《演算法》讀書心得：馬斯克的五步驟法

最近我在整理信用卡，起因很單純。我手上好幾張卡，每張的回饋方案都不一樣，有的刷海外比較划算，有的在特定通路有高回饋。我一直覺得該好好整理一下，但都還沒有動手，但最近，我就想說能不能這件事交給了 AI。

 

我打開對話視窗，把手上的信用卡名稱提供給 ChatGPT，我讓 AI 直接上網去找這些信用卡的回饋比例、年費這些資料，因為它查到的資料比我手動整理更完整。然後我把自己的支出紀錄也給了它，問它：
 

 

「依照我的消費習慣，這些卡怎麼搭配使用會有最高的回饋？」

 

AI 很認真地幫我算。它找出每張卡的回饋公式，建議我在哪些通路用哪張卡，甚至幫我排了一張消費的最佳組合表，我看了覺得很合理，就按照它的規劃進行一些信用卡的調整，但卻想不到發生了一件事情，打斷了這個節奏。



我有一張CUBE 卡 ，如果要使用它比較好的回饋方案，會需要額外開立這間銀行的帳戶，我花了滿長的時間去申請，結果它居然拒絕我開立帳戶。

 

這件事很有意思，信用卡本來是要鼓勵我們使用它的資源的，但它居然直接拒絕了。更有趣的是，我在這間銀行過去消費了不少金額，而且從來沒有延遲付款。它還是拒絕了。但現在那張卡對我的價值，在那個瞬間就沒了。

既然這間銀行不讓我開戶，使用好的利率，而我也不想再花時間糾結在申請流程上，直接跟 AI 說：「那我們就換卡，幫我找其他更適合的卡。」

 

這句話改變了我們討論的方向，因為 AI 不再局限於「我現有的卡」，而是反過來，從市面上所有信用卡裡，依照我的消費習慣和需求，找更適合我的方案。結果它找到了一張我之前根本沒考慮過的卡，回饋結構比原本任何一張都更貼合我的使用模式。

 

我停掉了兩張卡，換了一張新的信用卡。整理完之後，我重新回頭復盤整個整理信用卡的流程，忽然體會到一件事 ：

 

一開始我問 AI 的是「我該如何消費這些信用卡會有最高的回饋」，但其實前面應該還有一個步驟，有沒有更適合我消費習慣的卡片？前者是在現有選項裡優化，後者是把選項打開來重新選擇。

 

而這個順序的差異，讓我想到最近閱讀的一本書，喬恩 麥克尼爾 的 《演算法：馬斯克演算法5步驟, 推動特斯拉與SpaceX爆發式成長的祕密》 。



接下來，我想先聊聊 《演算法：馬斯克演算法5步驟, 推動特斯拉與SpaceX爆發式成長的祕密》 這本書裡，馬斯克的五步驟到底在說什麼，再回頭看我的信用卡整理過程哪裡有不足，最後在來談談「先刪再優化」這件事，為什麼不管是在個人生活還是組織管理裡，都比我們想像的更重要。

 

 

圖一：演算法書封

 

 

 

 

▍馬斯克的五步法：順序比步驟更重要

《演算法：馬斯克演算法5步驟, 推動特斯拉與SpaceX爆發式成長的祕密》 的作者 喬恩 麥克尼爾 在 2015 至 2018 年間擔任特斯拉總裁，是馬斯克最核心的高階主管之一。

 

這本書《演算法》的誕生本身就很有意思，艾薩克森 在撰寫 《馬斯克傳》時，麥克尼爾是重要的受訪者，在訪談中透露了這套演算法。但艾薩克森認為，這套系統沒辦法在人物傳記裡完整呈現，於是極力鼓勵麥克尼爾親自執筆，才催生了這本書。
 

 

書名裡的 《演算法》 ，不是寫程式的那個演算法，而是馬斯克在特斯拉和 SpaceX 內部反覆念叨的那一套工作方法。馬斯克自己說過：「每次一談到五步工作法，我就像老和尚念經一樣。」
 

