訴你：設計圈早就在用 AI，但強弱差距只會更大

如果只看熱度，你可能會以為設計產業只是順手用 AI 產圖、改文案，算是跟風而已。但從 Anthropic Economic Index 的觀測來看，創意設計類的使用量其實一直都不小。早在 2025 年 2 月的 Index 初版裡，「Arts, Design, and Media」就已經是第二大類別，佔比 10.3%，只輸給程式類別。

到了 2026 年 1 月這份 economic primitives 報告，它改用更完整的名稱「Arts, Design, Entertainment, Sports, and Media」。以 2025 年 8 月到 11 月來看，這個類別在 Claude 網頁端的使用佔比是往上走的，到了 11 月大約是接近一成左右。

但最讓人有感的，其實不是「大家有沒有在用 AI 做創意」，而是「本來就強的人，會用得更好」。

閱讀全文

為什麼 AI 工具很強，團隊卻很累？反思設計界的「生產力悖論」

[大衛選讀] 當我們試圖拿通用的工具，去解決高度專業問題；繼續用傳統績效管理的指標，去衡量新的創意價值時，我們就迷路了。

過去這一年，如果你待在設計顧問公司或產品設計團隊，很可能都有這種矛盾感：明明已經導入了一整套強大的 AI 工具，每個人也多少學會了 Prompting，專案執行起來卻沒有變得比較輕鬆，公司的利潤也沒有因此明顯改善。甚至，花在修圖、校對、整理檔案，以及在各種軟體之間來回切換的時間，比起過去反而更多。

別懷疑，你並不是一個人。經濟學家早就替這種現象取了名字，叫做「生產力悖論」(Productivity Paradox)。

就像 90 年代個人電腦剛普及，或更早電力首次導入工廠的年代一樣，新技術剛上線的那幾年，生產力往往不是立刻飛升，而是會先下滑一段時間。

我們正處於那條著名 J 型曲線的底部：已經訂閱了一堆付費服務、上了各種 AI 線上課程 (投入了成本)，卻還沒真正學會如何重組整個工作流 (尚未回收價值)。

為什麼會卡在這裡？多份研究其實已經點出，設計產業普遍遇到兩個結構性的錯位：一方面，硬是想用「水平式工具」去處理各種「垂直型問題」；另一方面，又把「做得快不快」誤當成「做得好不好」。這兩件事疊在一起，就構成了今天的生產力悖論。

問題一：試圖用「水平式工具」解決「垂直型問題」

這大概是目前設計團隊最常見、也最隱性的痛點。

當我們說要在團隊裡「導入 AI」，在實務上往往只是：幫設計師開了 ChatGPT、Gemini 帳號，然後再配一套給視覺團隊用的 Midjourney、Stable Diffusion 或其他繪圖工具。

但這些，其實都屬於水平式的 Horizontal AI。

它們就像一把功能琳瑯滿目的瑞士刀，什麼都能做一點：寫信、畫圖、改文案、做前端，看起來無所不能。但它們有一個關鍵特性：這些工具本質上是「缺乏脈絡」(Low Context) 的。

閱讀全文

在 AI 時代，該跳槽還是該留下的薪資經濟學

[大衛選讀] 怎樣才能幫自己加薪？這是每位工作者都在意的事情。所以積極的人會去購買線上課程，參加研習營、讀書會，就是為了多發展出一些能力，讓自己多點機會能升職加薪。

說實在的，我也當過人事主管跟企業主。聽到同仁去自學 Python, 那當然很好阿。但是手邊的專案工作暫時還用不到，也就只能微笑讚許學習動能很高，給予口頭獎勵。

AI 時代下，我們為了適應變化，企業跟個人都必定要長出新能力。那些能力的增長，是否能轉化成看得到的價值跟薪資報酬？加薪的關鍵在哪裡？人工智慧的近期浪潮下，這是趁勢套利的機會，還是技能折舊的開始？

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。

薪水漲不上去，你是否也陷入了「穩定」的陷阱？

在現在這個技術快速顛覆、全球競爭白熱化的時代，我們對「好工作」的定義正在被徹底改寫。過去，畢業之後找一家穩固的大企業逐步往上爬，是人人稱羨的職涯路徑。如今，這份穩定卻可能反而變成，個人薪資成長與職涯發展上的隱形天花板。

