OpenClaw 創辦人 Peter Steinberger 的訪談近期在科技圈備受關注。這位曾建立 PSPDFKit 並獲 1 億歐元（約港幣 8.48 億元）投資的連續創業者，在「退下火線」後以一人之力建立 GitHub 上成長最快的開源專案之一，單月提交超過 6,600 次程式碼，產出量堪比整個開發團隊。然而真正發人深省的並非驚人生產力數據，而是他對人機協作本質的洞察：多數開發者使用 AI 寫程式時，仍執著「規格驅動」的工作方式，試圖透過撰寫詳盡指導文件，讓 AI 一次到位完成任務。Steinberger 認為這種方式根本錯誤。他的做法恰恰相反——開始時盡量少寫提示詞（Prompt），然後與 AI 進行大量快速迭代對話，在持續回饋循環中逐步逼近理想成果。
這個觀察表面上關於程式開發技術細節，實則觸及深層管理哲學問題：在充滿不確定性的環境中，「完美規劃」與「快速迭代」哪種策略更能帶領組織走向成功？
瀑布式開發的歷史教訓
軟件工程領域早在數十年前已用血淚教訓回答這問題。根據 Standish Group 發布的 CHAOS 報告長期追蹤數據，採用敏捷方法（Agile）的專案成功率約 42%，而傳統瀑布式專案成功率僅 13%。更值得注意是失敗率對比：敏捷專案完全失敗率約 11%，瀑布式專案則高達 59%。換言之，敏捷專案成功機率是瀑布式三倍以上，而瀑布式專案失敗可能性是敏捷專案五倍。
數據背後反映深刻的認知論問題。瀑布式開發假設我們能在專案初期完整掌握所有需求，並據此制定詳盡執行計劃。然而現實世界複雜性遠超人類預見能力。需求會變化、市場會轉向、技術會演進，任何企圖在起點鎖定終點的嘗試，註定與現實產生劇烈摩擦。敏捷方法論核心智慧在於承認不確定性必然存在，並建立一套能持續學習、快速調整的工作機制。
計劃經濟的結構性困境
若將視野從軟件開發擴展到整個經濟體系，會發現同樣邏輯在更大尺度上重演。20 世紀最宏大社會實驗之一，就是試圖透過中央計劃取代市場機制配置資源。奧地利經濟學派 Ludwig von Mises 早在 1920 年代提出著名「經濟計算問題」，主張社會主義計劃經濟在經濟上必然失敗，因為缺乏價格機制引導，中央計劃者永遠無法正確計算複雜萬分的經濟體系所需資訊。
蘇聯歷史軌跡印證這理論預測。雖然計劃經濟在特定領域取得過階段性成就，但由缺乏市場價格回饋機制，資源配置效率持續低落，創新動能嚴重不足。到 1980 年代，蘇聯在技術上已明顯落後西方，龐大總體國力陷入停滯。這不單是執行層面問題，而是系統架構本身的結構性缺陷：沒有分散式價格訊號傳遞供需資訊，沒有競爭壓力淘汰效率低下的生產者，沒有利潤激勵驅動企業家創新探索。
市場經濟優勢不在於能產生「完美」結果，事實上市場也會出現週期性波動甚至系統性危機。但市場真正價值在於它是一個持續學習、自我修正的分散式系統。價格機制如同即時回饋迴路，不斷將消費者偏好、生產者成本、資源稀缺程度等資訊匯總並傳遞給所有參與者，令整個經濟體能在沒有中央指揮下實現自組織協調。
VUCA 時代的策略轉向
當代企業面臨的經營環境，已被管理學界概括為 VUCA 世界——Volatile（易變）、Uncertain（不確定）、Complex（複雜）、Ambiguous（模糊）。這並非一時市場波動，而是數碼技術、全球化、地緣政治等多重因素交織形成的結構性特徵。McKinsey Global Institute 研究顯示，企業供應鏈平均每隔 3.7 年就會遭遇一次持續一個月以上的重大衝擊，而單一長期供應中斷可能抹去企業整年 30% 到 50% 的 EBITDA（息稅折舊攤銷前利潤）。
面對這環境，傳統五年策略規劃已顯得格格不入。那種試圖在起點繪製完整藍圖、然後按部就班執行的管理方式，本質上就是企業版「瀑布式開發」或「計劃經濟思維」。它假設未來可預測、環境穩定、計劃可被完美執行。但當這些假設不再成立，堅守這套方法論只會令組織與現實脫節越來越遠。
McKinsey 在組織敏捷性研究中，歸納出高績效組織在 VUCA 環境中共享的 18 項實踐特徵，其中包括：共同願景與目標、可操作策略指引、機會感知與把握、彈性資源配置、行動導向決策架構、快速迭代與實驗、資訊透明、持續學習等。這些特徵共同主題是：放棄對「確定性」執念，轉而建立能在不確定性中持續適應的組織能力。
AI 時代的人機協作範式
Steinberger 的 AI 寫程式實踐，正是這套哲學在個人生產力層面的具體應用。他將工作流程比喻為一場即時戰略遊戲：同時開啟多個程式碼儲存庫，讓 AI 在不同「戰線」並行工作，自己則扮演指揮官角色調度和監督。關鍵在於保持極短回饋迴路——不是等 AI 完成整個任務才檢視結果，而是在每個小步驟都驗證和修正。
