「你這東西我不懂耶！你這系統很奇怪，怎麼每次都去調 A 控制因子，而不是 B 因子？這不符合邏輯啊！」

總部高層長官指著自動控制系統的決策報表，語氣充滿不信任的質疑。

站在會議室裡，我內心的白眼差點翻到後腦勺。
這套系統不是還在 PPT 上的理論模型，而是已經串接產線、自動控制穩穩跑了一整年的實戰系統。這一整年來，產品品質實打實地顯著提升，每天在中控室盯盤的現場課長、甚至管整個廠區的廠長，全都豎起大拇指認證好用。實務操作上，第一線現場的物理反應就真的是調節 A 因子最有效、也最常被觸發。

更諷刺的是長官口中念茲在茲的「B 因子」。
在總部高層的大腦認知裡，他們一直認定標準解法「就是要動 B 因子」。但實情是，演算法從數百萬筆數據的微小擾動中，硬是挖掘出了一條非傳統路徑：動 A 因子不僅能精準控好目標，還能在多變數耦合的物理關係中，連帶減少變數 C 的負面影響！

那麼，長官為什麼不知道這件事？
平心而論，高層長官的焦慮在工程管理上並非毫無道理——系統只看結果好，不代表控制過程沒有掩蓋其他物理隱患。高層的質疑本質上沒有錯，錯在他跳過了科學求證，直接用個人認知給現場定罪。

而這場認知落差的真正元兇，是組織內部的資訊斷層與溝通失靈。
現場關於變數 C 的控制問題早就卡住良久，機台老化的隱患、感測飄移的窘境，現場主管試了各種方法搞不定，這顆未爆彈就這樣被層層壓著、瞞著總部。結果，現場課長與廠長心知肚明這套系統動 A 順便壓制了 C、暗中救了產線，私下雙手贊成、用得合不攏嘴；結果坐在冷氣房、半年不進一次廠的高層長官看了一頁報表，只憑一句「這違反我的經驗認知，怎麼不控 B」，就打算把所有人死中求活的成果全盤否定。

職場上常講「用人不疑，疑人不用」；但在以數據驅動為本的轉型專案中，「信人」這兩個字，往往被嚴重誤讀。

信人的最高境界，從來不是盲信個人的威權地位，也不是迷信個人的老道經驗，而是相信一個「會用數據說話的團隊」，以及團隊背後所依循的「科學方法」與「實證流程」。

當組織無法建立「基於實證的授權」，轉型專案就會立刻陷入兩座互相對撞的極端高牆：

1. 前端工程師對內缺乏自信，想太多、做太少，不敢用扎實的數據替自己立論。
2. 後端決策者對外缺乏信任，拿自以為是的直覺凌駕客觀事實，用權威推翻系統。

在很多專案裡，工程師往往因為缺乏實證底氣而潰不成軍；但更諷刺的是，即使像我們已經拿出了扎實成果，依然得在長官的直覺與現場的隱情之間周旋。

第一重困境：對內缺乏自信——你的直覺難道會比現場專家厲害？

在專案開發期，最怕遇到新人抱著筆電，滿臉焦慮地跑來辦公桌旁，小心翼翼地發問：

• 「老大，這題我可不可以用隨機森林？」
• 「這個時序資料，我用 XGBoost 加滑動窗口行不行？」
• 「如果我把方法 A 跟方法 B 湊在一起，A+B 行得通嗎？」

每一次聽到這種問題，我都只想深吸一口氣，把 Nike 的經典標語直接貼在他額頭上：Just Do It.

很煩！真的不要再來問了！
你跑來問我能不能用，我只能告訴你：在工業現場，演算法從來沒有高低貴賤，只有能不能落地驗證。動手寫 Code 跑個 Baseline 驗證只需要半小時，坐在那裡瞻前顧後、抓破腦袋猜一個下午，連一行矩陣運算都不會憑空跑出來。

我帶人向來把原則講得很明白：身為資料工程師，你的底氣不是來自於挑選看起來很潮的演算法，而是來自於扎實的驗證數據。
後續該如何對齊 Domain Knowledge 做物理合理性把關、系統上線實體控制時的風險防護網要怎麼鋪，那是身為主管的我會去審查、去扛責任的事。但這一切的後盾，全都奠基於你前端到底跑出了什麼樣無可動搖的分析結果！

你既然有了假設，就請老老實實用數據去驗證它——不管是做探索性資料分析（EDA）、拉相關性圖表，還是直接把演算法丟下去跑測試，動手驗證就對了。

如果大家都光靠猜、靠腦袋空想，你憑什麼覺得自己這個半路出家的外行直覺，會比現場那些摸了機台三、四十年的專家前輩還厲害？

我要是事前就能鐵口直斷哪套演算法一定行，我早就去華爾街操盤了，還坐在這裡陪你抓 Bug？資料科學之所以冠上「科學」兩個字，核心就是實證精神。別再用哲學思考逃避寫程式，趕快動手做，數據跑出來，答案自然會告訴你。