這樣的反轉衝突，在歐洲尤其明顯。《經濟學人》近期的文章，一針見血地描繪了當代歐洲的困境：歐洲經濟已經得了硬化症 (Eurosclerosis)，儘管整體經濟仍在緩步成長，但失業率卻居高不下，新的就業機會少之又少。

數據顯示，高達四分之一的歐洲員工在同一家公司服務超過 20年，相較之下，這個比例在美國只佔十分之一。

這樣低度的勞動市場流動性，雖然表面上看起來很安穩；但實際上就業市場的停滯，已經阻礙了創新、拖慢了高效率企業的擴張，最終導致了整體薪資成長的停滯。

講經濟發展太沈重，大家更關心的應該是自己的薪資能不能高一點。從歷史數據來看，跳槽者的薪資成長，總是高於留在原地的人。為什麼在個人職涯中，跳槽是爭取加薪最有效的方式？答案就在以下幾個關鍵的經濟學理論中：

你的薪水不是老闆說的算，是「別家公司」決定的

職涯顧問多半會告訴你「想加薪，就跳槽」，這不僅是職場經驗談，更是有經濟學理論支撐的經濟現實。

現代勞動市場理論把職場描繪成一個「工作階梯, Job Ladder」。這個模型假設，整個勞動力市場是由無數個生產力與薪資水平高低不同的企業，所共同組成的層級體系。對工作者來說，真正顯著的薪資成長，並非來自於在同一家公司內的年度微調；而是透過從低薪、低生產力的企業，往上跳躍至高薪、高生產力企業的過程。

有趣的是，這個過程並不是由人才驅動的，而是企業為了求成長，積極向外挖角所造成的。

所以，一個在職員工的薪資議價能力，並不來自於對內的貢獻，而是來自於外部的競爭比價。一個工作者越容易轉換到新工作、有越多公司想要挖角，就擁有更高的薪資談判力道。

即使最終選擇了留下，這種「潛在的流動性」也會迫使現在的老闆，必須持續提出比外部更具競爭力的薪酬獎金，才能留得住人。

你該等內部晉升嗎？麥肯錫：80% 的機會在公司外面

從人力資本理論 (Human Capital Theory) 的角度來看，每次換工作，都是一次將個人技能、知識與經驗，跟工作職位進行配對優化 (optimal match) 的過程。

身為工作者，你的技能在現有職位上，可能並沒有被充分利用到。尤其是自我進修之後，工作內容卻沒有跟著轉變時。這時候，跳槽到另一個能更能發揮自己專長的新工作，不僅更有成就感，同時也能獲得更高的報酬。

閱讀全文

現在新鮮人最難跨過去的坎：三年經驗

[大衛選讀] 剛畢業的設計師跑來問我：「為什麼現在企業都只想僱用有經驗的人，不願意給新鮮人一個機會？」

這個現象在今年歐美地區的新就業市場中尤其明顯，在資工、會計、法律等領域，有將近一半的畢業生在找第一份工作上，已經遇到了極大困難。

人工智慧發展下，企業寧可大力加碼投資自動化科技，也不願意雇用沒有經驗的職場新手。近期我閱讀了世界經濟論壇 (WEF)、Deloitte, PwC 以及 McKinsey 等多篇就業趨勢報告，幾乎一致指出：全球勞動力市場正在經歷一場前所未有的技能重塑。

我更在意的是，這波人工智慧的浪潮，究竟帶來了哪些結構性的人力需求變化？剛畢業的職場新鮮人，又該怎麼面對？

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。

你需要知道的就業困境：經歷差距 (experience gap)