這種工作方式之所以有效，因它正確理解 AI 能力邊界和價值定位。當前 AI 工具並非萬能「數碼員工」，而是強大「認知槓桿」。它們擅長處理定義明確的局部任務，但在需要品味判斷、全局理解、創意突破環節仍高度依賴人類介入。正如 Steinberger 強調：「AI 是槓桿，不是替代品。」那些試圖讓 AI 全自動運作的「代理編排系統」，往往只會產出「品質低劣的垃圾」。
企業部署 AI 工具時經常陷入誤區，期待透過詳盡規格文件或精密提示工程，讓 AI 一次產出完美成果。這種期待除了不切實際，也錯失 AI 真正價值。AI 最大貢獻在於能大幅壓縮「構思－實行－測試」循環週期，讓我們能以前所未有速度進行實驗、獲得回饋、迭代改進。從原型到可用產品時間，已從過去數週縮短到數小時甚至更短。運用這種速度優勢正確方式，不是減少迭代次數，而是增加迭代次數；不是追求一次到位，而是追求快速逼近。
建立組織的迭代能力
將上述洞察轉化為組織層面實踐，核心在於建立一套能快速學習、持續適應的運作系統。這不單是導入某些敏捷工具或方法論，而是需從策略規劃、組織設計、績效管理、文化塑造等多個層面進行系統性轉變。
在策略層面，這意味從「確定性規劃」轉向「假設驅動的探索」。策略不再是一份詳盡執行計劃，而是一組待驗證假設。歐洲商學院教授 Marc Baaij 提出的「策略映射方法」就是這種思維體現：將策略視為假設，在執行前先測試，並建立從執行結果回饋到策略發展的學習迴路。這套方法承認策略可能無法存活於 VUCA 現實衝擊，因此將適應性設計為系統內建特徵而非事後修正檔。
在組織層面，這意味賦權第一線團隊，讓他們能基於即時市場回饋決策。Microsoft 在 Windows Vista 失敗後轉型就是典型案例：公司建立擁有超過 700 萬成員的用戶群，實現快速回饋收集和產品迭代。這種做法背後邏輯是：在快速變化環境中，決策品質高度依賴資訊即時性，而最接近市場和客戶的人往往擁有最即時資訊。
在績效管理層面，這意味從「產出導向」轉向「結果導向」。傳統績效管理傾向衡量可見活動和產出，但在不確定環境中，更重要是衡量這些活動是否產生預期商業成果。這需要建立更短週期檢視機制，以及更靈活目標調整流程。正如 Steinberger 為每個開發任務設定可驗證目標，組織也需為每個策略舉措設定清晰成功指標，並在短週期內檢視和修正。
從工程師思維的侷限到決策者的覺醒
另外值得注意是「工程師思維的局限性」。工程師接受訓練是分析問題、設計方案、執行實施——這是一套高度結構化、講求精確控制的方法論。在確定性高、變數少環境中，這套方法論極為有效。但當面對複雜適應系統，這種「由上而下、事先規劃」思維反成阻礙。
許多企業決策者身上都能看到類似傾向。我們傾向相信只要投入足夠分析和規劃，就能找到「正確答案」；只要計劃足夠詳盡，執行就會順利；只要控制得夠嚴密，結果就能符合預期。這種思維在穩定環境中或許是美德，但在 VUCA 世界卻可能成為致命盲點。
覺醒第一步是承認：我們無法預知未來，但可建立快速學習能力。覺醒第二步是理解：在高度不確定環境中，快速迭代不是因為我們做不到完美規劃，而是因為這本身就是更優越策略。覺醒第三步是行動：從今天開始，在自己負責的每個專案、每個決策上，嘗試縮短回饋週期、增加實驗次數、擁抱從失敗中學習的機會。
結語：模糊的方向，清晰的迭代
回到 Steinberger 核心洞察：優秀成果不是來自完美起點規劃，而是來自持續對話和迭代。原則適用於 AI 輔助寫程式，也適用於產品開發、市場策略、組織變革，乃至個人職業發展。在充滿不確定性世界，真正競爭優勢不在於預測得更準確，而在於適應得更快速。
對企業決策者而言，這意味需重新審視習以為常的管理實踐。那些冗長年度規劃流程是否真的創造價值？那些層層審批決策機制是否拖慢我們對市場回應速度？那些追求「一次做對」的專案管理方式是否反而增加失敗風險？
答案可能不是完全拋棄規劃和控制，而是在規劃與適應之間找新平衡點。設定大致正確方向，然後快速前進；建立能快速自我迭代系統，包含回饋和驗證機制；對每步設定可驗證目標，從而實現快速前進。這不是放棄嚴謹，而是將嚴謹用在對的地方——用在學習和適應系統設計上，而非用在徒勞的未來預測上。
最終無論是開發軟件、經營企業還是規劃人生，核心邏輯相同：在不確定性中，快速迭代優於完美規劃。這不是需要證明的假設，而是需要實踐的智慧。