 

這套演算法有五個步驟，看起來並不是什麼非常創新的工作方式，但關鍵不在於「做了什麼」，而在於「順序」 ：以下就是五個步驟，後面我們會一個個簡單說明 
 

• 質疑每一項要求

• 刪除所有你能刪除的部分和流程

• 簡化和優化

• 加快週轉時間

• 自動化

 

這裡有一個訪問 Jon McNeill 的影片 ， Why“Less”and“Simple”are the Smartest Growth Strategies ，歡迎你可以補充觀看  

 

 

圖二：演算法五步驟知識圖卡

 

 

第一步：質疑每一項要求

 

馬斯克要求團隊裡每一項需求都必須附上提出者的名字，像是不能是「法務部門的規定」，而是具體到是哪一位同事提出的。

 

他說，最危險的需求，往往是聰明人提出來的，因為沒人敢質疑。大家默認他比我聰明，他說必須有，那就留著吧。結果一代代傳下來，那個需求變成了不可質疑的鐵律，但提出它的人可能早就離職了，背後的理由可能也早就不成立了。

 

《演算法》 中提到特斯拉有一個真實案例，Model Y 車身底部最初由多個獨立鑄件拼接而成，各自有獨立的工序、設備和檢測流程。這套設計在行業裡沿用了很多年，所有人都默認「造車就是這樣的」。

 

 

馬斯克問：這五個零件能不能變成一個？工程師說不行，供應商也說不行。他說：再找。結果第六家供應商說：也許可以。這個「也許可以」後來變成了「真的可以」，Model Y 實現了一體鑄造，車身車間縮小了 30%，省掉了三百台機器人。

 

 

而這個靈感，馬斯克說他是在看孩子的玩具車時想到的：玩具車的底盤是整體澆鑄的，因為玩具不需要考慮工廠的複雜分工。

 

 

關於可以如何把選項再次攤開來檢視，我在〈重大決定怎麼選？用 EKB 決策框架，拆解哈薩比斯的關鍵選擇〉這篇文章裡，整理過一套比較完整的流程，你可以參考看看。


 

第二步：刪除所有你能刪除的部分和流程

馬斯克提醒團隊 ：刪完之後，如果發現有些東西還是要撿回來，那沒關係，但如果最後撿回來的部分超過刪除總量的 10%，就表示你一開始刪得不夠多。

 

他甚至說，真正的刪減應該是那種讓你輕微不安的程度。如果刪完之後感覺一切剛剛好、沒有任何遺漏感，那說明你還沒有真的開始刪。

 

《演算法》中提到，特斯拉有過一個「盒子套盒子」的故事。電池工程師給電池包加了一層頂蓋，用來保護電池 ；車身工程師在車底也加了一層底板，用來隔絕電池和車身的結構影響。


結果兩個團隊各自做了一件完全合理、完全負責的事。但疊在一起，變成了兩層保護、兩套成本、兩套生產流程。
 

 

馬斯克就問：能不能去掉一層？兩邊都說不行。他說：那就測試。結果去掉哪一層，對整車性能的影響都是零。於是果斷去掉一層，連背後的生產機器人也一併去掉。

 

 

第三步：簡化和優化

 

注意，這一步排在「刪除」之後。馬斯克說了一句我認為 《演算法》全書最精闢的話 ：
 

 

聰明工程師最常犯的錯，就是去優化一個根本不該存在的東西。

這句話之所以精闢，是因為它點出了一個大多數人看不見的陷阱 ：

 

我們面對一個有問題的東西，第一個念頭是「怎麼把它做好」，而不是「它應不應該存在」。

 

有研究者做過實驗，讓人們改善一首音樂、一個食譜、一個樂高作品，結果大多數人的本能反應都是「加」，加一句歌詞、加一種調料、加一塊積木。很少有人第一反應是「刪」。


心理學家 Gabrielle Adams 在 2021 年發表於 Nature 的研究中分析，其實刪除會需要更多的認知負擔，因為你得先判斷哪個東西不該在那裡，這需要理解整體，而不只是局部，是會比較花心力的。



