「算得太盡，往往緣分就盡了。」
電話結束後，中控室的走廊只剩下遠處抽風機沉悶的低鳴，我對著暗下來的手機螢幕，忍不住發出了這聲感嘆。
電話那頭是車行老闆疲憊又認賠的苦笑。剛才那一通長達半小時的緊急通話，宣判了一件無比諷刺的事：那套我們耗費無數心血、在演算法上堪稱完美極致的排程引擎，最終在真實世界的利益博弈面前，被對方輕飄飄的一句話，徹底打回了原形。
在演算法的世界裡，凡事皆可最佳化；但在真實的商業世界裡，很多工程師與管理層常犯同一個致命錯誤：以為把老手的經驗挖出來、梳理成邏輯規則、在伺服器裡排出邊際成本最低的數學最佳解，就等於解決了商業問題。
但他們忘了，演算法是沒有溫度的，它的目標函數只有極致的壓榨；而真實世界的商業運作，靠的卻是生態系脆弱的利益平衡。審判專案生死的第一尺度，從來不是你的模型指標有多漂亮，而是這套商業模式與權力架構的「壽命」到底有多長。
當你用技術把下游合作夥伴當成無限耐磨的虛擬耗材時，你贏了算力，卻注定要輸掉整個賽局。
故事是這樣的：某家大型貨運車行（簡稱 D 車行），每天要處理海量來自各通路的貨運訂單，並將運送業務外包給旗下配合的數十家下游獨立車隊。
過去，D車行的派車調度全靠幾位老調度員叼著菸、看著白板人肉排單。但由於各家下包車隊的車型大小不一、收費計價模式不同、某些路線甚至有隱性的回程加價。理論上，在運籌學與組合最佳化的世界裡，每天一定存在著一組能夠達成「整體外包運費最低化」的金手指黃金排班。
人腦在幾百張訂單與幾十台車的排列組合面前，根本算不出來；但對現代演算法來說，這正是它的拿手好戲。
專案團隊進場後，耗費無數心力打造了一套智慧派工排程引擎。系統正式上線後，效果堪稱立竿見影、喜聞樂見——演算法精準地把每一張訂單塞進邊際成本最低的車趟裡，D 車行在外包運費上的額外毛利率，直接原地噴發了整整 8%！
8% 的利潤增量，在毛利薄如刀鋒的傳統物流業裡，簡直是天上掉下來的印鈔機。車行老闆笑得合不攏嘴，連續數了兩年白花花的銀子，甚至打算把這套系統當成智慧物流的標竿案例四處參賽宣傳。
直到第三年，事情開始不對勁了。
演算法每天在冷氣房裡高速運轉，每一次輸出「最佳排程」，本質上都是在做一件事：把資源利用率榨到極致。
兩年過去，底下的幾家主力下包車隊終於回過神來，聚在一起喝悶酒時越想越不對勁：
「奇怪，怎麼這兩年從 D 車行接過來的單子，每一單都特別『硬』？」
「路線繞得像迷宮、載運量塞得像沙丁魚罐頭，油錢磨損狂飆，最後結算下來，司機賺的利潤薄得跟一張紙一樣！」
原本人工排單時，老調度員礙於人情世故，總會「肥瘦相間」地派單——讓你跑一趟難啃的硬單，接著就會補你兩趟好賺的肥缺，大家在模糊的默契中維持著生態系的微弱平衡。
但演算法是沒有溫度的，它的目標函數只有一個：「成本最低化」。結果就是系統無情地把下包司機的每一滴油水與寬限時間全部榨乾，轉化成 D 車行財報上那漂亮的 8% 利潤。更致命的是管理層的貪婪——他們誤以為技術帶來的降本紅利可以單向獨吞，從未想過將省下來的利潤分潤補貼給第一線司機。演算法忠實地解出了數學極值，卻也在無形中替商業合作埋下了引爆的炸藥。
忍無可忍的下包車隊最終發動了集體反撲。幾位車隊頭子直接衝進 D 車行老闆的辦公室攤牌：
「老子不幹了！下個月開始，運費合約全面漲價 12%，而且每兩年一簽的承攬條款必須全部重寫，否則明天開始一台車都不會幫你出！」
（當然現場溝通沒有這麼赤裸裸，不過商業博弈的結局大概就是這樣，讓我們忽略這些細節。）
面對即將開天窗的運力與違約金，D 車行老闆在談判桌上毫無招架之力，只能摸摸鼻子認賠簽字。
回頭算算帳：
演算法辛辛苦苦幫車行省下的 8%，轉眼間全在談判桌上被討了回去，甚至還倒貼了 4% 的漲幅。
那些演算法在伺服器裡精算出來的微薄概率，最後全變成了談判桌上的索命符。
事後回頭翻程式碼，其實更諷刺的是：當初在演算法架構裡，我們原本就設計了一組「運算精細度」的超參數，專門用來控制排程要榨得多極致。
當初把設定介面交給調度現場時，我們只是柔性地在預設欄位旁加了一行防呆註記：「強烈建議此數值不宜設過高，以保留排班彈性與司機寬限時間。」畢竟在工程思維裡，賣車的原廠頂多只能宣導「建議不要超速」，總不能在出廠時就霸道地直接替車主鎖死速限吧？
