Mariana Mazzucato 上 Odd Lots：政府的肌肉萎縮了，被 AI 公司挖到只剩骨頭

TL;DR

• Mariana Mazzucato 在 Bloomberg City Lab Conference 期間上 Odd Lots，把「政府為什麼做不好事情」這個老問題重新拆了一次
• 她把政府能力切成三層：capacity（預算和人力）、routines（行政慣例）、capabilities（動態能力），多數國家缺的是最後一層
• 二零一三年她寫《The Entrepreneurial State》那時候沒人理，現在 IRA 跟 Next Gen EU 大撒幣大家又以為政府很厲害，其實多半還是 picking winners 的舊思維
• AI 跟以前的科技革命真正不一樣的地方：頂尖人才被天文數字的薪水從大學跟政府實驗室一次性掏空，這件事大家還沒認真討論
• 她跟 Tim O'Reilly 在做 algorithmic rents 計畫，要把氣候揭露那套搬到 AI 上面
• 健保系統如果不修，AI 只會讓 bot 跟 bot 互打，沒人受惠
• Mission-oriented thinking 才是出路，把問題先定義清楚，再讓政府跟私部門一起解

節目跟來賓背景

這集在二零二六年五月八日上線的 Odd Lots，是 Bloomberg 旗下最受歡迎的財經 Podcast 之一，由 Joe Weisenthal 跟 Tracy Alloway 兩個從業十年以上的資深記者主持，固定每週一、四更新，主題從金融、總體經濟到產業政策都聊，跟一般財經 Podcast 比起來明顯更怪、更有深度。這集是兩人去馬德里參加 Bloomberg City Lab Conference 期間錄的，火腿吃太多，但內容超硬。

來賓 Mariana Mazzucato 是 University College London（UCL）創新與公共目的研究所（IIPP, Institute for Innovation and Public Purpose）的創辦主任，她最有名的書是二零一三年的《The Entrepreneurial State》（創業型國家），主張我們手機上每一個讓它變聰明的東西，從 Internet、GPS、觸控螢幕到 Siri，背後都是政府資金在推。她近期還跟西班牙副總理兼經濟部長 Carlos Cuerpo 一起發起了 Global Council for a Common Good Economy，這次去馬德里也是順便跟西班牙首相見面。在學界她算是把產業政策從「政府不要亂搞」這種共識拉回主流的關鍵人物。

為什麼這集值得停下來看

她講的東西本身不新，但有兩個切角值得認真寫：第一，她對 AI 跟過去所有科技革命的差異點，講得比多數 AI 評論者都更尖銳；第二，她用 capacity / routines / capabilities 三層拆解政府能力，這個框架其實也適用於我們講創業團隊、適用於我們講為什麼某些公司在 AI 浪潮裡跟不上。

政府能力不是一種，是三種

這集最值得做筆記的概念，是 Mazzucato 把所謂的「state capacity」拆成三個獨立但互補的東西：

層次	內容	特性
Capacity（能耐）	預算空間、人力編制、教育訓練	最容易被砍掉，也最容易補回來
Routines（慣例）	行政流程的穩定性	流動率一高就跑掉
Capabilities（動態能力）	敏捷度、適應力、跨部會協作、危機應變	砍掉很容易，重建要十年起跳

她說多數政府缺的是第三層。Capacity 你可以加錢加人馬上補，但 capabilities 是文化跟組織肌肉，砍掉容易長出來難。

我覺得這個框架很值得套到公司身上看。一家公司如果只是有錢有人，但沒有 dynamic capabilities，AI 浪潮一來就直接被拆。這也是為什麼之前在一個員工年產一千萬美元 EBITDA：AppLovin 的反直覺打法裡面看到 Adam Foroughi 在二零二二年砍掉一半人之後反而把 AI 工具上手很快，他保留的就是這層動態能力，砍掉的是冗員。