 

第四步與第五步：加快週轉，然後才自動化

第四步是加快週轉時間。每個流程都可以加速，但只有走完前三步之後才能做。

 

第五步是自動化，這是最後一步。先質疑、先刪除、先簡化，然後才談自動化。

 

 

圖三：演算法五步驟順序的知識圖卡

 

 

 

▍ 順序不可逆：馬斯克自己也犯過的錯

《演算法》中分享的五個步驟看起來好像沒什麼很厲害，但馬斯克一直不斷地強調 ：

 

順序絕對不可逆 

但我們絕大多數人的直覺，恰好是反過來的，當我們一拿到問題就急著優化、急著加速、急著自動化，從來沒停下來好好的先思考這個東西是否應該存在與否 ？


 

其實馬斯克自己也犯過這個錯誤，《演算法》中提到，2017 年特斯拉 Model 3 量產時，因為他急著推進自動化，大量部署機器人，卻忘了先質疑「廣泛使用機器人的流程到底合不合理」。


結果生產線徹底大亂，機器人彼此互相干擾，零件報廢，交付嚴重滯後。他最後只能把工廠的一面牆拆掉，把數百台機器人搬出去換回人工。後來他說了一句話：
 

如果你正在為自己挖墳墓，不要挖得更快。停下來。

刪除的勇氣，和刪除的分寸

《演算法》有分享到，其實「先刪除」這件事，真的非常的不容易，分寸很難拿捏。而馬斯克收購 Twitter 也是一個很極端的案例。
 

 

2022 年 10 月，馬斯克以 440 億美元完成收購，當天下午就開始砍人，從約 8000 人一路砍到只剩極少數，裁掉了將近 85% 的員工。他問推特高管：

 

「推特有 2500 名軟體工程師，我在特斯拉的自動駕駛團隊只有 200 名，為什麼推特需要 2500 名？」

 

但是砍了也導致代價也跟著來了，在第一波裁員後，廣告系統出了故障，但負責那套系統的技術團隊都被裁撤掉了，沒人知道系統怎麼運作，最後只好拉下臉，聯繫被裁的人回來幫忙。

 

連馬斯克都刪過頭了。這真的讓我們更加的謹慎地去思考著 ：

 

刪除的勇氣和刪除的分寸拿捏，會是哪一個其實更困難 ？

 

 

 

▍回頭看我的信用卡：順序其實真的很重要

讀完 《演算法》 這本書，我重新回頭復盤了一遍整理信用卡的過程，才發現自己一開始就犯了馬斯克說的那個錯，跳過了「質疑」和「刪除」，直接跳到了「優化」。我最初問 AI 的是 ：

 

「依照我的消費習慣，這些卡怎麼搭配使用會有最高的回饋？」

但這個問題的前提假設之下是，在現有的選項裡，找到最佳組合。我在做的事，恰好就是 《演算法》 說的第三步，簡化和優化。但第三步之前，應該先走第二步：刪除。以及更前面的第一步：質疑 。


 

我應該要先質疑什麼呢 ？我其實應該要先質疑「我手上這些卡，每一張都該留著嗎？」

 

我沒有先好好的思考這個問題，我覺得自己手上每張卡都有存在的理由，像是這張刷海外回饋高、那張在特定通路有優惠...等等，每一張看起來都「合理」，就像特斯拉那兩個工程師，各自加了一層保護，各自都「合理」。但其實疊加在一起，是不是有些卡根本，相同的回饋，有一些其實是多餘的 ？


 

如果不是那張卡被銀行拒絕申請帳戶，我可能不會先去想到「刪除」這張卡片。那個拒絕恰恰好點燃的我的怒火，當我開始要執行「換掉」的那一個時刻，其實就是在做 《演算法》中裡第二步驟，要先去思考，砍掉一個可能會保留著的東西。

