讓 AI 成為思考對手，磨利自己的判斷力
上一篇文章我談到，AI 讓答案來得太快，一份企劃初稿、一段分析文字、一個課程大綱，幾秒鐘內就能出現在眼前，而「太快有東西」這件事，可能讓我們在不假思索的情況下，漸漸把練習判斷的機會讓渡出去，必須警覺。下一個問題則是：有沒有想過你只是在和 AI 要答案，還是在和 AI 對練？
延伸閱讀： 當答案來得太快，我們越要保留思考的摩擦--別讓 AI 省掉了我們練習判斷的過程同樣用 AI，為什麼有人越用越敏銳？
最近讀到一個讓我印象深刻的實驗：理論神經科學家與人工智慧專家 Vivienne Ming 與研究團隊在 2025 年招募了 72 位參與者，並將參與者隨機分派至三種類型的預測團隊：純人類團隊、純 AI 預測系統，以及由人類與 AI 助理共同構成的人機混合團隊。
每個團隊在一小時內，需對多項真實世界事件做出機率式預測，例如政治選舉、宏觀經濟指標或科技產業發展。研究者再將這些預測結果，與去中心化預測市場（一種透過交易合約價格來反映未來事件發生機率的制度）平台 Polymarket 上由數千名具財務動機的交易者所形成的市場價格，以及事件最終結果進行比較，以評估不同預測主體在準確性與校準程度上的差異。
這個實驗結果雖不足以直接推論到所有 AI 使用情境，但很適合用來觀察人機合作的品質，差異不在於有沒有使用 AI，而在於人與 AI 的協作方式。
三組中：純人類小組在資訊與時間有限的條件下表現較弱，純AI 組明顯更好，但仍不及市場整體。真正值得注意的，是人機混合組的差距之大。多數混合團隊的表現並不比 AI 單獨行動更好，原因很簡單——他們接受 AI 的答案後直接提交，等於只是借了 AI 的嘴說話。另一部分人的表現更差：他們先有了預設判斷，才請 AI 幫忙找理由補足證據，結果陷入確認偏誤的迴圈。
在這個實驗裡，只有約 5% 到 10% 的混合團隊，表現能持續與市場準確度競爭，某些問題的預測結果甚至贏過市場（勝過大盤）。原因在於，這些小組中，人把 AI 當成對練對手：他們不只是單純接受AI給的答案，而是要求 AI 提出反例、挑戰假設，以及在 AI 顯得過度自信時，反而追問它可能漏掉了什麼。
差異不在於有沒有使用 AI，而在於人與 AI 的協作方式
答案機、確認器、對練者：三種用法，三種結果
這個實驗讓我想到，大多數人用 AI 的方式，大概可以分成三個層次，產生的結果差距很大。
最常見的，是把 AI 當成答案機。有一個問題，打開對話框，幾秒鐘後得到一段結構完整、語氣篤定、看起來相當合理的回答，然後複製、修改、交出去。這種用法在資料整理、初步構思和例行文案上，的確很有效率。
但如果所有需要判斷的工作都這樣處理，我們很容易跳過中間那段需要自己拆問題、比較假設、想像反對意見的不舒服過程，安於「答案已經在眼前」的狀態裡。
比答案機更隱蔽的，是把 AI 當成確認器。這種情況通常發生在我們心裡已經有了一個判斷，只是想獲得支持，讓 AI 補理由、找證據、整理成更有說服力的說法，表面上好像是在善用 AI 協助論證，但如果使用者沒有刻意要求反方觀點，AI 很可能成為一個高效率的自我合理化工具。
舉個例子：主管已認定某個專案失敗是團隊執行力不足，問 AI「執行力不足可能造成哪些問題」，得到的是一份強化原有判斷的清單；但如果問「如果失敗不只是執行力問題，還可能有哪些原因？」，得到的就是完全不同的答案，討論的起點也跟著改變。
第三種，是把 AI 當成對練者。這時候不急著接受答案，而是讓它協助拆解判斷過程本身：檢查假設、模擬反方，或站在不同利害關係人的角度看同一件事。它有用，是因為它和你不同，不是因為它會同意你。這也是那 5% 到 10% 的混合團隊真正做到的事。
從單圈到雙圈：AI 何時真正進入管理者的判斷流程？
要理解以上三種人與AI協作方式的差異，可以借用管理學裡的一個框架。
哈佛大學教授克里斯・阿吉里斯（Chris Argyris）在研究組織學習時，提出了「單圈學習」（Single-Loop Learning）與「雙圈學習」（Double-Loop Learning）的區分。
在單圈學習中，行動邏輯大致是：設定目標 → 執行行動 → 發現偏差 → 調整作法以接近原目標。這種學習強調「把原來的事情做得更好」，例如調整流程、修改執行細節、加強控制與監督。
