在不到二十年裡，作者買襯衫的方式從兩百年老店 Brooks Brothers，換到專程來訪的香港裁縫，再換到能線上下單、隔日到貨的 Bonobos。到了 2017 年，兩家地表最大的公司開始爭奪他的衣櫃：Amazon 推出只給 Prime 會員、一件僅 40 美元的自有品牌襯衫 Buttoned Down；Walmart 則花 3.1 億美元買下 Bonobos。

這看似只是消費趣聞，底下卻是更大的轉變：連「賣男士襯衫」這種極傳統的行業，本質上都變成了「有效運用數位科技」的行業。這不代表人人都該去寫程式，而是意味著——二十一世紀的競爭力，愈來愈取決於誰的軟體最好。

軟體時代與競爭規則的改變#

2011 年，創投家馬克・安德森（Marc Andreessen）在《華爾街日報》發表〈為什麼軟體正在吞噬世界〉。他主張每個主要產業都因數位科技而劇變，公司的成敗取決於能否適應並領導這場革命。幾年後回頭看，當年聳動的論點如今多已成為常識。

真正值得注意的，是這股力量如何在各行各業展開——電影、汽車、旅館這些「非科技業」，愈來愈由「誰最會用運算科技」來定義。

「每家公司都是軟體公司」，對經營職涯意味著什麼？「學寫程式」這種建議不算錯，但絕對不完整：許多人的腦袋天生不適合當軟體開發者，而且愈來愈多低階程式工作正淪為低薪的商品化勞動。

「每家公司都是軟體公司」，很不等於「每個人的工作都是寫軟體」。BP 再多的超算也仍需要石油工程師、化學家與會計；貝萊德需要會善用金融資料軟體服務客戶的交易員；迪士尼需要想出下一個十億美元角色的創意人才——他們很可能對資料壓縮或推薦演算法一竅不通。

但這也不代表非技術人員可以無視數位科技的核心地位。他們必須理解這些轉變，並且樂於且能夠調整自己的工作方式。

襪子改造與做西裝的機器人#

2007 年，工程背景出身的 Aman Advani 是名策略顧問，每週飛到客戶地點、每天工作十八小時。維持體面的正裝是個「痛點」——燙衣、送洗、汗漬讓他一天下來狼狽不堪；反倒是晚上換上 Nike Dri-FIT 運動服後，他覺得舒適又高效。於是他開始「改造衣服」：把黑色羊毛正式襪的腳掌剪掉、縫到 Dri-FIT 襪上，外觀像正式襪，包覆腳掌的卻是排汗的先進布料。

千里之外，MIT 化學與生物工程背景、熱愛跑步的 Gihan Amarasiriwardena 也在做幾乎一樣的事——用剪開的跑步衫布料縫製會排汗的正裝襯衫。2011 年 Advani 到 MIT 念 MBA，教授發現兩人志趣相投而介紹認識，他們與同學一起發起 Kickstarter，成立公司 Ministry of Supply（名字取自二戰英國軍需部）。

他們有些工作和任何服裝業者無異（跑去紐約成衣區找工廠與經銷商），但更多做法對這個行業極其陌生：他們用科技公司的方式開發產品——「最小可行產品」「迭代設計」「A/B 測試」。先小量生產五十到一百件，測試哪種布料與設計能引起共鳴，再決定量產。「很少時裝屋會在走秀前展示產品，我們正好相反。」

這也解釋了為何 Amazon 與 Walmart 的數位部門要來賣他襯衫。一個長期由工藝與體力主導的行業，正變成資訊經濟橫行的行業。贏家不會是勞力最便宜或門市最多的人，而是最會運用資訊來設計衣物、整合設計與生產、並用軟體控制生產的人。

那既有的老公司為什麼不轉型就好？Amarasiriwardena 說沒那麼簡單：他們得重構整個設計與生產流程。「今天做 Brooks Brothers 襯衫的工廠，沒有一家願意去買超音波焊接機，這點我們很確定，因為我們全問過了。」以 Gap 為例，那是要把一家 160 億美元的公司搬到全新的工廠布局、組一支半工程師半傳統設計師的團隊。「這不簡單，這是整個生態系的轉移。」

一位老派設計師在新世界#

Jarlath Mellett 是愛爾蘭人，1981 年帶著獎學金來到紐約，主修針織。90 年代中期他被挖角成為 Brooks Brothers 首任設計總監，替這家極保守、幾代人做著幾乎相同西裝毛衣的公司「調亮色調、搭配格紋、實驗免燙布料」。他也正是作者 2001 年上班時所穿那些 Brooks Brothers 襯衫的設計者。