第二重困境：對外缺乏授權——現場都驗證一整年了，長官還在拿直覺對賭

當工程師好不容易拿出了扎實的驗證，專案卻往往在下一關遭到真正的重擊——決策高層在客觀事實面前的傲慢。

身為專案舵手的主管與業主老大，理應具備「基於實證而授權」的魄力。這並不是要你盲目放手、完全不檢視資料的代表性或物理因果；但最讓人心寒的情境往往是：邊界控制做好了、數據邏輯理清了、甚至系統上線做自動控制跑了一整年，連天天泡在機台旁、深知產線暗黑祕密的現場課長與廠長都認可品質改善了——到了高層嘴裡，卻依然只剩一句：

「可是……這違反我的認知耶。怎麼不是控 B 因子？你這最新技術（神經網路、生成式 AI）有沒有試過？」

這就是傳統企業轉型最諷刺的黑色幽默：初階主管看結果，高階主管看直覺，但產線機台只看物理現實。

高層花大錢組數據團隊，很多時候不是要科學決策，而只是想要一份「符合自己直覺的背書報告」。當客觀控制的邏輯挑戰了他的既有認知，哪怕產線良率已經提升、哪怕現場主管全員背書，這套系統依然隨時可能被扣上一頂「邏輯奇怪」的帽子打入冷宮。

（後記：現場求生實錄）
面對這種長官，硬碰硬只會兩敗俱傷。
既然長官深信自己的直覺、堅持要看 B 因子的表現，現場主管又不敢承認 C 因子早就爛掉，那我們就乾脆把過去在離線測試階段「強行控制 B 因子」的歷史實驗紀錄調出來，白紙黑字攤給他看——數據明明白白顯示，動 B 因子的控制品質波動劇烈，整體表現真的就是比較差。
接著，我們順水推舟，在長官面前現場用系統再跑一次對比，同時在報表呈現上做了一點順應長官指示的表面微調。長官親眼看到了數據對比，面子給足了，尊嚴顧到了，質疑的嘴自然閉上了——這案子就這樣過關了。
回到底層，控制邏輯依然穩穩跑著我們當初算好的最佳解，繼續調控 A 因子。反正數據是真實的，良率是實打實的，而且這輩子絕對不會有哪個高層大老闆，真的願意親自穿無塵衣蹲在悶熱嘈雜的產線現場，拿計數器去數系統到底動了幾次 A、動了幾次 B。

如果老經驗有用，根本輪不到我們死中求活

這群決策者忘了一個最根本的商業前提：
今天企業之所以決定投入資源、從數據面切入做自動控制，就是因為現場累積數十年的傳統經驗已經走進撞牆期了！
如果老方法與個人經驗永遠有用，問題早就被解決了，根本不會落到今天必須用數據方法死中求活。正因為現場存在太多人類大腦難以兼顧的微小擾動、隱蔽缺陷與多變數耦合，才需要靠數據與演算法精準捕捉調控時機。

在風險可控、現場已經實證有效的前提下，請徹底相信數據，收起你的直覺傲慢。把球棒交給打者，閉上嘴巴，讓他好好揮棒。

結語：相信方法，而不是迷信權威

演算法沒有政治立場，數據不會阿諛奉承。

這一章名為「信人」，但信人的真正意涵，是主管相信團隊的科學驗證流程，而團隊用扎實的實證成果回報這份信任。

• 對工程師來說：收起沒自信的哲學空想，用動手驗證的客觀數據替自己打下立論底氣；
• 對管理者來說：既然決定跳進數據轉型的深水區，就收起自以為是的直覺經驗，學會信任團隊拿出來的實證流程。

別忘了，你那引以為傲的「直覺」，樣本數頂多就是你個人的幾十年經驗；而眼前這套自動控制系統吞下去並默默驗證了一整年的，是整條產線全天候跳動、數百萬點的物理現實。

拿個人的狹隘偏見去跟海量實證數據對賭？
三十億的學費，就是這樣一筆一筆燒出來的。

【下一篇預告】

既然市場上的千里馬這麼難尋，那我們自己挽起袖子來「培養」行不行？

在上一篇談「好奇心」時，我們聊的是懂技術的資料科學家，如何靠好奇心去敲開 Domain 的大門；那麼反過來，讓現場早已精通 Domain 的同仁，去補足數據與演算法技術，聽起來簡直是完美的解法。

但現實卻是一場災難。
演算法從來不是內訓的重點，合格的講師更希望學員帶著清晰的目標與先驗背景前來。然而企業內部的經典劇本往往是：報名費先繳、假單先批，連上課對象（TA）是誰、基礎落差多大都搞不清楚，人抓去教室再說——結果就是一群完全沒程式底子的現場專家，從打開 Anaconda 安裝畫面的那一刻起，就注定全盤毀滅。

下一篇，我們來聊：《【育人】自製千里馬的荒謬劇：當現場專家被卡死在 Anaconda 的安裝畫面》。