顧問公司怎麼把政府變成廢人

她上一本書《The Big Con》就在罵這件事。重點不在顧問公司本身，在政府為什麼把核心任務外包出去。

英國 COVID 期間找 Deloitte 做 test and trace，一天一百五十萬美元，做不出來。澳洲找 McKinsey 做氣候策略，做出來爛到不行，但他們明明自己有 CSIRO 這種研究機構。Mazzucato 講了一句很狠的：「顧問公司沒有讓政府變好的誘因，因為他們會失去合約。」就像你的心理諮商師，他絕對不會希望你完全好。

這件事對任何一家有在用顧問的公司都適用。顧問會被請進來，多半是為了分攤責任，解決問題反而是次要的。她引用了「沒人會因為買 IBM 被開除」那句老話，說現在大型機構雇 McKinsey 的邏輯一模一樣。出事的話，McKinsey 來扛，主管可以說「我已經請了最好的顧問了」。這種文化會讓組織越來越不敢做決定，越不敢做決定就越需要顧問，整個迴圈就鎖死了。

她最喜歡引用的一句話是 NASA Apollo 計畫採購主管 Ernest Brackett 在一九六零年代講的：再這樣下去，我們會被 brochuremanship 抓住（被精美簡報文化擄獲）。當年是亮面手冊，現在就是 PowerPoint。Brackett 不是反對外部合作，他是說如果我們自己的腦袋都退化了，連合約怎麼寫都不會了，那找誰來合作都沒用。

不過 Joe 也補了一個合理的反例：紐約市最近重新設計垃圾收運系統，雇了一堆顧問被新聞罵爆。但這種「一次性的大重新設計」其實本來就適合請外部團隊，因為市府不會永久需要這個 muscle。Mazzucato 也認同，她說真正的問題在於連寫採購規格都要 outsource，那才是肌肉萎縮的徵狀。

AI 為什麼跟以前不一樣

這段是整集最重要的部分。

過去六十年，從 Internet、GPS、觸控螢幕、Siri 到 LLM 早期的研究，背後幾乎都是 DARPA、NSF、政府預算在養。但 Mazzucato 講了一個很多人沒注意的事：AI 公司現在的口袋已經大到可以用個人薪水把全美國的 AI 教授一次掏空。

她舉的例子是 Uber 當年一夕之間把 Carnegie Mellon 整個機器人實驗室教授團隊整批簽走。我自己也常想，現在還願意留在學界的 AI 教授，到底是真的有信念還是被綁定不能跳。她說這件事的恐怖在於：

那個人才的失血，那種頂尖研究 expertise 從公共機構往私人公司搬移的速度，沒有人在認真討論。

這件事對「algorithmic rents」這個概念是核心。她跟 Tim O'Reilly 在 Omidyar Network 的資助下做一個專案，主張這些 AI 公司賺的不是利潤，是 rents（經濟租）。為什麼？因為他們今天能用的核心技術，多半源自於公共資金資助的研究，但回報全部私有化了，連稅都不太繳。

她想做的事情，是把氣候揭露（climate disclosure）那套搬過來，變成 AI disclosure。讓 AI 公司必須公開部分演算法行為跟資源耗用資訊，就像銀行被要求做 stress test 一樣。但她坦承這件事還很初期，因為大眾對 AI 風險的感知還沒到二零一零年代後半對氣候那種「再不動就回不來」的程度。

這個點可以連回去看當 AI 把智力變便宜，人類最後的工作叫驗證這篇，MIT 經濟學家 Christian Catalini 也是在處理類似問題，只是他的切角是稀缺性轉移，Mazzucato 的切角是租金分配，兩個放一起看會清楚很多。