但真正沒怎麼進化的，是設計工作本身的做法：Mellett 站在製圖板前手繪、縫樣衣，再把手繪圖與手寫尺寸規格寄給工廠——這和他 80 年代所學、和幾世紀來的時裝工作方式毫無二致。後來他到 Theory 時，做法才開始轉變：他仍手繪，但同事會把設計轉進電腦軟體，產出一份能跨部門共享的文件。

他一度對時裝界心生倦怠——地位競逐、一再做著幾乎相同的衣服卻硬把微小的顏色材質差異說成大事——於是 2005 年轉行做室內設計。直到 2013 年 Ministry of Supply 找上他做一個男裝西裝的自由接案。真正吸引他的，是「衣服可以是什麼」這個問題：「電話從轉盤機變成了這支 iPhone，衣服卻沒怎麼變。」

關鍵差別其實不在設計科技本身，而在底層的心態。「我們不會為了做而做，」Mellett 說，「必須有證據顯示客戶真的想要。我們做大量田野測試、聆聽客戶。」在他過去的時裝生涯裡，設計師幾乎從不與客戶互動，決策更像是「這是去年最暢銷的毛衣，所以照做就好」。

沒人會把 Mellett 誤認成軟體工程師——他至今仍偏好先用鉛筆畫初稿，再由更熟 3D 軟體的同事數位化。但他對擁有自己所無深度技術的同事，展現出真誠的尊重與熱情：做機器人針織西裝時，他花好幾小時坐在會寫機器指令的工程師旁邊，探索機器的能耐與限制。「這就是未來，我超興奮的——客製化。最終每個人都能訂到合身尺寸的衣服。」

作者從 Mellett 的成功，聯想到媒體業：有人在網路衝擊下蓬勃，有人早被買斷或裁員。存活者的共同點不是自己變成技術人員——許多最成功的網路時代記者根本不懂讓文字圖像顯示在讀者手機上的底層技術。

他們與 Mellett 共有的，是對新科技所創造機會的由衷熱情，以及一個認知：適應數位科技，不是把老方法稍微改一改照做，而是從根本重新想像整個工作流程與產品。

AI 時代：會計文員與園丁#

光有 Mellett 那樣的態度並不總是夠——這場革命的本質，就是讓某些工作與技能整個過時。若軟體突然變得很會設計衣服，Mellett 的適應力也幫不上忙。那麼，在電腦愈來愈聰明、機器人愈來愈靈巧的時代，一個人該如何擁有長久成功的職涯？

麥肯錫合夥人詹姆斯・馬尼卡（James Manyika）長年研究工作的未來。一個名為 O*NET 的研究計畫多年來拆解數百種職業的構成動作——例如零售店經理其實包含 21 項任務、24 種技術技能、23 種工作活動。馬尼卡團隊再把約 2,000 種任務，與「電腦現在及可預見未來能多有效執行它」交叉比對，畫出一張「哪些工作高度脆弱、哪些相對安全」的地圖。

令人意外的結論是：這不是「高技能安全、低技能危險」那麼簡單。職業內容的細節，比整體技能水準更重要。

再加上經濟帳：自動化會計文員只需標準運算平台與軟體（成本持續下降），園丁卻還得造出一台有許多複雜活動零件的實體機器。何況會計文員薪資更高、更專業難找，自動化更划算。最後還有「社會接受度」：沒人在意公司幕後怎麼記帳，但看到鄰居用巨型機器人修樹籬會渾身不對勁。

同樣的邏輯適用於教育與薪酬相近的工作：急診醫師像園丁（在流動環境中即興應變），放射科醫師像會計文員（以結構化方式運用知識，易被更聰明的軟體取代）；出庭辯護律師比整天審合約的律師更安全。

面對這種格局，經營職涯有兩條路：

• 一是主攻不易被自動化的領域——就是你行業裡「園丁」的對應物，因為它們的要求與電腦機器人的能耐背道而馳。
• 二是當自動化的人，而非被自動化的人——去塑造那些讓電腦取代會計文員、放射科醫師、例行合約律師的演算法。

第二條路要求成為本書前幾章所談的「柏拉圖最適勞工（Pareto-optimal worker）」：在會計與軟體工程、或醫學與影像技術、或合約法與自然語言處理上都有深厚知識。「我總是驚訝於，推動突破的人有多少是跨領域背景，」馬尼卡說，「供需對你有利，因為窄專才愈來愈容易找到。」

