近期我們正趕一個短期的里程碑，雖說是「短期」，實際上也將近六週的時間。這段期間內，團隊因為一些突發因素，導致部分開發需求激增。最終我們在十月中旬決議，將原本委外的作業全數收回，由內部團隊自行接手開發。
這項決定雖然是由部門同仁共同討論而成，但為了趕上進度，我們也已連續四週進入密集加班的模式。前兩週平日的加班時數偏長，但在滾動調整後我們發現，最後半小時到一小時的工作效率顯著下降，於是進行修正，將最近兩週平日的加班時間控制在兩小時左右。這樣的安排也接近了每月加班 46 小時的上限。
然而在這樣高密度的工作節奏下，團隊的疲累感與士氣也持續下滑。別說是同仁，就連身為部門主管的我，也感受到前所未有的疲憊。在這樣的狀態下，難免會出現一些溝通上的摩擦與誤解。
這幾日透過一對一的會議，我試著更了解同事們的處境。身心健康問題，毫無意外地成為最直接的反應。令人遺憾的是，昨天已有同仁因身體吃不消而請假，我們最終還是認為，健康比進度更重要，先休息、把身體養好才是首要。面對進度的壓力，我無法逃避身為主管的責任，但當同仁因此病倒，我的心情除了無奈，更夾雜著歉意與自責，實在不知該如何妥善的處理。
在這些對話中，有個很常被提到的問題也再次浮現。許多同事會問我，某些同事或其他單位的人，似乎都很忠於自我，凡事以自己的步調為主。這樣的做法固然直率，但往往會帶來額外負擔，甚至還得協助處理他們留下的爛攤子。
他們常問：「那我們是不是也可以比照辦理？」
對此我通常很難直接定義「忠於自我」是對是錯。就我個人而言，我當然希望團隊能夠協作、彼此支援；但我也理解，每個人性格與觀點不同。若對方已完成了公司最基本的規範，或根本不是我們單位的人，那我也無從置喙。
我始終相信，每個人都應該為自己的選擇與表現負責。工作上的每一份投入，都是職涯累積的一部分。若想讓一個團隊能朝共同目標努力，最根本的是要理解「人性」。
在把團隊從零慢慢帶到穩定的那段時間裡，我們的心力大多放在流程的建立和文化的塑造。大家一起摸索，磨出默契，也在一次次的專案中，找到屬於我們的節奏。等到團隊逐漸成熟，開發效率穩定、專案可以預期、協作也較順暢之後，接著會開始遇到另一種瓶頸。我們會發現專案的執行與管理顯得順手，雖然問題不會因此越來越少，但這些事情不用提醒也都能自動運作。而在此同時也會察覺有些東西似乎沒有突破，那是一種往前的動能慢慢停住的感覺。
這個時候，困住大家的往往不是技術能力，也不是管理的思維，而是每個人看待工作的視野還停留在自己的那個位置。大家都能把事情做好，卻不一定知道為什麼要做這件事，或需要提前作哪些準備，也還沒有習慣去思考更大的藍圖。這就是團隊開始從管理邁向經營思維的關鍵時刻。
所謂的經營，不是要每個人都變主管，也不是要大家放棄技術上的持續成長。而是希望每個人在面對工作的時候，不只看到自己手上的任務，而是能同時看到公司的目標、產品的方向、使用者的需求、市場的變化，甚至可以從這些線索裡找到機會和突破口。這是一種視野的擴張，也是讓每個人都能在自己的角色裡發揮更大影響力的方式。
李飛飛的 World Labs 在前幾天推出了首款商業化產品Marble，這是一個多模態的 3D 模型，也是生成式 AI 的重大發展。大家對 AI 的想像，近兩年幾乎都被 LLM 帶著走。不管是生成文字、整理資料、重構知識、寫程式、當客服、當助理，大家一開始用的時候都會覺得不可思議，後來也逐漸習慣了這一切。然而多數人還是把 AI 視為一個語言工具，覺得它聰明，是因為它懂得「用文字回答我們」，而不是因為它真的懂這個世界。
但現在開始發生的，是比 LLM 影響更大的事情，這是多數人還沒感受到、甚至還來不及理解的變化，那就是空間智慧的出現。我的意思不是把相機、深度感測器放進產品，而是 AI 能開始真正理解三度空間的結構、物體的關係、場景的語意，能推測人與物體之間的行為，不再只活在文字或影像的平面上，而是能在一個完整立體的世界裡思考和行動。
