第一章　金融化裁走的不是研發，是「不行」這個字

第一部　結構是什麼形狀 ｜ 📖 誰在門口收錢 ｜ 📖 單頁完整版

---

第一章　金融化裁走的不是研發，是「不行」這個字

楔子：一個被忽略的順序

大部分人以為，企業裁減研發是因為錢不夠。這個解釋太乾淨，也太安全。

真正的順序比這複雜一層。先是研發部門從開發新東西，變成維護舊東西。業界稱之為 PE（Product Engineering，產品工程），做的是既有系統的修補、客戶問題的排查、規格的微調。這個轉變靜悄悄地完成，不需要公告，也不會反映在財報上。

美國會計準則 ASC 730 在定義上，其實把例行改良、排除故障、為客戶調整既有產品都排除在研發之外；但這條界線由公司自己劃，而對外揭露只要求一個總數，不必拆分「開發新產品」與「維護舊系統」。¹ 不少公司損益表上那一行，名稱本來就是「研發與工程」。結果是，一家公司可以連續十年研發支出穩步上升，裡面卻沒有開發過一件新東西，外界完全看不出來。

空心化發生在裁員之前。

等到裁員開始，被裁的其實已經不是做研發的人，而是一群做著維護工作、掛著研發名號的人。「砍研發」聽起來觸目驚心，實際上那個部門早就不做研發了。

但這還不是最關鍵的一步。這一章要談的，是金融化真正想清除的東西：不是研發，而是「不行」這個字。

一、否決權才是目標

企業裡有一種能力，比開發能力更稀缺，也更危險：說「不行」的能力。

技術團隊最根本的功能，不是寫程式碼或畫電路圖，而是在管理層承諾一個時間表的時候，有資格、有數據、有底氣說出「這個做不到」。

這句話一旦說出口，數字就不好看了。

季度展望不好看，對投資人的故事不好看，執行長承諾的每股盈餘（EPS）路線圖也不好看。整條「宣布、股價反應、兌現、再宣布」的循環，會斷在第一步。

所以問題不在於研發人員貴，雖然他們確實排在薪酬名單的前段。問題在於，他們的存在本身，就是對不切實際承諾的一道制度性否決。只要這群人還在，每一份宏大的路線圖在內部都會碰到一堵牆：「技術上需要多久」這個問題，有人答得出來。

更麻煩的是，這道否決權成功的時候，沒有任何證據。被攔下來的錯誤承諾沒有發生，事故沒有發生，也就無從計算它避免了什麼；而它造成的延誤和「不配合」，卻每一筆都記得清清楚楚。預防的成功無法驗證，失敗卻可以點算——這種計量上的不對稱，第六章會再回來談（見第六章）。

純粹的成本裁員，會留下最便宜的工程師。否決權裁員，要清走整個能講話的組別。

二、置換，不是刪除

2013年，我在一家企業親眼見過一次完整的操作。

先把原來的研發團隊全部裁掉，然後換一批專案經理進來管研發，再從成本更低的地區招一批人做實際的開發工作。

三步完成之後，組織圖上的研發部門仍然存在，人頭數差不多，支出甚至可能上升——專案管理本身也需要成本，而多地協作帶來的溝通開銷，不會反映在財報的研發項目裡。所有外部指標都沒有走樣。

走掉的只有一樣東西。

專案經理受的訓練，不是判斷「做不做得到」，而是判斷「什麼時候交得出來」。一個時間表可以修改、可以延期、可以重新承諾，但它不會說「這件事根本做不到」。把專案經理放在研發的管理位置，就是把否決權換成排程權。

而從低成本地區招來的執行層，與決策層之間語言不通、文化不通，甚至時區不通。這不是執行上的瑕疵，而是結構上的效果：距離本身就是一道防火牆，讓「做不到」這個信號傳不到需要聽見它的人面前。上面承諾得出，下面只管做，回饋迴路就此斷開。