Mission-oriented：先講要解決什麼，再講誰來做

她最招牌的概念叫「mission-oriented innovation」，從 NASA Apollo 計畫推導出來的。

她說 NASA 當年並沒有說「我們自己做」，也沒有說「只跟航太業合作」。他們做的事情是：

1. 把 procurement（採購）從 cost-plus（成本加成）改成 outcomes-oriented（結果導向）
2. 把問題拆成具體的子題：太空人怎麼上廁所、吃什麼、穿什麼、怎麼通訊
3. 跟超過四十萬人的私部門協作，但每段協作都圍繞一個明確的問題

最後副產品是相機手機、保暖鋁箔毯、住宅隔熱、軟體產業整套生出來。但這些都不是 NASA 當年的目標，是過程中的衍生物。

對比現在大多數政府的 AI 政策，她覺得方向反了。多數國家是「先決定要補貼 AI 這個產業」，補完才在想要解決什麼問題。她認為應該倒過來：先講「我們要做的 mission 是什麼」，例如「全國每個小孩都有健康好吃永續的營養午餐」這種具體到不能再具體的目標，然後才反推哪些科技要被動員。AI 自然會被拉進來，但它的角色是工具，是手段，是 mission 底下的子項目。

她最有感的反例是 Eric Schmidt 跟 Infosys 共同創辦人 Nandan Nilekani 在 Lake Como 的對話。Schmidt 說「未來只要一個 health app 就夠了」。Nilekani 直接打回去：印度沒有像樣的健保系統，給你十個 app 也沒用。

Bot 跟 Bot 互打的健保困境

這段很短但很狠。Tracy 提到她最近看到一堆新創在做「AI 簡化醫院帳單流程」，但同時也有保險公司在用 AI 處理理賠。

結果就是 bot 跟 bot 互相吵架，雙方都說自己在簡化流程，但底層那套「誰付錢、付多少、為什麼是這個價」的問題完全沒解。最後唯一賺錢的，是做 bot 的人。

這個比喻精準到讓人發笑。其實放到很多產業都成立。AI 客服跟 AI 抱怨機器人對打、AI 履歷篩選器跟 AI 履歷產生器對打、AI 反詐騙跟 AI 詐騙對打。如果系統本身的扭曲沒被處理掉，AI 只是把處理速度跟複雜度同時拉到極限，然後讓中間商賺一波。

關於 AI 在健保的真實落地進度，可以對照看OpenAI 要讓全球免費用 AI 看醫生這集，Karan Singhal 講的是 OpenAI 從產品端往下打，跟 Mazzucato 從制度端往上推，兩個方向最後會在中間某個點碰頭，但中間幾年的 mismatch 就是現在這種 bot 對 bot 的混亂。

我的觀察

聽完這集最直接的感受是，她在講政府的問題，但這套架構幾乎可以原封不動套到任何大型組織，包括我們自己經營的公司。

Capacity 容易補，capabilities 很難建。顧問公司有市場，是因為內部肌肉萎縮太久。AI 浪潮加速人才失血，被失血的不只是政府，也是任何沒有頂尖 retention 機制的公司。Mission-oriented thinking 不只是政府用得上，新創團隊每次寫產品 spec 的時候也應該問：我們要解的問題是什麼，先把它逼到具體得不能再具體，再去談用什麼技術。

她對 abundance theorem 的批評我也認同。把責任推給「政府管太多」這個敘事很省力，但忽略了過去三十年企業治理被 shareholder value maximization 綁死才是真正讓投資意願下降的元兇。AI 時代如果繼續讓資本只往股東短期回報跑，再多 abundance 也只會被少數人吃光。

收尾

這篇沒有提供結論，因為 Mazzucato 自己也沒有給。她給的是一套思考框架，一個觀察工具，跟幾個還在進行中的計畫。但這集值得停下來反覆聽，特別是任何在政府工作、在大型組織做策略、或者在思考 AI 政策的人。

我自己會把這集放進「每年至少重聽一次」的清單。

如果這類產業跟政策觀察你看得進去，wilsonhuang.xyz 上還有很多類似主題的整理，歡迎訂閱追蹤。