淨資產：約 7000 億美元。
以 1 美元兌 160 日圓的匯率計算，超過 100 兆日圓。
賣電動車的人、發射火箭的人、用衛星把通訊覆蓋全球的人、甚至還創辦了自己 AI 公司的人。
那個人就是 Elon Musk。
2026 年 2 月，SpaceX 併購了 xAI（開發 Grok 的公司）。整合後的估值為 1.25 兆美元。火箭、衛星、生成式 AI 與 X 合而為一。
他是站在 AI「製造」端的人，而不只是「使用」端。
聽到這裡，很多人會想：
「反正他就是無限制地使用世界上最好的 AI 吧。」
我以前也這麼想。
但有件事引起了我的注意。
Musk 近 20 年來持續在他旗下的公司裡強調一套稱為「The Algorithm」的五個步驟。無論是工廠還是火箭，他都堅持必須按照這個順序執行。
第 5 步——最後一步——是「自動化」。
我再說一次。就是最後。
更進一步來說，他也對自己沒有遵循這個順序的時期做過反省：
工廠最大的錯誤，就是從一開始就試圖自動化所有的流程。
2018 年，才剛從 Model 3 的量產地獄中脫身，他就發文說：
Tesla 的過度自動化是個錯誤。精確地說，是我的錯誤。人類被低估了。
全世界在 AI 上下注最多的人，竟然在說「不要先做自動化」。
老實說，現代 AI 應用的完整答案，就藏在這裡面。
這篇文章很長，如果你想之後再回顧，建議先儲存起來。
先說一個快速通知
明天 7 月 31 日（星期五）下午 6:00，我會在 Brain 上販售一個能自動生成 Slides 的技能。
這是我第一次上架 Brain。
我個人現在已經不再用手工製作研討會資料、課程內容或銷售頁面的任何一張投影片。只要給它一個主題，從架構到視覺呈現都會自己跑出來。
靠著用這個技能高速製作大量贈品，我的 OpenChat 名單人數即將突破 2000 人。
用途無窮無盡，如果你想在短時間內大量產出 Slides，請追蹤並耐心等候。
價格定得非常便宜——大約是鄉下一頓午餐的價錢。
通知到此結束。讓我們進入正題。
Musk 的「Algorithm」正是使用 AI 的方法
首先，列出這五個步驟：
- 質疑需求（那個條件真的有必要嗎？）
- 刪除（先試著刪掉部分或整個流程）
- 簡化（只精煉留下來的部分）
- 加速（縮短循環時間）
- 自動化
Musk 反覆強調要按這個順序執行。理由很明確：
聰明的工程師最常犯的錯誤，就是最佳化一個根本不應該存在的東西。
最佳化一個不該存在的東西。
把這句話換成 AI 的語言，就完全吻合了。
很多人使用 AI，是突然從第 ⑤ 步開始的。
他們把目前的工作直接丟給 AI。調整提示詞來提升精確度。把它做成模板以便重複使用。
確實變快了。但那可能只是用高速持續執行不需要的任務。
這不是能力的問題。是順序的問題。
你用 AI 得不到成果，不是因為 AI 不夠強。而是因為你在自動化那些應該被刪除的任務。
接下來介紹的 7 個方法，全部都是在談這個哲學的內涵。
方法 ① 讓它回答之前，先問「這個問題有必要嗎？」
第一個方法最不起眼。但它也是最有效的。
你是不是讓 AI 直接切入主題？「寫這份企劃書」「摘要這份文件。」很常見對吧？
Musk 這樣描述演算法的第一步：
讓需求更聰明。無論提出需求的人多聰明，裡面總有一些愚蠢的地方。
他接著說：
聰明人提出的需求最危險，因為你會毫不質疑地接受。
他甚至嚴格到禁止在公司內部說出「這個需求是法務部門來的」「這是安全部門的指示」這樣的話。
他堅持需求必須掛上個人的名字。因為藏在部門名稱背後的需求，會在沒有任何人在意的情況下繼續存活。
這一點可以直接套用在 AI 上。
我接下來會寫下我要做的任務。首先，列出這個任務所有的「假設」，包括我自己沒有意識到的。接著，針對每一個假設問：「這真的有必要嗎？是誰決定的？」現在還不需要給答案。只要按照我應該質疑的順序，把假設列出來就好。（在此插入任務）
馬上動手的人，與先拆解假設的人——產出的結果會完全不同。
方法 ② 在委派之前，先想想能不能「刪掉」
第二步更激進。
用 Musk 的話來說：
如果你刪完之後，不需要把刪掉的東西至少加回 10%，那你就是刪得不夠。
以「刪完再放回 10%」為前提來設計。換句話說，要刪到過頭才是剛剛好。
象徵他設計哲學的一句話是：
最好的零件，就是沒有零件。
在火箭上，如果拿掉一個零件，那個零件故障的機率就變成零。庫存、檢查、組裝流程也會全部消失。
工作也是一樣。
你做的每週報告。也許根本沒有人在看。你每次發送的確認信。也許真正有必要的只有 30%。
