前一份實習在 KPMG 的 Digital Village，是乙方管理顧問服務的工作，而約莫一年後，在暑假起我回到甲方，加入了野村投信（Nomura Asset Management），是一份 buy side 的實習工作。
我所屬的資訊科技部門（Information Technology），定位較為特殊，並不直接面向終端客戶，而是以公司內部單位（user）為對象，提供軟體開發、系統維護、數據處理等服務，主要用到的程式語言是 C#，在部門裡也會接觸到大量的 .NET 開發框架。
在 IT 部門，某些面向的工作與管顧異曲同工，例如在評估 user 具體的軟體需求時需要做需求訪談，衡量科技工具導入時要做 research、並對現有案例進行 case study，不過在這裡，想多談的兩份經歷裡的甲乙方差異。
這次在甲方的經驗中，多了很多細節上的雕琢，原因在於終究我們開發出來的軟體系統，要經過 SIT、UAT 等測試，而後上到 Production 環境，一旦有任何細節出錯，無論是再邊界的測試案例，也只能埋首 debug，把工作做到盡善盡美；相對而言，乙方顧問多數時候是劃出一頁頁的策略建議，即便有些不如意的枝微末節，也能藉由換一種敘事方式來解決，某種程度上乙方顧問像是往一池靜水丟下一粒石子，波紋泛起後便轉身離去，在不斷迭代之下工作的挑戰性高，溝通、合作等軟實力也相對更加放大。
過去在乙方顧問公司，彼此之間的分工相對界線模糊了些，或許更像是一群通才聚集在一起工作，而在金融業甲方則有各式分工單位，尤其 buy side 的投信更有前後台之分，在組織架構上與乙方管顧迥異；另一方面，乙方的工時長，在下班後總會看到主管持續留在座位上埋首敲著鍵盤、拉著簡報，而這次在甲方則晚上七點左右辦公室便熄燈謝幕。
在甲方，有時會需要乙方的 consulting 外，在 IT 部門我們常需要引入技術型的 vendor，歸根結柢，無論是乙方顧問、或是乙方技術團隊，乙方能做的事甲方未必不能做，但透過外包方式提高效益，很多時候能走向雙贏局面。舉例來說，在部門裡許多內部系統選擇外包，若團隊真心想做其實並無不可，然而當下並不符成本效益，因此便找上了提供技術服務的乙方企業。
總歸來說，這次在甲方的經歷相當踏實，見證了一份專案由策劃到落地的完整週期，不若在乙方時，將專案工作交付完成後，有時並不能窺知究竟自己創造了多少價值。在實習中我負責的是一份內部的軟體開發專案，很幸運的有很大的發揮空間，過程中幾乎獨自經手專案的所有內容，也利用機會學了 C#、以及嘗試了 ASP.NET Core、Windows Presentation Foundation（WPF）等框架，在大量閱讀內部 source code 的過程中尤其對於 code style 有了新的理解。特別感謝同事 Steven、Peter、以及主管 Jason、Andy、Pat，整體來說在 Nomura 的經驗相當愉快。
十月上旬我離開了 Nomura，下一份工作是在甲乙方混合的 Microsoft 做乙方服務。
走過乙方顧問、甲方金融業後，軟體業確實是我在短期職涯希望投入的領域，而這次面試 Microsoft 的過程首次遭遇了白板題（whiteboard coding interview），是相當特別的經驗。
白板題之於軟體工程面試而言，地位相當特殊，可對標管理顧問的 case interview，是求職上必不可少的環節。不過兩者的區別之一，在於白板題一人便可以刷題準備，透過網路上的 Leetcode 等資源可以在短時間內迅速密集成長；而 case interview 雖然也未必不能在短時間內快速提升，但通常需要由面試者組成類似讀書會的小組，透過互相模擬、演練來進行準備，而除了讀 case in point 等典籍外，實作資源相對較為稀缺。
五月在美國時，San Antonio 機場前往 LA 的幾個小時等待時間，是我第一次練習 Leetcode，隨後也就在二週後迎來第一次的正式白板題。那是 Microsoft 的第三輪面試，去美國前幾天面了二面、在美期間接到三面通知，而截至那次面試為止，大約練了三十題左右。
面試當天由 behavioral questions 先行，接著是技術問題，白板題則壓後，最後拿到的是一個 array 題目，難度大約是 Leetcode easy。我首先試著與面試官 align 目標，確定題目需求及規範，接著很快的想到了 sorting 的解法，由於我使用 C++ 刷題、準備面試，因此在完成後向面試官講解這是時間複雜度 O(nlogn)、空間複雜度 O(1) 的作法，面試官表示認可，不過她隨後表示這一題或許還有更快的作法，能將時間複雜度再降低，讓我想到的話可以補充。
我當時未再想到進一步的方法壓縮時間複雜度，而在面試結束後，我很快的就在 Leetcode 上找到相同題目，對照下 sorting 做法果然在列，是一個標準答案。而解答同時也列出了另一個使用 unordered map 的 hashing 作法，時間複雜度可以降為 O(n)，不過在彼時我還未熟悉 unordered map，較為可惜。
整體來說這次的白板題經驗相當友善，在刷題路上我想還有很長一段路能走，可惜在暑假結束後重新投入學校課務，在刷了約一百題左右後，目前比較沒有時間延續了。
最後想談回甲乙方的綜橫交錯，當今 AI 急速成長，若終有一日生產力提升，成本下降，甲乙方是否還會是天各一方，又或者將渾然成為一體？我認為終究在這當下提供純技術服務的乙方 vendor 會先成為遲暮，因這類型的服務只解決技術問題，而技術問題在未來的門檻將會不斷走低。
在李宏毅老師的「生成式人工智慧導論」課堂中，我們用免費運算資源操作的課堂作業模型，一共有七十億個參數，然而，在五年前的二零一九年，當時 OpenAI 發布的史上最大模型有幾個參數？答案是十五億個，這可以說相當驚人，意即 AI 的成長是指數型的，今天隨便的課堂作業，穿越回恍如昨日的五年前，都會是毀天滅地的黑科技發明。
而 AI 的成長速度也許更遠超我們的想像所企及，不僅是科技上的技術力能由 AI 掌握，更現實面的是許多推崇專業知識的領域也許將有黑船來航的震撼。到頭來，培養一個頂尖的商學院學生考取 CPA，也許要一整年，然而，用 RAG 打造一個能通過考試的 GenAI 模型也許不需要一週時間，終有一天 AI 將能達到司馬遷所稱「究天人之際、通古今之變」的境界。
然而在這風口浪尖上，依然會有科技巨頭公司掌握關鍵影響力，對外輸出強大的技術賦能，而在這之外，我認為管理顧問的服務雖說為乙方，但其解方並不限於有形之產品、服務，更多時候是無形的 soft skill、甚至是 people skill，仍有機會生生不息，畢竟自工業革命以來，科技革新的成長不在話下，但無從根除的終究是人與人之間的議題，亙古也無從改變。
不過仍難以視而不見的是現在 Copilot 可以拉出一頁頁的簡報投影片、LLM 短短幾年如今已然能快速上網搜尋資料，機器學習的能力以難以估量的速度飆漲，求新求變依然是無可規避的議題之一。
我認為或許終有一天，不只是乙方顧問，甚至甲方也難逃威脅，這歸於生產力的本質，一旦機器有機會取代所有生產工作，一切物質將變得輕蔑，所有追求歸一於心靈層面。難以斷言人類文明何時將走到那一步，但在那一天到來前，盡力豐富精神、提升文化，或許是在人工智能泛漲下我們永久且獨特的價值。