這是2013年的事，比 ChatGPT 問世早了將近十年。

三、那些看得見的數字

如果這只是個案，不值得寫。值得寫，是因為整個趨勢有數字。

經濟學者 William Lazonick 長年追蹤標準普爾500指數（S&P 500）成分公司的利潤分配。2003至2012年間，持續上市的449家公司，把盈利的54%用在股票回購，37%用在派息；留給所有其他用途——包括生產性投資——的，不到一成。²

到2025年9月為止的十二個月，S&P 500公司的股票回購創下紀錄，達到約1.02兆美元；同期派息也創紀錄，約6,649億美元，兩者合計的股東總回報約1.685兆美元。³

一個更精確的指標，是有多少公司透過回購，把計算每股盈餘所用的股數一年內壓縮了4%以上。這意味著回購的規模，已經足以直接托起每股盈餘，即使實際利潤沒有增長。2025年第三季，這個比例是17.1%；一年前，是13.6%。³

數字在上升。

Lazonick 與 Mary O'Sullivan 在2000年的論文裡，把這個轉變命名為從「保留並再投資」（retain and reinvest）到「裁員並分派」（downsize and distribute）：裁掉有經驗、通常也更貴的員工，把現金分給股東。⁴ 這不是他們觀察到的副作用，而是他們給出的定義本身。

四、承諾的結算期長過升遷期

理解了否決權的邏輯之後，一個更深的結構就浮現出來。

舉例來說，在這類企業裡，一個承諾需要十八個月才會爆開，升遷卻是十二個月一輪。承諾的人，永遠站在自己廢墟的上一層。

這不需要有人策劃，只需要兩個週期不匹配。宣布一個宏大的技術路線圖，股價反應，升遷；路線圖交付失敗時，承諾者已經不在原來的位置了。新上任的人面對前任留下的攤子，他的解決辦法是——宣布一個新的路線圖。

IBM 的「2015路線圖」（Roadmap 2015），是這個循環的教科書。2010年，時任執行長 Sam Palmisano 承諾，到2015年把每股營運盈餘做到「至少20美元」，並表明約七成的自由現金流會回饋股東，其中約500億美元用於回購、200億美元用於派息。⁵ 值得注意的是，這個「營運盈餘」本身就是公司自訂的非一般公認會計原則（non-GAAP）指標，剔除了收購相關費用和部分退休金成本。⁶

2011年10月，IBM 宣布交棒；2012年1月，Ginni Rometty 接任執行長。她拒絕放棄這個目標，繼續以財務工程維持：回購、壓低稅率、裁員、出售業務。單是2013年第二季，IBM 就為「人力再平衡」（workforce rebalancing，即裁員）認列了約10億美元的費用。⁷ 2014年10月20日，在一份令人失望的季報中，IBM 正式承認20美元的目標無法達成。⁵

注意時序。承諾的人在2012年初就離開了執行長的位置，吃承諾苦果的人那時才接手；從承諾到正式放棄，前後四年。

這不是比喻，而是一宗有公開日期的實例。

五、高學歷的過度承諾者

否決權被清除、承諾失去校準之後，另一種人開始進場。

博士的估算訓練環境有一個特性：問題定義由自己控制，範圍可以一路談判到交稿為止，失敗的成本延後而且分散。研究本身確實是無法準確估算的——這不是人格缺陷，而是工作性質。

斷裂點在於遷移。他們把研究領域的估算習慣，搬到了交付領域，而交付領域要求估算準確。

在否決權尚存的組織裡，過度承諾會被攔下來，技術團隊會說「這個時間做不到」。但當否決權已經被置換，過度承諾不但不會被攔，還會被獎勵，因為承諾在宣布的那一刻就已經入帳，失敗卻要十八個月後才結算。