在把工作丟給 AI 之前，先讓它思考一下這個工作能不能被刪掉。
我下面會列出我每週做的所有任務。從中挑出「即使我不做了，可能也不會造成任何人困擾」的 5 件事，並依照可能性排序。針對每一項寫出：① 為什麼可能不需要、② 如果我不做了誰會困擾、③ 可以留下什麼替代方案讓它順利運作。我不需要提升效率的點子。只要給我「刪除」的點子就好。（在此插入每週任務）
幫 AI 增加任務的人，與減少任務本身的人。一年之後，你手上剩下的時間會完全不同。
方法 ③ 停止撰寫規則，改為展示「範例」
Musk 的公司裡有一個非常清晰的實際案例。
Tesla 的 Full Self-Driving（FSD）長期以來是靠人類撰寫的規則運作的。「看到這條線就這麼做」「出現這個標誌就那樣停」。這些規則累積超過 30 萬行程式碼。
2024 年，Tesla 刪掉了它們。
取而代之的，是一個用大量人類駕駛影像訓練出來的單一神經網路（AI 的核心）。輸入影片，方向盤、油門、煞車的操作就會輸出。他們停止撰寫規則，轉而採用「展示範例」的方法。
這和我們在討論提示詞時完全一樣。
很多人試圖把對 AI 的指令寫得更長來提高精確度。「再具體一點」「避免專業術語」「使用有禮貌的語氣」。條件加得越多，指令就越複雜，然後就會出現遺漏。
但是，提供 3 個好的範例，比列出 20 個條件更快。
我會在下面貼上 3 個我希望你創作的「範例」。首先，用你自己的話，把這三個範例的共同規則整理成 10 點。等我確認這 10 點之後，再依照相同的規則創作新的內容。*先不要開始創作。只要先整理規則就好。（貼上你覺得好的 3 個實際範例）
一直增加條件的人，永遠會被指令文字折磨。你應該不一樣。把時間花在收集範例上吧。
方法 ④ 與其追求 1 次完美，不如先跑 10 次粗糙的迭代
演算法的第四步是「加速」。
SpaceX 的方法本身就是答案。
他們不是等設計完美後才發射。他們是製造、發射、爆炸、修正、再發射。很多人都看過 Starship 試射機多次壯烈失敗的畫面。
以一般航太產業的觀點來看，這簡直是瘋狂。但結果是，SpaceX 把火箭發射成本降低了將近一個數量級。
與其說他們容忍失敗，不如說他們縮短了一次循環所需的時間。就只是這樣。
使用 AI 的差異也是一樣。
很多人太看重單一次的輸出。他們想出一套完美的提示詞，手動修正產出的文字，然後就結束了。因為只跑一個循環，AI 最擅長的「量」完全沒有被用到。
做法很簡單。不要只給一個方案，讓它一次全部列出來。
一次給我 [主題] 的 10 個不同方向；粗略也沒關係。我不是在追求完美。每個提案維持在 3 行以內。完成後，把這 10 個依照「可能引發的讀者反應」排序，並用 3 行說明第 1 名和第 10 名的差異。
想要一次就命中的人，打擊次數很少。一次生出 10 個點子的人，即使沒命中，也還有下一步。
方法 ⑤ 自動化要放在最後
這是本文的主軸。
如同開頭所寫的，在 Musk 的演算法中，自動化排第 5。它是最後一步。
而且，他正是打破這個順序的人。
2017 到 2018 年間，Tesla 完全卡在 Model 3 的量產上。原因是工廠裡塞了太多機器人和輸送帶。Musk 自己當時也說：
我們建造了那個瘋狂複雜的輸送帶網絡。它沒有用，所以我們把它整個拆掉了。
然後，就是那篇貼文：
Tesla 的過度自動化是個錯誤。精確地說，是我的錯誤。人類被低估了。
他在讓工廠停擺之後學到的，就是「不要先做自動化」。
為什麼要放最後？理由很簡單。
自動化一定會產生成本。建立系統的時間、故障時修理的時間，還有「因為是我做的，所以不得不繼續用」的心理。
因此，如果不刪除能刪的、簡化能簡化的，你就會用高昂的代價去修理那些不必要的任務。
老實說，我也曾在這裡失敗過一次。我沒有考慮使用頻率就建立了一套複雜的系統，然後花了幾個小時處理一個一個月只會跑一次的流程。它確實能動，但一點也不值得。
所以，我在自動化之前一定會先跑一次這個。
我即將自動化下面這個任務。在那之前，請依序判斷以下各項。在判斷完成之前，不要寫出自動化的方法。① 這個任務能不能完全停止？② 如果不能停止，能不能減半？③ 如果不能減少，能不能化成更簡單的程序？④ 簡化之後，一個月會發生幾次？考量頻率之後，值得自動化嗎？最後，附上理由，用「應該自動化／不應該自動化」做結論。（在此插入要自動化的任務）
如果回答是「不應該」，那就是巨大的成功。沒有花在建立系統上的時間，就是你多出來的時間。