結果現場在利潤誘惑面前，毫無懸念地選擇「直接把參數開到最大、油門踩到底」，直到把下包車隊活活逼反。這場風波過後，雙方重簽合約的代價，除了運費被硬生生調漲之外，另一條白紙黑字的剛性附帶條款，就是那組原本由現場自由調整的「精細度參數」，被內部治理規章強制釘死在一個極端保守的固定值，誰也不准再往上調。
這件事給了我極大的震撼：技術給了現場一把吹毛求疵的快刀，現場就真的會拿它去把合作夥伴凌遲到皮開肉綻，直到整套生態系瀕臨崩潰，大家才狼狽不堪地回頭把安全防護罩焊死。
回頭檢視這起案子，技術團隊到底做錯了什麼？難道把老司機的經驗挖出來、做成規則資產化是錯的嗎？
當然不是。把隱性暗號梳理成系統邏輯，讓排程不再依賴特定個人，這自始至終都是正確且必要的工程。真正的致命盲區在於：我們以為在封閉的伺服器裡解出了「數學最佳解」，就等於解決了「真實商業問題」。
在博弈論的視角下，一場健康的商業模式必須是「重複賽局」——維持上下游生態圈的動態平衡，大家都有飯吃，遊戲才玩得下去。
然而，當技術團隊與管理層滿腦子只有「壓榨效率、降低外包支出」時，演算法不知不覺就變成了一把單向收割的鐮刀：
利潤分配失衡：透過技術擠出來的 8% 紅利，車行百分之百獨吞，承擔更多路線繞行與體力耗損的司機卻連一分錢油錢補助都沒拿到；
忽視運力的實體邊界：演算法把運力當成了永遠隨叫隨到、無限耐磨的虛擬算力，卻忘了卡車會折舊、司機會疲勞、人是有情緒的；
錯估替代成本的代價：管理層以為自己握有訂單就是老大，卻忘了特殊車種與合格司機在區域市場內具有不可替代的剛性稀缺性。
這就導致了一個極具諷刺意味的結局：技術在局部戰場打了一場無可挑剔的漂亮勝仗，卻在總體商業賽局中引爆了盟友的集體叛變。
你問這專案虧了嗎？運氣很好，因為前兩年的高利潤，系統在第一年內就把開發成本打平了，表面上勉強算死裡逃生。但第三年新合約一簽就是兩年、運費直接倒貼 4%，加上每月雷打不動的軟硬體保固維運支出，幾年攤提下來，全案拉長看依然陷入了微幅失血。
在軟體工程的術語裡，工程師會自我安慰地稱這叫「需求變更」；但在冷酷的商業現實中，這只有一句話：
「企業的商業利益結構崩塌了，當初承諾的財務亮點全面蒸發，你寫的程式碼隨時可能淪為昂貴的數位垃圾。」
經過這次的維運教訓，現在面對任何技術提案，我都學乖了：
走進會議室，我評估的第一順位不再是「你的模型有多聰明、覆蓋率有多高」，而是「這套商業模式與背後權力結構的『壽命』到底還有多久？」
這並不是說商業環境會變我們就不做，而是如果你的系統缺乏彈性、搞不清楚背後的利益博弈，當真實世界的商業模式一個急轉彎時，你的尖端技術就只會硬生生撞死在牆壁上。
至此，我們走完了「效益評估」最殘酷的四大分水嶺：
分水嶺 1（指標與決策脫鉤）：當戰情室儀表板無法導出處置動作，缺乏回寫閉環與動態管制界限，耗資數百萬打造的系統就只是一張不能驅動流程的「數位壁紙」。
分水嶺 2（持有總成本黑洞）：當持有總成本冰山浮現，高昂的算力消耗、感測器折舊與資安升級，讓專案微薄的邊際效益瞬間被剛性維運成本吞噬，陷入「呼吸即虧損」的植物人陷阱。
分水嶺 3（局部最優的連鎖災難）：當演算法只死盯單一指標瘋狂衝量，忽視上下游負載與設備物理極限，短期看似提速，代價卻是機台提早報廢與全域塞車，成了「降本失敗的昂貴墓誌銘」。
分水嶺 4（商業模式才是最終勝負手）：當演算法算得出最佳排程概率，卻算不透既得利益者的博弈人性，演算法幫你省下的每一分錢，最後都成了談判桌上的索命符。
演算法在算盤前被下包狠狠上了一課，帳面承諾的節省效益被全數打回原形。但你若問我：這套被重創的系統，後來在車行裡到底被拔線廢棄了沒有？
答案卻極為出人意料——它不僅沒死，反而在幾年後一場大環境的滔天巨浪中，成了全公司不可替代的生存靠山。
前面聊的四道分水嶺，都是在算盤前被砍頭的案例。但職場最魔幻的，往往是那些「根本不用算、也沒人敢算」的特例。
只要掛上「工安第一」或「強化企業韌性」這種神聖口號，再平庸的專案，都能瞬間喜獲免死金牌。
但脫掉公關宣傳的華麗外衣，真相往往極其扎眼：大風大浪來臨時，你的系統到底是一扯就破的「外掛飾品」，還是現場沒它就活不下去的「原生靠山」？
下一篇，我們來掀開管理層最神聖的那件遮羞布：
《第二十三章｜有一種效益是「長官覺得有」：而「韌性」就是你最華麗的國王新衣》
iThome鐵人賽
看影片追技術