再深一層：金融化的企業需要可信度。技術團隊被掏空之後，企業失去了在內部判斷技術承諾真偽的能力，需要一種外部的、可驗證的、經第三方認證的可信度來替代。

最便宜的可信度商品是什麼？一個學術身分。

它由第三方發出，有公開紀錄，外行人沒有資格質疑。把一個博士頭銜放在技術長或首席科學家的位置上，成本遠低於真正養一支工程團隊，而市場反應可能一樣好。

組織社會學者 James Westphal 與 Edward Zajac 研究過一種現象，稱為「象徵性管理」（symbolic management）：企業正式通過某項計畫，實際的投入卻與計畫脫鉤，象徵多於實質。他們發現，股票市場會對那些顯示執行長與股東利益一致的治理措施作出正面反應——即使這些措施從未真正執行。⁸

如果市場獎勵「宣布」而不獎勵「執行」，企業就有系統性的誘因去購買可信度本身。學術身分就是這樣被買進的：不是作為研發力量，而是作為一個信號。

就我所見，文獻研究過「象徵性地採納一項政策」，卻沒有研究過「象徵性地採納一個人」。這是一個空白。

六、一個環

把以上所有零件連起來，是一個環。

實體投資的回報率下降，引發股東價值導向。企業從保留盈餘再投資，轉向裁員加分派。最貴的——也就是最有經驗的——技術人員最先離開。剩下的研發開始否決不切實際的數字，否決讓數字不好看。於是研發被整組置換：不是裁掉，而是換一批沒有否決能力的人進來。承諾失去校準，需要外部可信度來替代內部判斷，高學歷者被招進來做信號。這些人的訓練讓他們習慣性低估交付所需，而組織的獎勵機制鼓勵過度承諾。交付失敗，再裁員以補數字，回到起點。

這個環還有一個自我保護的機制。看得穿的人通常留不下來，剩下的人不是看不到，就是受益者。於是「從來沒有份量足夠的人反對過」這件事，本身也成了證據——而這份證據，是由反對者的離場製造出來的。留下來的批評者會遇到另一種反應：「你只是妒忌。」這一招怎樣運作、為什麼難以反駁，留到第七章再談（見第七章）。

這個環的特點是：每一步都是上一步的理性反應，沒有一步需要有人做壞人。

這才是最需要認清的部分。不是有人惡意設計了這個系統，而是這個系統會自己走完這個圈。

七、每一輪技術，都附送一套敘事

名稱不變，內容被置換

研發部門還在，人頭數差不多，支出可能還上升了。年報裡的研發投入占比穩定，分析師報告裡「研發實力」四個字照寫不誤。

但裡面做的事，已經不是研發了。

我見過同樣的手法用在語言上：名稱不變，內容被替換，外人分不出來。研發的以假亂真，和語言的以假亂真，結構上是同一件事。

AI 在這裡扮演的角色，不是推動了這個轉變，而是給了它一個體面的名字。2013年，直接說「我裁掉整個研發團隊，換一批不懂的人」是說不出口的；到了2024年，說「我們用 AI 替代研發人力、提升效率」，不但說得出口，還能寫進投資人簡報。我在〈效率陷阱・續章〉裡寫過一句話：AI 不是原因，是牌照。⁹

技術是真的，敘事也是真的

先說清楚：AI 是真的有用。正如電腦是真的有用，互聯網是真的有用，一百八十年前的鐵路也是真的有用。說 AI 只是包裝、裡面是空的，並不是事實。

這一章要說的是另一件事。每一輪真正的技術進步，都會同時帶來一套金融敘事。技術是真的，敘事也是真的，兩者同時發生，卻不是同一件事。看懂這一點，才分得清哪些變化來自技術本身，哪些來自借技術之名的分配。

先看鐵路。1840年代英國的鐵路狂熱，數學家兼金融史學者 Andrew Odlyzko 認為是史上規模最大的技術狂熱之一。鐵路改變了英國，這沒有疑問。但當時已經有可靠的數字顯示，許多新線的預計客貨量撐不起承諾的收入，投資人照買不誤，買家之中包括達爾文和約翰・史都華・彌爾。¹⁰ 泡沫在1840年代後期破裂。鐵路留了下來，很多買股票的人沒有。

