你以為你會用 AI 了，其實你只用了 1%

你的星期二大概長這樣。

早上收到一封英文 email，丟進 ChatGPT 翻譯。中午想找附近吃的，問 AI 推薦。下午寫個報告，叫它幫你列大綱。晚上看到新聞裡一個不認識的詞，順手問一下。

一天用了四五次。你覺得自己跟得上這個時代。

你沒有錯。但有一件事你可能不知道：你現在站的地方，是一棟大樓的一樓。你以為這是屋頂。

為什麼「ChatGPT 還有什麼好用途」這個問題本身就問錯了

台灣某個公務員社群有人問：「chatgpt 還有什麼好用途？」底下的回覆是：寫新聞稿、校對、翻譯、做表格、寫公文。每一個都是同一種用法：把任務丟進去，拿結果出來。

這不是 AI 的問題。這是用 Google 搜尋的習慣被搬到了 AI 上面。差別只是 Google 給你十個連結，ChatGPT 直接給你一段文字。本質一樣，你問一個問題，拿一個答案，走人。

Mollick 觀察到一模一樣的事：大多數人「直接貼上問題，讓 AI 回答，然後原封不動拿去用」。

他跟 Boston Consulting Group 做過一個實驗。一群菁英顧問拿到 AI 工具後，大部分人的做法就是把任務原封不動丟給 AI，然後直接交出結果。碰到 AI 能力範圍內的任務，表現確實好。但碰到一個剛好超出 AI 能力邊界的任務時，那些盲目信任的顧問全軍覆沒，因為他們早就停止自己思考了。

連 BCG 的人都會卡在這裡。我讀到這個數字，第一個想到的不在他們身上。是我自己。

你用 AI 的方式，跟你用 Google 的方式是一樣的嗎？如果是，你還站在一樓。

一個學長前陣子說：「我有訂 ChatGPT Plus 啊，主要拿來翻譯和寫 email，偶爾問問題。」問他還用來做什麼，他想了一下說：「就這樣吧。」

這個狀態叫 AI 高原期。你覺得到頂了，其實是停在一樓。

差距不在付費版，不在 prompt 技巧：你給沒給 AI「你是誰」

差距不在功能，不在付費版，不在 prompt 技巧。

你是在叫 AI 給你答案，還是在叫它幫你想？

畫面一：帶媽去旅遊。

一樓版本：「推薦京都三天兩夜行程。」AI 給你一份標準的觀光路線，金閣寺、伏見稻荷、錦市場。跟 Google 搜尋「京都自由行」的前三篇差不多。

頂樓版本：「我媽快七十了，膝蓋不好，走太久會痛。她喜歡傳統市場和手作體驗，不喜歡人多的地方。預算有限，三天行程，每天下午要有一個可以坐著休息至少一小時的地方。」

你給 AI 的脈絡量，決定它能幫你到什麼程度。第二個版本拿回來的行程，是你用 Google 搜一整晚也拼不出來的。因為沒有旅遊部落客會針對「65 歲膝蓋不好又喜歡手作體驗」寫一篇文章。

畫面二：做一個重要決定。

一樓版本：「我該不該買房？」AI 給你一堆利率分析和房市趨勢。跟財經網站的懶人包差不多。

頂樓版本：「我現在考慮要不要買房，請你先扮演一個堅決反對我買房的財務顧問，盡全力說服我不要買。列出我可能忽略的十件事。」

等它講完，你再說：「好，現在換一個角色，扮演支持我買房的人，反駁剛才的每一點。」

這不是在問 AI 答案。這是在用 AI 幫你把自己的盲點逼出來。你本來只會問朋友「你覺得呢」然後聽一個跟你想法差不多的意見。現在你有一個不怕得罪你的魔鬼代言人。

Mollick 寫書的時候，造了三個 AI 人格當編輯：一個叫 Ozymandias，設定是自大自負的編輯，結果 AI 自己加了英國腔（Mollick 說「加分」）；一個叫 Mnemosyne，負責在草稿裡找意想不到的連結；還有一個叫 Steve，設定是「一個看科普和商業書但其實不太看得懂的普通讀者」。三個「人」給他完全不同方向的回饋。

你不需要寫書才能這樣做。我一個朋友在考慮轉職的時候，叫 AI 先扮演面試官，把他的履歷從頭到尾挑毛病。被 AI 電了半小時之後，他說：「我自己從來沒從這個角度看過。」