一個程式設計師和一個生物學家走進實驗室#

那麼，一個從單一專業出身的人，實際上如何把自己變成這種跨領域工作者？生技公司 Zymergen 提供了範本。

Erin Shellman 主修經濟與演化生物學，拿了生物資訊學博士，但她從不是「濕實驗室」科學家，熱情在於用電腦分析基因碼等龐雜資料。她先後在 Nordstrom 資料實驗室（做商品推薦演算法）與 Amazon Web Services 工作，卻覺得沒用上多年所學的遺傳學與分子生物學有點可惜。

Shawn Manchester 則相反——他在 MIT 攻讀化工博士時，是不折不扣的濕實驗室科學家，把「聚合酶連鎖反應」這種複製 DNA 的技術講得像藝術。但博士快畢業時他心生恐懼：他多年苦練建構酵母菌株，卻聽到 Zymergen 共同創辦人談要打造一個讓研究者「下單訂購基因改造酵母菌株」的平台。「這嚇壞我了，因為我很快就會沒工作——建酵母菌株很快會變成機器人做的事。」如果你花六年學鋼琴，卻正好有人發明了比你更神乎其技的機器鋼琴手呢？

打不過就加入。兩人都進了 Zymergen。公司由顧問／銀行家出身的 Hoffman、生物物理學家 Serber、生化學家 Dean 共同創辦。合成微生物對紅酒、啤酒、香水以及農業、能源、製藥等重工業都很關鍵，而這類研究傳統上就是靠白袍研究員拿著吸量管、費力嘗試，運氣好才有進展。

他們的願景，是用先進運算去解決「如何創造對社會更有用的新材料」這類其實很傳統的老經濟問題。但要做到，得讓 Shellman（資料科學家）與 Manchester（生物研究員）有效合作。「我在研究所學的分子生物學很有價值，但關鍵是——它單獨並沒有價值，」Manchester 說，「唯一能成功的方式，是與講著不同語言的人緊密合作。」

語言隔閡，在 Zymergen 與其他受訪公司被一再提及，是把科技應用於老問題的一大障礙。Manchester 隨口說出「確保你在沉澱物上方抽吸，只取上清液」，自動化工程師會回「你在說什麼？這完全沒道理」。生醫工程師 Sheetal Modi 說，與軟體工程師溝通時，重點是直搗問題核心，而非給太多技術細節：「我常想像在跟祖父母或五年級生講話，把事情濃縮成『我到底想做的核心是什麼？』」——這正是 Shellman 的強項：能吸收生物學家的資訊，翻譯給工程師與資料科學家。

人資長 Judy Gilbert 稱之為搭直升機（helicoptering)：在對話中上下調整技術細節的高度，以匹配對象與任務。「你要找到一個能真正把事做成的共同高度——有時得下探到細節去實作，有時得拉高去把故事講給別人聽、把他們拉進來。」

要有效搭直升機，需要正確的態度——真正的謙遜。Shellman 說：「你會不斷被折服。跟機器人專家、數學家、生化學家開會，每個人都是自己領域的專家，而你去那裡最主要是為了學習。若你抱著固定型心態，在這裡不會好過。」

創辦人 Dean 講過一次頓悟：他身為科學家，本能是像手動實驗那樣處理「如何改造酵母菌株」——從 5,000 個基因中挑最有希望的十個來改，再挑下十個。但 Shellman 意識到，他描述的問題更像軟體工程師早已用另一種方式取得進展的問題：搜尋。「資料科學的人會說：『等等，你有 5,000 個基因、近乎無限的變化方式？這不是照優先順序走一遍的排序問題，這是搜尋問題——因為我們對這片地貌的複雜度了解得還不夠。』」

像 Dean 與 Manchester 這樣的分子生物學家，把自己變成了「自動化的人」而非「被自動化的人」；像 Shellman、Modi 這樣的人，則把軟體與分析能力投向可能長久造福人類的根本研究，而非只是優化推薦引擎或投放廣告。

他們做到這一切，靠的是先看到轉角處即將到來的顛覆，搶先當變革的推動者而非受害者，並靠著開放、謙遜，以及依對方技術程度調整溝通方式的能力。這是每個行業終將因電腦變聰明而動盪的人的功課——也就是，我們所有人的功課。