相對而言，雙圈學習的邏輯則是：在修正行為的同時，進一步思考「我們為何要追求這個目標？這樣的成功定義是否仍然合理？我們對環境與人性的假設是否過時或偏誤？」當行動連續受挫時，雙圈學習者不只檢討方法，更會重新檢視問題框架與設計本身。
簡單來說，單圈學習修正的是行動本身，雙圈學習檢視的是行動背後的目標、假設與判斷標準。
阿吉里斯：雙圈學習理論（Double-Loop Learning）
把這個框架套進 AI 的使用情境，若我們只是把 AI 當答案機或確認器，多半仍停留在單圈學習：幫我們把原本的路走得快一點、順一點，但問題框架沒有變，假設也沒有真正被檢驗。但把 AI 當對練者的人，才能達到雙圈學習的效果。
這個差異在日常工作裡很具體。同樣是想改善團隊會議效率，單圈的問法是：「如何讓會議更有效率？」AI 會提供議程設計、時間控制、會前準備等建議，這些都實用，但它們都在既有問題定義裡修正做法。雙圈的問法則往前一步：「如果會議效率差，其實不是設計問題，而是決策權責不清，可能出現哪些徵兆？」這個問題一出現，討論就不再只是改善會議，而是重新檢查組織運作的基本假設。
十輪問答，逼我重新定義問題
我在自己的工作裡，也常有運用 AI 讓我停下來重新想的經驗。
用最近的例子：我正在規劃一場三小時的演講，主題是「給繁忙工作者的讀書法」。以過去的習慣，可能會把大綱列出來請 AI 整理成完整的內容結構，一小時之內就有一份可以用的版本。但這次我換了一種方式，在對話框裡說：「請你不要直接給我規劃，而是跟我進行十輪討論，每輪你問我一個問題，我來回答。」
接下來的過程裏，AI 問我這場演講的目標受眾是誰，我給了一個以為很清楚的答案，然後它的下一個問題讓我卡住：「你描述的聽眾痛點是『看得懂但用不上』，但背後有三種不同的根因，你知道自己要解決哪一種嗎？」我沒辦法立刻回答，還花了一段時間釐清心裡的想法。十輪問答下來，我才發現，這場講座的主題核心不只是「怎麼讀得更有效率」，而是那些長期閱讀、整理筆記的中階工作者，為什麼在遇到真實的模糊問題時，仍然覺得學的東西用不上。
這個發現改變了整場講座的定位，定案的講綱並非 AI 直接幫我生成的，而是在與AI的來回追問裡慢慢浮現的。如此協作最有價值的地方，不是 AI 幫我整理了什麼，而是它逼我退回去重新檢視：我原本以為要解的問題，可能還不是真正重要的問題。
三個問題，讓 AI 從答案機變成思考對手
要把這個方向落進日常工作，我自己現在的習慣是，每次接受 AI 的答案之前，多問三個問題。
第一個問題：「請提出這個建議最強的反方論點。」這可以防止 AI 只順著我們的提問方向走，也讓我們有機會看到自己原本不想面對的反對理由，確認判斷真的想過了，而不只是借用了一份看起來合理的答案。
第二個問題：「這個答案依賴哪些前提？其中哪些最容易出錯？」這可以把看似完整的結論拆回假設層。AI 使用限定語氣的地方，例如「可能」、「這取決於」、「需要更多資訊才能判斷」，通常正是真正的不確定性所在，也是最不能外包的部分。
第三個問題：「如果我是另一個利害關係人，我會怎麼反對這個建議？」在管理決策、課程設計或提案溝通裡，很多失敗不是來自方案本身太差，而是低估了別人看問題的方式。這個問題可以把 AI 從單一答案生成器，轉成多視角的模擬器。
當答案越便宜，問題意識反而越珍貴
最後，我想回到文章一開始提到的實驗裡的一個觀察。
文章裡提到，資訊取得越容易，人類主動探索的活動反而可能跟著下滑。這符合我自己使用 AI 的感受：以前要寫一段分析，問題會在腦子裡經過一番苦思：走路時想、洗澡時想，這些看起來沒有效率的時間，其實是判斷力正在被打磨的過程；現在，初稿出現得越快，越容易跳過那些必須逼自己釐清的問題。
對組織來說，這個風險更不容易被看見，因為短期的數字可能都往好的方向走：文件變多、簡報變快、會議摘要更完整。但如果團隊慢慢失去自己定義問題、辨識矛盾、形成判斷的能力，產出的增加和能力的增長，可能是兩件不同的事。
當答案越便宜，問題意識反而越珍貴。下次打開 AI 輸入指令之前，也許可以先暫停，問自己：「如果我現在的判斷是錯的，最可能錯在哪裡？」接下來，你和 AI 的對話，可能就會和過去不太一樣。