下次做任何重要決定之前，叫 AI 先當反對派，盡全力說服你不要做。你會發現自己想漏的東西比想到的多。

畫面三：搞懂一件你從來沒碰過的事。

一樓版本：「什麼是 ETF？」AI 給你一段維基百科等級的解釋。

頂樓版本：「我完全不懂投資，但我是一個廚師。請用做菜的比喻，從零解釋 ETF 是什麼、怎麼運作、跟直接買股票差在哪。如果我理解錯了，糾正我。」

AI 最強的地方在它可以用你已經懂的事情，解釋你還不懂的事情，不在它知道得多。但前提是你先告訴它你已經懂什麼。

這三個畫面的共通點：你多給了 AI 一層關於「你是誰」的資訊。 高原期的人只給任務，進階的人給脈絡。

你把 AI 的預測當成了你的判斷

出門要不要帶傘。

以前你要嘛養成習慣永遠帶，要嘛賭一把不帶。有了天氣 AI 之後，它能告訴你降雨機率 90%。但「淋濕 vs 帶傘的麻煩，哪個你比較不能接受」。這是判斷，AI 不知道。有的人寧可淋濕也不想多拿東西，有的人穿了新鞋絕對不能濕。同一個 90%，不同的人應該做不同的決定。

再往上一層：自駕車租車。AI 能預測走風景路線出車禍的機率比高速公路高一點點。但「那個風景值不值得多承擔一點風險」，是你的判斷。保險公司已經開始把這個風險轉成價格，走風景路線多收你一塊錢，你自己決定值不值得。

Agrawal 他們把這件事拆成兩半：AI 做預測，你做判斷。帶傘、自駕車，聽起來都不難分。你大概覺得自己也分得開。

高原期的人就卡在這裡。你問 AI 一個問題，拿到一個看起來像「答案」的東西，以為事情做完了。那只是預測。你的判斷從來沒有加進去。

2026 年一個 295 人的實驗發現：越信任 AI 的人，判斷反而越差。AI 沒有毒。他們把自己的判斷外包了，以為 AI 的預測就是最終答案。我自己用 AI 用得越多，看到這個數字越心虛。

這不是叫你少用 AI。相反，是叫你用更多，但用的方式不一樣。

一份回顧 35 篇研究的分析發現：對 AI 了解最少的人，反而會自動懷疑它的結果。了解中等的人最容易被牽著走——他們覺得自己懂了，所以不再質疑。了解最深的人才知道什麼時候該信、什麼時候不該信。

最危險的是覺得自己已經會用的人，不是不用的人。

越信任 AI 的人，判斷反而越差。AI 沒有毒。是你把判斷外包了。

Agrawal 說 AI 讓判斷更重要，Mollick 的 BCG 實驗說人類直接放棄判斷

這裡有一個讓我想很久的矛盾。

Agrawal 的框架很漂亮：AI 負責預測，人負責判斷，兩者分開，各做各的。理論上，AI 越強，人的判斷就越重要，因為有了更好的預測，你才能做更精細的判斷。

但 Mollick 的 BCG 實驗指向完全相反的方向。

那個實驗的數字很值得記住：沒有 AI 工具的顧問，在一個需要判斷的任務上正確率 84%。給了 AI 工具的顧問，正確率掉到 60% 到 70%。菁英顧問加了 AI，反而比沒有 AI 的同事差了將近 24 個百分點。

AI 沒有給錯誤的預測。是因為 AI 預測太好用了，好用到這些人停止了自己的判斷。

Agrawal 說預測和判斷可以分開。Mollick 的數據說，實際上人類不會分開。AI 預測越好、越方便，人就越懶得做判斷那一步。這跟意志力無關。這是認知經濟學：判斷要花腦力，如果 AI 已經給了一個看起來很好的答案，你為什麼要再花力氣質疑它？

Nature 2026 的實驗也指向同一件事：越信任 AI 的人判斷越差，而且這個效應只在 AI 組出現，信任人類建議的人沒有這個問題。AI 有某種「獨特的」能力讓你放棄自己的判斷，人類建議做不到。

兩邊都對。Agrawal 對在理論上：預測和判斷確實是兩件事。Mollick 對在現實裡：大多數人根本不會去做分開這個動作。

我從這個矛盾裡拿到的判斷是：問題不是「AI 能不能幫你」，是「你會不會因為它太好用而放棄思考」。 而離開高原期的方法，就是在每次用 AI 的時候，刻意多做一步：不要接受第一個答案，問自己「這裡面有什麼是我的判斷，有什麼只是 AI 的預測」。

Mollick 管 AI 的能力邊界叫 jagged frontier（鋸齒狀邊界）。AI 的能力像城牆一樣有些地方突出、有些地方凹進去，不是一條平線。它能寫出讓人驚豔的十四行詩，卻寫不出剛好五十個字的段落。它能做複雜的數據分析，卻連簡單的數學有時都會算錯。

