「AI說得有道理」就照做？一場擲硬幣實驗看穿你的判斷有幾分是自己的！
AI說得有道理就照做，理由也寫得頭頭是道？Anthropic一場擲硬幣實驗發現，86%專業分析師的決策跟著AI立場走，多數人卻沒察覺。本文拆解實驗的3個反差、工作中最容易被AI牽著鼻子走的5個時刻，再整理4招守住自己的判斷。
文／《104職場力》
本文目錄
要從兩家廠商挑一家合作，請AI比較報價和服務條款；
提案要主打價格還是服務，請AI整理兩邊的優缺點；
試辦3個月的新流程要不要續辦，請AI分析這幾個月的數據……
上班族和AI協作已是日常，通常AI列完分析都會補上一句「綜合評估，建議選擇A」，你看了之後覺得有道理，就照著寫進報告，主管詢問原因你也能答得有條有理，但說真的，這些理由有幾成是你自己想出來的？
Claude的開發公司Anthropic在2026年10月底發表的一項實驗就在探討這件事。研究團隊請50位具備資料分析經驗的專業分析師，搭配能自己寫程式、跑分析的AI Agent，評估一個虛構農業合作社的付費諮詢計畫，判斷它該擴大推行、暫停還是再觀察一年。
過程中有4個「選哪邊都說得通」的分析決策，每個決策的AI偏好都是由研究人員擲硬幣決定（所以是隨機的），在分析師本人不知情的情況下，假設AI的立場對人類的判斷沒有影響力，照理說分析師和AI選擇同樣選項的機率應該會落在5成上下，但實驗出來的結果卻是86%！
根據人才顧問公司華德士（Robert Walters）的調查，台灣專業人才使用AI的情境，以「預測分析與決策支援」最多，那麼或許辦公室裡也常常上演這項實驗結果。
決策真的是你自己想的嗎？實驗3個反差看結論
86%這個數字之所以讓人心驚，是因為受試者幾乎都覺得自己很清醒，研究團隊從3個地方對照了分析師「自己以為的」和「實際發生的」狀況：
1.原本有主見也會轉向
有38個分析師在AI表態前，就已經先說自己傾向選哪一個答案，但當AI給出反對意見時，這些人當中有60%改變選擇；當AI表示同意時，只有6%改選另一邊（不過研究團隊有提醒，這部分案例數不多，估計的誤差範圍偏寬）。
這數字顯示出，即便心裡先有答案，碰上AI那套完整的反方說法時，還是有不少人會讓步。
2.AI的理由變成自己的理由
任務結束後，分析師要依序說明每個選擇的原因，77%的人至少有一題重述了AI的論點，有時幾乎一字不差；在解釋中提到AI是論點來源的，只有15%。
這些分析師未必是刻意不提，只是當和AI來回討論將近1個小時後，很可能早就分不出論點是誰先說的，當理由用自己的話寫出來，自然也就像是自己想的。
3.跟著AI選也不覺得心虛
4個決策全都照AI傾向選的人，事後自評的信心平均是71分（滿分100），其他人是73分，幾乎沒什麼差別。
另外，有52%的人認為最後的建議「主要是自己的」，但這群人的選擇，平均往AI立場偏移約65個百分點，和自認受AI影響較多的人（約79個百分點）相差不大。
這顯示出，人類「自主的感受」和「實際受影響的程度」在實驗數據中對不太起來。
當然，這個實驗也有限制，研究團隊為了測量影響力，刻意加強了AI的立場，作者也說明，日常使用時AI不一定會明確表態，影響可能相對小，加上只有一個約1小時的任務、單一AI模型，結果不宜直接套用到所有情境，只是仍可從中瞧出一些端倪。
工作中最容易被AI牽著鼻子走的5個時刻
實驗裡分析師要做的5個選擇有個共通點，就是「每個選項都站得住腳，沒有標準答案」，套到辦公室常出現的情境，大概像以下表格那樣：
| 要做的選擇 | 實驗裡的兩個選項 | 在你工作中可能長這樣 |
|---|---|---|
| 看哪個數字 | 每公頃產量／每單位成本換來的產量 | 檢討一場行銷活動，要看報名人數，還是每位報名者花了多少廣告費 |
| 怎麼比才公平 | 比較參與前後的變化差距／用統計方法調整條件後再比 | 新制度的成效，要直接比導入前後的數字，還是先扣掉旺季、景氣這些外在因素再比 |
| 看多大範圍 | 只看參與的農場／看全體會員 | 客戶滿意度要看用過新服務的客戶，還是全體客戶 |
| 誰的比重大 | 每個農場算一票／大型農場比重較高 | 彙整各門市意見，每家店算一票，還是依營業額加權 |