再看電腦。1987年，經濟學者 Robert Solow 留下一句名言：電腦時代隨處可見，唯獨在生產力統計裡看不見。¹¹ 電腦帶來的生產力，要到1990年代後半才在數字裡浮現；在那之前，它已經先成為一套說法。1990年，Michael Hammer 在《哈佛商業評論》發表〈再造工作：不要自動化，要徹底抹除〉，「企業再造」（reengineering）隨即成為1990年代裁員潮最常用的名義之一。¹² 前面 Lazonick 所說的從「保留並再投資」轉向「裁員並分派」，正是在那段時間全面鋪開。

然後是互聯網。1998至1999年間，一家公司只要宣布把名字改成帶「.com」，宣布前後十天的股價平均多出約74%的異常報酬，而且不論這家公司實際上和互聯網有多少關係。¹³ 泡沫在2000年破裂之後，同一批研究者發現反方向也成立：把「.com」從名字裡刪掉，股價同樣上升，宣布前後六十天的異常報酬約64%。¹⁴ 互聯網本身沒有消失，它在之後二十年重塑了整個經濟。但在1999年，市場付錢買的，往往不是技術，而是名字。

這正是本節開頭那件事的鏡像。研發部門是名稱不變、內容被換掉；.com 公司是內容不變、名稱被換上。兩者說的是同一件事：市場看的是標籤，結算卻要很多年後才來。

為什麼這一輪特別急

每一輪的節奏都在加快。英國鐵路從1830年代中期的第一波熱潮，到1840年代中期的大狂熱，隔了約十年。電腦從普及到 Solow 那句話，再到生產力真正浮現，前後也是十年以上。互聯網從1995年網景上市，到2000年泡沫破裂，約五年。

AI 只用了半年。ChatGPT 在2022年11月推出；2023年5月，IBM 執行長 Arvind Krishna 在彭博的訪問中表示，公司約26,000個不直接面對客戶的後勤職位，五年內有三成可以由 AI 和自動化取代，約7,800個，相關職缺的招聘會暫停或放緩。¹⁵ 公司發言人其後補充，並沒有全面凍結招聘。這家 IBM，就是第四節那家以「2015路線圖」聞名的 IBM。

快，本身就是一個機制。技術的好處要很多年才驗證得到，敘事卻在宣布當天入帳。這和第四節「承諾即時入帳、失敗延後結算」是同一個不對稱。技術來得越急，驗證就越追不上；在數字出來之前，裁員、重組、估值重估都已經完成。等到真正可以結算的時候，宣布的人往往已經不在原位。

所以「急」不只是這一輪的特徵，也是一把尺。下一輪技術來的時候，可以量一量：從問世到被寫進裁員公告，用了多久。間隔越短，敘事跑在技術前面的距離就越遠。

被誤讀了兩次的悲觀

主流論述說，AI 會像以往的自動化一樣，淘汰一批工作，再創造更多新工作，被釋放的人終將被吸納。每隔一陣子，就有報告宣稱多少萬個職位消失、更多萬個職位誕生，淨增長是正數。

我對此是悲觀的。但這種悲觀，常被歸類為盧德主義——害怕科技、抗拒進步。這是一個誤讀，而且誤讀了兩次。

第一次，是誤讀了盧德派本身。1811年前後，英格蘭中部和北部的紡織工人搗毀機器，但他們並不是反對機器，很多人本來就會操作機器。他們反對的是工廠主「如何使用」機器：用它繞過行會的品質標準、壓低工資、以未經學徒訓練的廉價勞工取代熟手。他們攻擊的是部署方式和利益分配。「盧德」後來被簡化成「反科技」，是勝利者寫下的版本。¹⁶