很多人會以為空間智慧就是把特斯拉 FSD 變得更厲害，或是把 NVIDIA Omniverse 做得更精準，但實際上它們的定位與空間智慧是完全不同的。特斯拉的自動駕駛算是空間技術的代表，可是它的世界很狹窄，它只需要理解道路、車流、行人的動向。它處理得再好，也依然是在道路這個單一場域裡求生存。Omniverse 雖然強大，但它本質上是一個「模擬平台」，是給開發者訓練模型、測試機器人、建立數位分身用的，它不會自己理解一個場景的日常邏輯，也不會像人一樣對這個世界形成完整的認知。
空間智慧不是提升某一個垂直領域，而是讓 AI 具備真正的「世界理解力」。它不但能重建環境，也能推理行為，能預測動態，能在虛擬的世界生成物理一致的空間，甚至能把真實世界的結構抽取起來，用於模擬、推演，最後再回到現實場域裡幫助我們決策。這是一種新的 AI 型態，也是一種新的存在方式。
這三年生成式 AI 的發展像一道突然落下的雷，清楚地劃開了舊時代與新時代的分界。當科技突破的速度遠超過社會的反射神經時，許多原本以為還需要好幾年才會到來的變化，在短短不到兩年的時間內全部出現。史丹佛團隊的研究報告更把這場衝擊具體化，用冷靜而詳實的數據告訴我們，AI 不只是技術發展的現象，而是正在重塑勞動市場的結構。
報告裡最讓人震撼的，不是人工智慧能力不斷提高，而是它帶來的就業變化。年輕族群在那些高度暴露於 AI 的職務上，明顯地消失了十三個百分點。這不是一般的景氣循環，也不是某個產業的輪迴，而是一種整體結構的轉變。企業開始重新分配工作，把標準化任務交給 AI，保留那些具有經驗與判斷力的資深員工。結果看起來像是某一塊年齡區間被切掉了，初階人才正在逐漸失去入場券。而這樣的斷層，所帶來的影響也難以評估。
令人不安的是，衝擊不是慢慢累積，而是突然發生。報告指出這是一個明顯的轉折點，當企業確認 AI 能勝任某些任務後，新人的需求就快速縮減。薪資並沒有下降，因為沒有企業願意調整現有員工的薪水，取而代之的是直接減少新聘（而股市還會因裁員而反漲）。從外表看不太出來，但勞動市場的底層已經被鏟動。雖然總體就業還在成長，只是這個成長裡面，新進者的身影變得稀薄。
這種現象跟產業景氣沒有太大關係。即使把科技業排除，結果依然相同。這也說明 AI 的衝擊是跨產業的，任何具有明確規則、可被模仿的知識型工作，都在這波重整裡受到影響。許多原本是新人鍛鍊的場域跟職缺，如今卻成了 AI 最容易伸手的地方。
近兩年大家談生成式 AI，往往停留在模型能力的討論（例如它等同於哪個等級的專業人士表現），但真正在生活與工作場域裡遇到的問題，往往不是一句「用 LLM 就能解決」這麼簡單。最近 Claude 公布了一整頁案例展示，收錄了四十個來自不同領域的實際情境，從品牌設計到專案管理，從工程開發到內容彙整，每個案例都把 LLM 在現場解決問題的方式呈現得很具體。這些案例非常平實，就是你我平常都會遇到的那些麻煩事。像是要從一堆零散資料裡整理出可以向主管提報的重點、要把模糊的需求轉成工程師看得懂的規格、要把訪談內容拆成洞察方向、要把一份文件變成其他格式、要把內容改寫成簡報稿，甚至只是想把一團亂的資訊整理得清楚一些。看著這些案例，我覺得最重要的不是功能本身，而是它們展示了 LLM 如何接手那些你不想花太多腦力、卻又無可避免必須完成的事。除了告訴我們可以用在哪，也實際展現了該如何套用。
以往我們處理這些工作，靠的其實是經驗累積出來的判斷力與耐心，很多時候只是花時間把資料從混亂變成可讀。然而 AI 的介入，讓流程開始重新排列組合。它並不是取代創意，也不是接管決策，而是協助我們把那些需要反覆判斷、但不需要百分之百精準的部分先處理起來，把繁瑣的雜音清掉，使大腦能留給真正需要用心的地方。過去我們做事的順序，通常是先收集資料、整理架構、分析內容，最後才是決定方向和完成產出。現在這個流程變成有點像先把資料丟給 LLM，讓它產出一個初步架構，再從它給的方向裡挑選自己認同的部分，接著把重點交回給它延伸細節，最後再用自己的經驗把整體修整到位。
