長久以來，知識的創造與傳遞過程，在商管教育領域，主要採用手工業的「工匠模式」。一個想法——例如，一個值得探討的商業決策——必須經過漫長而艱辛的過程，才能被打磨成一個可供教學的個案。這需要大量的時間投入、深度的資料探勘，以及最重要的——克服「空白頁的恐懼」。在平日已相當繁重的工作中，許多教學洞見，就這樣在萌芽階段消逝了。
上週，我與同事Meg，對，還有生成式AI，無意中摸索了三方合作模式與流程，讓我感受前述「有心無力，只能放棄」的狀況正在改變。
我們的這次合作，始於 Meg 的洞察。她注意到，人形機器人市場呈現出一個很適合教學的策略兩難：一方是技術翹楚波士頓動力，其 Atlas 機器人能做出令人瞠目結舌的跑酷與後空翻動作 ，在動態性能上樹立了難以企及的標竿。然而，這家技術上的巨擘，在商業上卻命運多舛，如同一件燙手的山芋，在 Google、軟銀與現代汽車之間幾經轉手 ，始終在尋找一個可行的產品市場適配（Product-Market Fit）。Atlas完美演繹了傑佛瑞·摩爾（Geoffrey Moore）所描述的「跨越鴻溝」（Crossing the Chasm）理論中的典型困境：一個為「創新者」與「早期採用者」打造的技術奇觀，卻始終無法找到通往「早期大眾」（Early Majority）這個主流市場的橋樑 。主流市場的用戶是務實主義者，他們購買的是完整、可靠且具備明確投資回報的解決方案，而非一個只會後空翻的昂貴原型 。
另一方，則是後進者特斯拉。在 2021 年的 AI Day 上，伊隆·馬斯克（Elon Musk）端出的甚至不是一台原型機，而是一個穿著緊身衣的舞者 。然而，相較於 Atlas 的技術力，馬斯克提出是是清晰商業目標：Optimus 的目標客戶，首先就是特斯拉自己 。它將被部署在超級工廠，解決生產線上的勞動力瓶頸，實現馬斯克「製造機器的機器」的終極願景 。這不僅僅是一個產品，而是其垂直整合工業帝國的一塊關鍵拼圖。這種「第一個也是最好的客戶」策略，完美複製了 SpaceX 發射服務與其主要客戶星鏈（Starlink）之間的共生模式 。
Meg 的個案巧妙地抓住了這個核心衝突，她想讓學生回到 2021 年的時空背景，運用「跨越鴻溝」（Crossing the Chasm）的理論框架，去思考一個問題：一個技術看似落後、但商業模式清晰的挑戰者，是否比一個技術遙遙領先、但商業路徑模糊的 incumbents（在位者）更有機會成功？這是一個絕佳的思維實驗，迫使學生在混沌未明的資訊中，辨識出策略選擇的真正本質。
在過去，若是有合作夥伴向我提出這樣的想法，我們的合作會是線性的。我會聆聽、消化，然後在幾週甚至幾個月後，提出我的觀點。但這次不同。在我們討論之前，受到她初步構想的啟發，我已經利用生成式 AI，建構了另一個平行但互補的個案版本。
我的版本，將視角從「跨越鴻溝」的內部視角，拉到產業競爭與地緣政治層面。我關注的兩難困境是：即使 Optimus 的技術願景得以實現，它是否能應對來自中國的全面競爭？
這個版本的個案，將時間點設置在2025年的此時，特斯拉面臨的嚴峻現實。首先是單位經濟效益的挑戰。根據摩根史坦利的分析，一台 Optimus Gen 2 的物料清單（BOM）成本約在 55,200 美元左右 ，其中致動器、感測器和螺桿佔據了成本的大部分 。然而，馬斯克設定的目標售價，卻是極具顛覆性的「低於 20,000 美元」 。這意味著約 66% 的成本削減目標，這不僅是工程挑戰，更是對整個供應鏈的重新定義 。
其次是來自中國的務實主義威脅。當特斯拉仍在追求通用型機器人的「登月計畫」時，像宇樹科技（Unitree Robotics）這樣的中國競爭者，正利用其成熟的供應鏈，以極具破壞性的價格（G1 機器人起價僅 16,000 美元）進行一場又一場的「商業短跑」 。他們不追求一步到位，而是務實地尋找短期商業應用，例如優必選（UBTech）已經簽下了價值 3,500 萬美元的商業合約 。