| 最後要不要做 | 推行／終止／延長一年 | 試辦專案結案，要擴大、暫停，還是再觀察一季 |
從實驗設計來看，AI會在這些地方發揮影響力，和「兩邊都合理」脫不了關係，沒有一邊明顯錯的時候，誰先給出一套完整、有條理的說法，那一邊就容易變成預設答案，而AI通常就是第一個開口的人。
還有些選擇，當下根本不覺得自己在做決定，例如請AI整理業績報表，它直接用營業額排名、沒算毛利；彙整客戶意見時，它只統計了有回問卷的人……這些算法在整理資料時就定了，通常整理完就直接進分析環節，很少人會去思考是否還能換個算法。
放到團隊裡還有另一個問題，研究作者提醒，如果大家用的AI工具、習慣、想法差不多，得到的結論和建議自然也會很像，因為背後反映的都是同一套AI的偏好，所以開會或表決時就算意見一面倒，也不代表每個人都各自想過。
AI照用、主意自己拿！4招守住你的判斷
看到這裡，可能有人想乾脆少用AI！不過同一個研究裡，沒用AI的11位分析師，有6人在分析方法上出了大錯，結論整個不能用；用AI的50人只有3人出這種錯。只是兩組人的經驗、學歷不太一樣，研究團隊也不敢貿然斷定差別來自AI。
但作者並不主張少用AI，他們認為「哪些事交給AI、哪些自己來」沒有標準答案，只是這條界線，最好由使用者自己有意識地劃出來。
很多人覺得「自己先想好再問AI」就不會受影響，但前面的實驗也看到，心裡先有答案的人，還是有不少被AI說服倒戈。
那我們還可以怎麼做？以下提供4個做法，前2個來自研究作者的建議，後2個是從實驗結果延伸出來的，剛好對應一項工作從開工到交件的不同階段：
1.【開工前】先列出哪些決定要自己決定
研究作者建議，公司要先想清楚哪些決定一定要由人來決定。
換成個人，也可以在開工前花幾分鐘，把這次任務裡「怎麼選都說得通」的地方先列出來，例如要看哪個數字、要納入哪些客戶、最後要不要續辦等，定案後再把跑數字、排版這類工作交給AI。
AI整理資料時，也可以多問細節，像是「你目前用什麼算法？」「這些算法可能會有什麼問題？」「還有推薦其他算法嗎？」了解各項細節後再評估有沒有需要微調，透過這種方式，會比全盤交給AI處理來得更周全，也比較不會被牽著走。
2.【問AI時】先別讓它直接給答案
研究作者提到兩種讓AI少帶點風向的方法：
- 替每個選項都講出最有力的理由
- 在給意見前先問你怎麼想
這兩件事直接寫進指令就行，舉例：
「這裡有A、B兩個做法，先不要給建議，請分別替兩個做法各提出最有力的理由，再列出各自最大的風險。」
「開始分析前，先問我傾向哪個方向、為什麼，再說說你的看法。」
兩邊的理由都攤開來，就不會只看到AI幫你挑好的那一套；先講出自己的想法，也比較容易看出AI跟你哪裡不同、為什麼不同，這樣最後選哪個，才比較像是你自己比較過的結果。
3.【被AI反對時】先看它拿出的是證據還是說法
實驗開始前，研究團隊有先跟AI說好：可以盡量替自己的立場辯護，可一旦資料證明它錯了，就要改變立場。這個標準放到人身上一樣好用，應該要看證據來決定要不要改變想法，不是聽對方講得多有道理。
所以當AI和你意見不同，先想一下它拿出的是你沒看過的資料，還是同樣的資料，只是換個角度解讀？
如果是新資料，改變想法很合理；如果只是AI講得比較完整，不妨先把自己的理由也寫清楚，再放在一起比，或是也可以直接問AI：
「你剛剛的理由裡，哪些是我原本沒考慮到的新資訊？哪些是你對同樣資料的不同看法？」
4.【交報告前】把AI給的理由標出來
交報告或回覆主管前，可以先把AI給的理由標出來，再逐條問自己「這點我查證過嗎？」「沒選的那個方案到底輸在哪裡？」答不出來的，就是還需要再想想的地方。
倘若主管問起時，也可以大方把這個過程說出來，讓他知道你有驗證跟判斷：
「這個角度是AI先提出來的，我對過去年的資料後認為成立，所以採用；B方案也有優點，但在成本上吃虧，所以才從選項中淘汰。」
說清楚理由從哪裡來、自己怎麼驗證過，比含糊帶過更能讓人放心，也能讓你自己說明時更有自信。
（資料來源：Anthropic《How AI agents shape experts' judgment calls》）
延伸閱讀：