 

 

有趣的是，當砍掉之後，當我再次從市面上的信用卡裡去尋找時，居然找到更適合且回饋更高的信用卡，完全解決在原先有無法使用更好回饋的問題。這恰好印證了馬斯克那句話：

 

聰明工程師最常犯的錯，就是去優化一個其實可以不用存在的東西

 

我沒有真的先去先去思考，每一張信用卡到底適不適合我，適合的原因是什麼 ？不適合的原因又是什麼 ？而我直接跳過了這個審核，就去問怎麼搭配最好。

 

這也讓我想起，我在〈《10 倍成長思維》讀書心得：你需要的是策略，而不是更努力〉中，所整理過類似的思考。要先去調整策略，再去調整行動，是要做對的事情，而不是把事情做對。
 

 

 

圖四：演算法執行信用卡刪減的知識圖卡

 

 

▍ 亞馬遜的事前刪除法

其實我在閱讀《演算法》的五步驟時，讓我反思到，其實這並不只是一套工程流程，而是我可以如何用相同的方式，來面對已經運行已久的公司流程和制度，而我們到底可以用什麼的方法來檢視呢 ？

 

這讓我想起了亞馬遜的方法 
 

 

貝佐斯的兩個披薩團隊 ：讓多餘的流程沒有產生的機會

 

在亞馬遜內部有一個著名的原則，叫做「兩個披薩團隊」 ：就是如果一個團隊沒辦法用兩塊披薩餵飽，那這個團隊就太大了。我們大約換算下來大約六到十人為上限。


 

你會不會覺得這個原則邏輯很有趣，為什麼要這麼做呢 ？ 原因就是貝佐斯擔心當團隊變太龐大，或是流程變得更複雜了再去刪減，這會讓我們產生更大的成本與煩惱

 

所以與其這樣，那乾脆一開始就用規模限制，讓過於龐大的系統或是流程，沒有產生的機會。《演算法》的方法是，從既有的流程去刪減，而貝佐斯換另一個方式，是不允許規模變大，導致產生出更多不需要的流程。

 

很像一個是事後補救，一個是得要事前預防，但背後的邏輯是相似都，都是在優化之前，一定要先進行精簡。還記得歷史說過一句很有意思的話：

 

你如果想削弱一個組織的能力，最有效的方法就是加大它的人數。

據說當年凱撒和屋大維在羅馬搞改革，想削弱元老院，用的就是這一招，往元老院裡塞人，人一多整個組織就準備雜亂跟解散。所以貝佐斯才會認為，不要等到不要有了問題再來刪減，而是一開始就不允許太過於龐大，導致問題的產生。

 

 

圖五：導入AI 演算法的知識圖卡

 

▍導入 AI 之前，先問這個流程該不該存在

《演算法》的這五個步驟，也開始讓我反思目前公司的狀態，因為我在整理信用卡的經驗讓我意識到：
 

對公司流程的態度，跟我對信用卡的態度應該要相同，不能只是在想如何優化，更要先思考這些流程是否應該存在與否。否則，我就是在做《演算法》的那件事，去優化一個根本不該存在的東西。而 AI只會讓我優化得更快。

 

我越來越覺得，AI 帶來的真正契機，絕對不只是速度提升，而是要學會暫停，盤點那些長期存在、卻從來沒有人問過「為什麼」的流程，是否有存在的必要性。

 

就像我整理信用卡一樣，AI 幫我算出了每張卡的回饋公式，但真正的突破提升，是要先去反思信用卡的選擇是否正確。
 

 

導入 AI 也是如此。真正的改變，不是 AI 把舊流程加速了幾倍，而是在導入之前，我們應該要嚴格地問自己：這個流程，是否有保留的必要？

 

關於 AI 時代哪些能力不能外包出去，我在〈AI 時代要學什麼？我們不能外包給 AI 的高階思維能力〉這篇裡有更完整的整理，也歡迎你接著看。