跳到主要內容
你以為你會用 AI 了，其實你只用了 1%

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。

大多數人把 AI 當成更聰明的影印機

台灣某個公務員論壇有人問：「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。

Wharton 教授 Ethan 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。

我一個學長前陣子跟我說：「我有訂 ChatGPT Plus 啊，主要拿來翻譯和寫 email，偶爾問問題。」我問他還用來做什麼，他想了一下說：「就這樣吧。」

我把這個狀態叫 AI 高原期。你覺得到頂了，其實是停在一樓。

一樓跟頂樓的差距在哪裡

差距不在功能，不在付費版，不在 prompt 技巧。差距在一個你可能從來沒想過的問題：

你是在叫 AI 給你答案，還是在叫它幫你想？

我舉三個畫面。

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 65 歲，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。預算兩個人 10 萬台幣含機票。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 最強的地方不是它知道得多。是它可以用你已經懂的事情，解釋你還不懂的事情。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。

你把預測和判斷混在一起了

AI 做的是預測，你做的是判斷。經濟學家 Ajay Agrawal 的框架說得很清楚。

Agrawal 用一個很日常的例子解釋：出門要不要帶傘。以前你要嘛養成習慣永遠帶（規則），要嘛賭一把不帶（也是規則）。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：他提到自駕車租車。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。

高原期的問題就在這裡：你把預測和判斷混在一起了。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。但那只是預測。你的判斷從來沒有加進去。

更微妙的是，2026 年一個 295 人的實驗發現：越信任 AI 的人，判斷反而越差。不是因為 AI 有毒，是因為他們把自己的判斷外包了，以為 AI 的預測就是最終答案。

但這不是叫你少用 AI。相反，是叫你用更多，但用的方式不一樣。

一份回顧 35 篇研究的分析發現一件有趣的事：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。

換句話說，最危險的不是不用的人，是覺得自己已經會用的人。

兩本書面對面攤開，中間放著多肉植物和眼鏡，像是兩個觀點在對話

兩個聰明人吵架，而且都對

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。

不是因為 AI 給了錯誤的預測。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。這不是意志力的問題，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 的能力不是一條平線，是像城牆一樣有些地方突出、有些地方凹進去。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」。

最有意思的部分不是你自己

我後來發現，AI 用得越多、用得越深，最意想不到的改變不是我自己變強了，而是它改變了我跟身邊的人的互動。

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，小孩說想去水族館、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。

這不是「我用 AI 幫他們解決問題」。是 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？」

回頭看，每個場景都是 prediction/judgment 的分離在運作。AI 預測那些醫學數字代表什麼，但我爸對自己身體的理解、他想問醫生什麼、他在不在意某個風險——那是他的判斷，AI 不知道。旅遊行程也一樣：AI 預測哪條路線最受歡迎，但「我媽走太久會痛」「小孩只想去水族館」是我們家的判斷。

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：重點不是我幫他用 AI，是他開始自己跟 AI 建立關係了。他在做的事情，正好就是 Agrawal 說的：提供自己的判斷，讓 AI 的預測變得有用。

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。不是因為你是科技專家，是因為你先踩過那條路。

我大學時候有個教授常說：「最好的學習是教別人。」那時候覺得是老掉牙的話。現在發現他說的不只對，而且在 AI 時代有了新的意思：你不是在教別人用工具，你是在示範一種跟資訊互動的方式。而最好的結果不是他們都來問你，是他們自己學會問 AI。

我怎麼想這件事

我就是一個把 AI 用到生活各個角落的人。不只是工作，是生活的每個面向。

我的做法是：在預算範圍內用最好的工具、最好的模型。不是為了追新，是因為我發現 AI 能力的天花板和地板差距非常大。好的模型在關鍵時刻能幫你想到你想不到的事；差的模型只會給你一段看起來正確但其實空洞的文字。

有人覺得「AI 就是一個工具，工具不需要用到極致」。我不同意。你手機也是一個工具，但你不會只拿來打電話。

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。我在意的是 Mollick 和 Agrawal 吵出來的那個矛盾：AI 越好用，你越可能停止思考。BCG 的菁英顧問不是笨，是太方便了所以懶得判斷。

這才是高原期真正的代價。不是你錯過了什麼功能，是你的判斷力在慢慢退化，而你完全感覺不到——因為 AI 給的答案看起來都很好。

所以我的做法不是「多用」或「少用」。是每次用的時候，刻意區分哪些是 AI 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。

具體來說就是一件事：下次用 AI 的時候，多說一句關於你自己的話。

告訴它你是誰、你在什麼情境、你在乎什麼。然後看它回來的東西，問自己：「這裡面有多少是我的判斷？」

那個問題，就是一樓和屋頂的距離。

如果你身邊有人覺得 AI「就這樣了」，把這篇傳給他。不是要說服他，是讓他自己看看高原上面還有什麼。

本文讀了這些來源：

書：

Podcast：

論文：

聲明： 以上內容為個人使用 AI 工具的經驗分享與閱讀相關研究後的觀點整理，不構成任何專業建議。文中提及的 AI 工具和使用方式僅供參考，實際效果因人而異。

你可能也想讀：

新文章上線時通知你

有新主題才通知，僅此而已。