第二次，是誤讀了我的論點。我說的不是「科技令人失業」，而是「金融化透過科技令人失業」。兩者的差別，在於一個關鍵機制。

經濟學裡有所謂的補償機制：自動化省下的成本，會轉化為更低的價格、新的投資和新的工資，製造新的需求，從而吸納被取代的人。¹⁷ 工業時代大致如此運作。但這條管道有一個前提：省下的錢，會流回實體經濟。

金融化切斷了這條管道。省下的成本不再用於再投資，而是流向股票回購、派息和撐起股價——也就是前面 Lazonick 所說的「裁員並分派」。換言之，AI 並不是起點，只是加速器：一個早已不再分配的制度，拿到了一件更強大的工具。

至於那些「消失多少、創造多少」的數字，計算的是職位數量，而不是職位品質，更不是誰去填補。經濟學者 David Autor 研究過職位兩極化：中等收入的工作被掏空，被擠出來的人，多數往下流向低薪服務業，而不是往上。¹⁸ 所謂新職位，很大一部分只是讓人內捲、向下流動的假象。

Daron Acemoglu 另有一個概念，叫「平庸自動化」（so-so automation），指那些取代了人力、卻沒怎麼提高生產力的技術。¹⁹ 它沒有把餅做大，只是把收入從一群人手上，轉移到另一群人手上。

公平地說，主流最強的反駁是：歷史上每一次悲觀預測都錯了，今天大部分職業，在幾十年前根本不存在。所以這場爭論的焦點，不應該是「職位夠不夠」，而是「錢流向哪裡」。前者是主流的問題，後者才是我的問題。

AI 沒有發明這套玩法。鐵路、電腦、互聯網都當過同一個角色，下一輪還會有新的名字。

八、怎樣驗證

如果以上只是論述，它可以被另一套論述反駁。所以需要可以操作的驗證方法。這裡提出四個，都不需要內部資料。

第一，產品代際間隔。同一條產品線，兩代之間隔了多少年。間隔拉長，是開發能力流失的直接證據。這個數據公開、可查，而且可以跨公司比較。

第二，專利結構。首次申請案，與延續案、改良案之間的比例。延續案比例上升，是 PE 化的指紋：你在維護舊發明，而不是創造新發明。

第三，徵才廣告的措辭。職務說明（JD）不會有人為了投資人關係去修飾，它是內部真實需求的直接投射，而且有時間戳記，可以長期抓取。一家公司的資深工程師職缺，從「架構設計、從零建立」變成「維護既有系統、排查客戶問題」，就是空心化的第一手證據。

第四，高層任命公告的措辭。如果新聞稿花大篇幅講學歷、母校、發表紀錄，而不是講他要負責的具體交付，那個任命本身就是對外的信號，而不是對內的安排。

九、兩個需要處理的反論

第一，PE 化有時是正常的。一條成熟的產品線收縮開發、轉入維護，是合理的資源配置。區分病態與常態的界線，不在個別產品線，而在範圍：單一產品線 PE 化是正常的；所有產品線同時 PE 化，而公司仍然對外宣稱自己是技術公司，才是病徵。

第二，每一家公司的失敗，都可以找到技術上的解釋。IBM 是雲端轉型太遲，Intel 是製程判斷失誤，Boeing 是787的外包策略失敗。這些解釋都沒有錯。但它們解釋得了「為什麼會失敗」，解釋不了「為什麼在失敗的同時，還在大量回購和派息」。這是兩個不同的問題：技術失誤回答了第一個，金融化回答了第二個。

把這兩個問題分開，論證就站得住。

小結

回看這一章，PE 化、否決權、置換、路線圖、學術身分，說到底都是同一件事：在一個以數字承諾為核心的組織裡，「不行」這個字沒有位置。清走說「不行」的人，不需要壞人，只需要一個獎勵宣布、延後結算的結構；而每一輪新技術，都會給這個結構一個說得出口的名字，這一輪叫 AI。技術是真的，敘事也是真的；把兩者分開來看，才看得懂世界正在發生什麼。