方法 ⑥ 不要對所有任務都使用最貴的 AI
這是 2026 年 7 月——也就是這個月——的故事。
7 月 10 日，Musk 在內部備忘錄中告訴 Tesla 員工「請盡可能改用 Grok」。四天前，公司對 Anthropic、OpenAI、Google 的工具設定了每名員工每週 200 美元的使用上限。
有趣的是這份備忘錄的內容。根據報導，Musk 雖然承認「Anthropic 的 Fable 明顯優於 Grok 4.5」，但他寫的是：
大多數任務並不需要 Fable 等級的效能。
我在這裡說句老實話。這個判斷存在明顯的利益衝突。開發 Grok 的 xAI 現在已經納入 SpaceX 旗下，Musk 自己也會因此獲利。事實上，據報導許多 Tesla 工程師在日常開發上還是比較喜歡用 Claude。
即使如此，「依照任務輕重來選擇，而不是依照效能來選擇」這個判斷基準本身，對個人來說是有效的。
我個人每天付費使用 ChatGPT、Claude 和 Gemini，但我不會對所有任務都用最高階的模型。修正錯字、轉換格式、簡短摘要。為了這些事出動最高階模型，就像為了去便利商店而搭直升機一樣。
試著把自己的任務分類看看。
下面我會列出我每天讓 AI 做的所有任務。請將這些分類為：① 需要最高階模型（判斷、設計、策略）、② 中階就夠了（文字生成、摘要、格式化）、③ 根本不需要 AI（搜尋、複製貼上、取代）。每個任務附上一行理由。最後，顯示落在 ① 的任務佔總數的多少百分比。（在此插入每日任務）
通常，① 會比你想像的少。一旦意識到這件事，AI 的性價比就會改變。
方法 ⑦ 不要問「行情價」，要問「底價」
最後一個是七個方法中最有名的，卻也是最少人使用的。
當 Musk 決定要製造火箭時，據說一枚火箭要價 6500 萬美元。完全遙不可及。
於是他不再用「行情價」來思考價格。
物理學教你要從第一性原理思考，而不是用類比。火箭是由什麼構成的？航太級鋁合金，加上一些鈦、銅和碳纖維。然後我問：這些材料在商品市場上的價值是多少？結果發現，一枚火箭的材料成本大約是典型價格的 2%。
2%。
剩下的 98% 是材料以外的東西。於是 Musk 轉向了自己製造的方向。
這正是向 AI 提問時該有的態度。
很多人向 AI 問「行情價」。「告訴我怎麼做 [X]。」回來的答案，就是大家正在做的平均答案。如果你執行平均的答案，就會得到平均的結果。
與其那樣，不如讓它拆解。
我不要問 [X] 的常見做法。首先，把構成這件事的元素拆解到無法再分割為止。接著，把每個元素分成「絕對必要」和「只是出於習慣而做」兩類。最後，提出只用「絕對必要」的元素重新組裝後會是什麼樣子。不要以一般論或產業常識為依據。
問前例的人，只能得到符合前例的結果。只有拆解的人，才能找到不同的路。
給那些心想「那是因為 Musk 有錢」的人
讀到這裡，有些人一定覺得：「這是給擁有 10 萬個籌碼的人的故事吧。」
我懂這種感覺。但請回頭看看這 7 個方法。
質疑需求。刪除。展示範例。跑迭代。自動化放最後。不買過剩的效能。拆解。
這些方法有哪一個需要花錢嗎？
一個都沒有。全部都可以從今天開始，用每個月幾千日圓的 AI 做到。
不如說正好相反。有財力的公司往往會選擇「增加」而不是「刪除」。他們增加人力、工具、流程。Musk 自己也做過，然後讓工廠停擺。
個人在「刪除」上更快。
你不需要老闆的核准，也不需要跨部門協調。你決定的那一刻，那個任務就消失了。
這是一場與財力完全無關的戰爭。
總結
只要你把 AI 當成「加速現有任務的工具」，你連它一半的力量都沒有發揮出來。
- ① 在切入正題之前，先讓它質疑假設。
- ② 在委派之前，先想想那個任務能不能刪掉。
- ③ 不要再追加條件，改為提供 3 個範例。
- ④ 與其要 1 個完美的提案，不如讓它生出 10 個粗略的。
- ⑤ 自動化要放在最後——先刪除、簡化。
- ⑥ 不要對所有任務都用最高階模型。依照任務輕重選擇。
- ⑦ 不要問「行情價」，要拆解成元素。
有太多人的順序是反過來的。
我把這稱為「刪除的複利」。刪掉一件事，附著在那個任務上的確認、修正、回報，全部會一起消失。而且，刪掉的任務永遠不會回來。與效率不同，它是會累積的。
如果你讀完只覺得「喔」，那你明天還是會像平常一樣，用 AI 稍微加速現在的工作。大部分人都這樣。
但你應該不一樣。
今天就一件事。下次你拜託 AI 之前，先試著問一次：「如果我把這個任務整個停掉，會發生什麼事？」