於是，當我和 Meg 坐下來討論時，我們兩人不再只有一個抽象的想法，而是兩個具體、翔實、儘管都只是「70 分」的個案初稿。一個聚焦於「技術採用與商業模式的抉擇」，另一個則聚焦於「產業競爭的抉擇」。
我認為這就是知識型工作的關鍵時刻。生成式 AI 在這裡扮演的角色，遠不止是一位高效的數位助理。它成為了我們兩人之間一個共享的、動態的「第三大腦」。它將原本需要耗費大量精力才能完成的資料搜集與初步建構工作，壓縮在幾個小時內完成，從而讓我們能將寶貴的認知資源，完全集中在更高層次的策略對話上。我們在 30 分鐘內的討論效率，可能勝過傳統模式下的數週。
我們能夠迅速比對彼此的框架，Meg 更清晰地闡述了她對特斯拉「大腦先行」（軟體優先）與波士頓動力「肌肉至上」（硬體優先）兩種不同開發哲學的洞見 。而我則基於她的啟發，進一步強化了我的論點：馬斯克的核心優勢，在於他是一位橫跨多個產業的「創業家式資源整合者」，他為 Optimus 提供了最稀缺的資源——一個真實、龐大且有支付意願的初始應用場景，這是波士頓動力歷任主人（無論是 Google 的 AI 假說，還是軟銀的願景基金）都無法提供的 。
於是，Meg的「跨越鴻溝」視角，剖析了企業在產品生命週期初期的內部挑戰。我的「產業生態系」視角，則描繪了企業在中長期發展中面臨的外部競爭格局。我們的討論迅速聚焦於一個關鍵連結點：馬斯克的天才之舉，在於他從一開始就為Optimus設計了一個完美的「內部灘頭堡」。
Optimus的第一個、也是最好的客戶，就是特斯拉自己的超級工廠 。這個策略，前例就是SpaceX發射服務與其主要客戶星鏈（Starlink）之間的共生關係 。這不僅為Optimus提供了一個可控的真實世界測試場域，使其能夠快速迭代並收集高品質的訓練數據，更重要的是，它在根本上解決了波士頓動力長期面臨的困境——缺乏一個清晰、迫切且願意為早期不完美產品買單的初始市場。
特斯拉工廠，就是Optimus跨越鴻溝的橋樑。它讓特斯拉能夠在一個受保護的環境中，打磨出一個「完整解決方案」，以滿足務實的早期大眾用戶（在這裡，就是特斯拉的製造部門主管）的需求。同時，這種深度的垂直整合，從自研致動器、FSD晶片到Dojo超級電腦的訓練引擎，也正是特斯拉應對外部生態系競爭、構築長期護城河的基石 。
從「工匠模式」到「敏捷策略」
這次經驗讓我們意識到，我們正在經歷知識工作流程的根本性重構。AI 的介入，正將一種靜態、線性的「工匠模式」，轉變為一種動態的「敏捷模式」。
AI在這裡扮演了兩個關鍵角色：
- 高效的「深度研究員」：它能在極短時間內，消化我們提供的參考資料與外部資訊，梳理出兩家公司十幾年的發展時間線、技術規格、財務狀況與策略演變，建構出一個事實基礎 。這讓我們能將寶貴的認知資源，從繁瑣的資料搜集，轉移到更高層次的框架設計與理論對話上。
- 敏捷的「原型設計師」：它能快速地將我們的策略觀點，轉化為一份70分的、可供討論的個案「原型」。這個有形的產出，是加速合作的催化劑。我們不再是空談，而是圍繞著兩個具體的「產品」進行比較、拆解與重構。
「70 分」的初稿，並非最終成品，而是我們的「最小可行性產品」（Minimum Viable Product）。它讓我們得以用極低的成本，快速驗證一個想法、一個框架、一個教學設計。我們可以在課堂上快速部署、收集回饋、然後迅速修正。我們可以預期在一年內，就能將這份個案打磨到 90 分的水準——在過去，這是一個難以想像的速度。
更重要的是，我們在整個流程中的角色也發生了轉變。我們依然是設計者、詮釋者與最終的決策者。我們定義問題，我們設定框架，我們引導對話。但我們從繁瑣的資料勞動中被解放出來。
我和 Meg 的經驗或許只是一個微小的案例，但這或許正是AI時代知識工作者最期待的工作模式。這次經驗給了我們一個啟示：知識工作的競爭優勢，可能不再僅僅取決於個人的洞見，而更多地取決於我們駕馭人機協作，與更廣泛的人際連結，從而加速知識資產生成與演化的能力。
未校稿的個案（使用時，風險自負 ^^）：