高原期的人從來沒去摸過那道牆的形狀。他們試了幾次、有些不錯、有些不行，就決定「大概就這樣了」。

AI 改變最深的，是你跟家人的互動——不是你的工作方式

AI 用得越多、用得越深，最意想不到的改變不是自己變強了，而是它改變了你跟身邊的人的互動。

我爸看完醫生，回來跟我說醫生講了一堆他聽不太懂的數字。我打開 AI，把那些數字貼進去，請它用白話解釋這代表什麼、哪些需要注意、下次回診該問什麼。我爸從「聽不懂但不好意思再問」變成「帶著問題去找醫生」。

幫家人規劃出國旅遊，以前是我一個人用三個晚上在 Google 上拼行程。現在是全家人一起跟 AI 討論，小的說想去水族館、媽說想逛市場、爸說走太多會累。AI 收了所有條件生出一個版本，我們再一起改。

這不叫「我用 AI 幫他們解決問題」。AI 變成了我們之間一個新的溝通方式。以前我爸不太會主動問我事情，現在他會說：「那個 AI 可以幫我查一下嗎？」

有一次比較有意思的是，我弟對某個他完全不懂的領域產生興趣。以前他會問我、我也不懂、然後就沒有然後了。現在他自己打開 AI，用自己的方式問、自己追問、自己建起了一套理解。我什麼都沒做，他自己走通了。那個瞬間我意識到：重點不在我幫他用 AI。是他開始自己跟 AI 建立關係了。

開頭那個公務員社群問的是「還有什麼好用途」，底下列了一串公文翻譯。他大概沒想到，最有用的那次不在辦公桌上。

Mollick 做過一個非正式調查，發現超過一半的 AI 使用者在組織裡是「地下工作者」，偷偷用，不敢讓同事知道。怕被發現自己的工作可以被自動化，或是公司根本禁止用。

但在家裡不需要地下。你就是那個可以帶身邊的人往前走的人。你不必是科技專家。你先踩過那條路就夠了。

有一句話說「最好的學習是教別人」。聽起來老套，但在 AI 時代有新的意思：你做的事情是示範一種跟資訊互動的方式，不在教別人用工具。而最好的結果不是他們都來問你。是他們自己學會問 AI。

從「給我答案」到「幫我想」：一句話的差距

McKinsey 在 1980 年代告訴 AT&T，到 2000 年美國會有 90 萬支手機。實際數字是一億支。人類不擅長想像指數變化。你現在覺得 AI「就這樣了」，可能就是 1995 年覺得手機能幹嘛的那個判斷。

但我真正在意的不是 FOMO，也不是「你不用就落後」那種恐嚇。

我自己的做法是：每次用 AI 的時候，刻意區分哪些是它的預測、哪些是我的判斷。該讓它做的讓它做，該自己想的不外包。

但我在意的不只是自己。AI 越好用，你越可能停止思考。BCG 的菁英顧問不笨。太方便了所以懶得判斷。這才是高原期真正的代價：你錯過的不是什麼功能。是你的判斷力在慢慢退化，而你完全感覺不到。

所以問題不是「AI 還有什麼好用途」。

問題是：你每次用完 AI，裡面有多少是你的判斷？

你一開始覺得自己跟得上這個時代。現在你知道，跟得上和用得深，是兩件事。

---

你每次用完 AI，問自己一件事：裡面有多少是你的判斷？那個問題的答案，就是一樓和屋頂的距離。

---

本文讀了這些來源：

書：

• Co-Intelligence: Living and Working with AI — Ethan Mollick
• Power and Prediction: The Disruptive Economics of Artificial Intelligence — Ajay Agrawal, Joshua Gans, Avi Goldfarb
• Prediction Machines: The Simple Economics of Artificial Intelligence — Ajay Agrawal, Joshua Gans, Avi Goldfarb
• The Exponential Age — Azeem Azhar

論文：

• Examining human reliance on artificial intelligence in decision making（Nature Scientific Reports, 2026）
• Exploring automation bias in human-AI collaboration: a review（AI & Society, Springer, 2025）

---

你可能也想讀：

• 你在思考嗎？其實你在選擇相信誰 — 判斷力的問題不只出現在 AI 使用上。你做的每個「自己想的」決定，追溯回去可能都不是你的
• AI Agent 來了，你的判斷力準備好了嗎？ — 如果你把更多決策外包給 AI agent，這篇講的風險值得先看