在人工智慧時代，一個越來越棘手的挑戰浮現出來，那就是「經歷差距 (experience gap)」。

這個詞反覆出現在 Deloitte《2025年全球人力資本趨勢報告》中，指的是雇主要求的實務經驗，與求職者實際擁有的經驗之間的落差。而這個落差似乎正越來越大。

華頓商學院管理學教授 Peter Cappelli 一語道破：「現在每個人都想僱用已經有三年經驗的人，但卻沒有人願意給他們三年的時間」

這讓年輕人陷入了現實困境：沒有經驗就找不到工作，沒有工作就無法累積經驗。這個因果不斷輪迴下去。

過去：新人的「練功場」

在傳統職場中，新人通常從基礎、重複性高的任務開始，也就是所謂的繁瑣工作 (grunt work)。例如，律師事務所的菜鳥可能要花大量時間整理和審閱文件，行銷新人可能要負責蒐集市場資料並製作報表等。

這些看似單調的工作，其實是新人學習的入門機會。他們可以藉此熟悉產業的運作模式和術語、在風險較低的環境中犯錯和學習，並且觀察資深同事如何應對複雜問題，從而培養專業的直覺和判斷力。

現在：AI 搶走了學習的機會

然而，人工智慧導入之後，初階就業市場就變了個樣。AI 正開始大規模自動化那些重複性高、以資訊蒐集和整合為導向的任務；然而這些任務在傳統上，卻是新人做中學的核心。

這不只是取代工作機會，更是重塑了初階工作的本質。當 AI 把那些過去專門給新人練功的「入門級任務」都拿走時，這將帶來以下兩個問題：

問題一：「學習的階梯」被 AI 拆掉

通常知識工作者的學習歷程中，最下面的第一階就是資訊蒐集、內容摘要、草擬文件等重複性的知識型工作。

在蒐集資料時，新人必須判斷哪些資訊是相關的、哪些是次要的；在草擬摘要時，他們必須練習如何精準地提煉重點。這些看似基礎的認知任務，正是鍛鍊批判性思維和邏輯推理的起點。

AI 一下子就把資訊彙整的工作做好了，短期看似提高的效率，長期下來則是直接剝奪了新人練習的機會，拆掉了學習階梯的第一塊踏板。

閱讀全文

顧問業的「盈利悖論」：AI 讓個人變強，為何公司反而賺不了錢？

[大衛選讀] 前一陣子看好 AI 轉型的顧問需求，買了點 Accenture 股票，沒想到半年多下來，營收成長未見起色，股價不斷下跌。

這讓我不禁想要研究一下，AI 人工智慧是否能為顧問業帶來數位轉型的商機，對於顧問行業本身，包含獲利模式、專業護城河等，又會有什麼影響？商業顧問的價值，會因此而改變嗎？

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。

顧問業正經歷一場深刻的市場變革

近期整體的顧問業正處於一個充滿矛盾與壓力的轉型陣痛期。

首先是，新合約增長乏力。以系統整合為核心業務的Accenture 面臨的狀況尤其嚴峻。最近的季度財報顯示，新的顧問諮詢預訂量已經連續第二個季度下降。

再來是薪資凍漲與績效標準趨嚴。業內觀察指出，MBB（麥肯錫、BCG、貝恩）等頂級公司可能面臨連續第三年凍結底薪的窘境。與此同時，許多公司正透過收緊績效評估來限制獎金發放並提高人員流動率，以應對成本壓力。

傳統顧問行業，到了必須改變商業模式的時刻

Catalant 顧問公司的執行長 Pat Petitti，同時也是《Reimagining Work》一書的共同作者認為：沒有退路了，必須要破斧沉舟地改變整套商業模式 (You have to change the business model. You have to make a dramatic change.)

傳統上，顧問公司的價值鏈，都是從大量耗時的基礎工作開始。例如資料搜集、市場研究、數據分析和初步的洞察整理，這些任務長期以來都是由初階的顧問來承擔。然而，生成式 AI 的出現，正迅速自動化並商品化這些基礎能力。

此外，AI 分析非結構化數據的能力（例如分析數千份開放式問卷的回覆），進一步侵蝕了傳統顧問在質化分析方面的優勢。整個研究流程，從問題定義到洞察產出，都可以透過 AI 進行端到端的效率優化。

過去需要一個團隊花費一週時間完成的分析任務，現在可能在十幾分鐘內就能完成。

AI 賦能後，顧問的個人能力變得更強，但是公司獲利卻大幅下降

這種轉變的背後，隱含著深刻的「盈利悖論, Profitability Paradox」。

閱讀全文

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

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

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