這一章看的是公司裡面：省下來的錢，怎樣從研發和員工身上流走。下一章要看公司外面：同一筆省下來的錢，怎樣在你每天吃的東西上留下痕跡。

至於在這樣的結構裡被淘汰的人，應該怎樣看待自己，這個問題留到終章。

---

← 序　結構不需要壞人	📖 返回目錄	第二章　美心 →

Footnotes

1. FASB, ASC 730-10-50-1（揭露每期研發費用總額）；ASC 730-10-55-2（不屬研發的活動，包括例行改良、排除故障、為客戶調整既有能力）。條文引述見美國國稅局，"FAQs – IRC 41 QREs and ASC 730 LB&I Directive"。 ↩

2. William Lazonick, "Profits Without Prosperity," Harvard Business Review, September 2014. ↩

3. S&P Dow Jones Indices, "S&P 500 Q3 2025 Buybacks Post Modest 6.2% Gain to $249.0 Billion…", press release, 2025年12月18日。 ↩ ↩²

4. William Lazonick & Mary O'Sullivan, "Maximizing Shareholder Value: A New Ideology for Corporate Governance," Economy and Society, 29(1), 2000, pp. 13–35. ↩

5. "IBM: When a Company Veers Off the Roadmap", Advisor Perspectives, 2015年1月21日。 ↩ ↩²

6. IBM, 2013 Annual Report（Form 10-K, Exhibit 13）, Management Discussion, "Operating (non-GAAP) Earnings." ↩

7. IBM, "IBM Reports 2013 Second-Quarter Results", press release（Form 8-K 附件），2013年7月17日。 ↩

8. James D. Westphal & Edward J. Zajac, "The Symbolic Management of Stockholders: Corporate Governance Reforms and Shareholder Reactions," Administrative Science Quarterly, 43(1), 1998, pp. 127–153. ↩

9. 星忘塵，〈效率陷阱・續章：你以為你贏了〉，Mythogen Engine，2026年7月28日。 ↩

10. Andrew Odlyzko, "Collective Hallucinations and Inefficient Markets: The British Railway Mania of the 1840s", University of Minnesota, 2010. ↩

11. Robert M. Solow, "We'd Better Watch Out," New York Times Book Review, 1987年7月12日, p. 36. ↩

12. Michael Hammer, "Reengineering Work: Don't Automate, Obliterate," Harvard Business Review, July–August 1990. ↩

13. Michael J. Cooper, Orlin Dimitrov & P. Raghavendra Rau, "A Rose.com by Any Other Name", Journal of Finance, 56(6), 2001, pp. 2371–2388. ↩

14. Michael J. Cooper, Ajay Khorana, Igor Osobov, Ajay Patel & P. Raghavendra Rau, "Managerial Actions in Response to a Market Downturn: Valuation Effects of Name Changes in the dot.com Decline," Journal of Corporate Finance, 11(1–2), 2005, pp. 319–335. ↩

15. Brody Ford, "IBM to Pause Hiring for Jobs That AI Could Do", Bloomberg, 2023年5月1日。 ↩

16. E. P. Thompson, The Making of the English Working Class, Victor Gollancz, 1963；Brian Merchant, Blood in the Machine: The Origins of the Rebellion Against Big Tech, Little, Brown, 2023. ↩

17. Marco Vivarelli, "Innovation, Employment and Skills in Advanced and Developing Countries: A Survey of Economic Literature," Journal of Economic Issues, 48(1), 2014, pp. 123–154. ↩

18. David H. Autor & David Dorn, "The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market," American Economic Review, 103(5), 2013, pp. 1553–1597. ↩

19. Daron Acemoglu & Pascual Restrepo, "Automation and New Tasks: How Technology Displaces and Reinstates Labor," Journal of Economic Perspectives, 33(2), 2019, pp. 3–30. ↩