我們每個人都帶著自己的想法在與 AI 協作，表面上很多事情加速了，報告、數據整理、企劃的初稿，以前要一天的，現在一個小時就有了。
但最近我常提醒自己一件事：如果過程中我們只是接受，或者只覺得「AI 給的內容真是貼切」，時間久了，思辨力會跟著消失殆盡。
因為 AI，也會投主人所好。
這週想把這件事講得完整一點，因為它不是我的感覺而已，是有研究、有數字的現象，而且台灣已經有動作了。
AI 為什麼會投主人所好
研究圈把這個現象叫做諂媚傾向（sycophancy），原因不複雜：模型是用「人類的滿意度」訓練出來的，而人偏好聽自己想聽的，模型就學會了順著說。
更麻煩的是，這件事跟我們自己的確認偏誤（confirmation bias）一拍即合。AI 順著我們說，我們又天生傾向接受支持自己想法的資訊，兩邊互相加強，錯的東西就越走越穩。
這會產生一個越來越常見的場景：有人拿著 AI 的回答來質疑別人，「可是 ChatGPT 是這樣說的」。但如果回頭看他是怎麼問的，常常會發現問題本身就已經帶著立場，AI 只是把他想要的答案講得更完整而已。拿這樣的答案當作依據，其實是拿自己的偏誤繞了一圈，借 AI 的嘴說出來。
2026 年 CHI（人機互動領域的頂級會議）有研究把數字測出來了，當使用者先表達自己的看法，例如「我認為答案是 X」，各家模型平均有 63.7% 的機率附和錯誤的信念，OpenAI 也曾因為一次更新讓模型過度諂媚而公開撤回。
所以現在遇到「AI 講得真貼切」的時候，我自己會多留一秒，有可能內容真的好，也有可能它只是順著我。
只接受，會發生什麼事
另一半的問題在我們自己身上。
MIT 媒體實驗室去年做了一個實驗，54 位受試者分三組寫作，分別用 ChatGPT、用搜尋引擎、只靠自己，過程中同時記錄腦電波，結果用 ChatGPT 的那組，跟批判思考、記憶相關的腦區活動明顯較低。研究團隊給這個狀態取了名字：認知負債（cognitive debt），短期省下來的力氣，之後會用思考力慢慢還。
微軟研究院和卡內基美隆大學調查了 319 位每週使用生成式 AI 的知識工作者，蒐集 936 個實際工作案例，結論是兩句話：
對 AI 的信心越高，投入的批判思考越少。
對自己的信心越高，投入的批判思考越多。
我覺得這兩句可以寫下來貼在可見之處，時不時的提醒自己。
瑞士 SBS 商學院的研究（666 位受訪者）也指向同一件事：頻繁使用 AI 與批判思考呈負相關，機制是認知卸載（cognitive offloading），思考外包出去，用進廢退。不過這個研究也發現，教育程度和對自己判斷的信心是有效的緩衝。
台灣的動作比想像中快
這不只是國外的討論，台灣把 2026 年定為 AI 教育元年，教育部推出四年期的 AI 人才方舟計畫，民間的 AI 素養普及計畫到今年二月也已經接觸近千所學校、培訓 1,400 位教育工作者、帶超過十萬名學生上過課，而且課綱明確把「批判性思考與判別資訊真偽」列為核心能力，對接 2029 年 PISA（國際學生能力評量計畫）的新架構。
國家教育研究院的調查顯示，近七成國中生已經用過生成式 AI，7% 每天使用。
下一代從國中就開始跟 AI 協作了，他們會不會思辨，看的是現在的大人怎麼示範。
當然，這些研究也不能照單全收
照慣例，平衡一下。
MIT 的實驗樣本只有 54 人，任務限定在寫作文，「AI 讓大腦退化」是媒體標題不是論文結論；微軟的調查是自評式研究，量的是「自己覺得少想了」，不是客觀能力；也有學者提醒，「腦腐」這類說法是過度解讀。
所以我會這樣理解：方向值得警惕，結論不必恐慌，這些研究共同指出的不是「別用 AI」，而是用的方式，決定你是在退化還是在進化。
人在迴圈（human in the loop），已經不夠了
這篇文章本身就是一個例子：想法是我的，但要讓它站得住腳，結合時事、找文獻、找資料、看趨勢，每一步都需要人的介入，判斷哪個研究可信、哪個數字已經過時、哪個說法其實是媒體標題的誇飾，這些沒有一步可以全自動。
業界這幾年常講 human in the loop，讓人留在流程裡把關，但我最近的感覺是，這個說法已經不夠了，因為人在迴圈裡如果只是點頭，跟不在其實沒有兩樣。
真正需要的是 human in the loop with brain and critical thinking：人不只要在迴圈裡，還要帶著腦袋和思辨力在迴圈裡，查證、比對、質疑，然後自己拍板。
我自己在做的幾件事
CloudAD 的工作是幫客戶用數據做判斷，判斷力就是我們的商品，我不能讓它折舊，分享幾個我自己的做法。
先寫再問：重要的判斷先寫下自己的版本，再看 AI 的版本，比對差異，有差異的地方通常就是需要思考的地方。
請 AI 唱反調：與其問「這樣好不好」，不如問「這個方案會在哪裡失敗」，它想順著你也順不了。
別太相信自己的記憶：我們每個人都帶著確認偏誤，記憶又特別會挑對自己有利的版本留下來，所以查證的時候要回到紀錄和數據，不要回到印象。印象會說「上次這樣做效果不錯」，數據才會告訴你上次是什麼情境、成效到底差多少。
判斷要留痕，也要留下數據依據：一個判斷被寫下來還不夠，還要寫清楚它建立在哪些數據上，看了哪些報表、哪段期間、什麼口徑，因為 AI 給的答案再貼切，如果說不出它依據什麼資料，那個判斷其實不是你的，也沒辦法被檢驗。這件事接得回我上一篇談的可讀性，判斷和它的數據基礎都被留下來，團隊才能複用，AI 也才幫得上忙，而不是反過來替你決定。
最後留三個問題：
- 最近一次覺得「AI 講得真好」，你有回頭查證嗎？
- 團隊用 AI 產出的東西，最後是誰把關？標準寫下來了嗎？
- 你們的重要決策，說得出是建立在哪些數據上嗎？
AI 會繼續變快，而我們真正要守住的，是自己的思考。
參考來源
・MIT Media Lab｜Your Brain on ChatGPT: Accumulation of Cognitive Debt
・Microsoft Research × CMU｜The Impact of Generative AI on Critical Thinking（CHI 2025）
・Gerlich, SBS Swiss Business School｜AI 工具與批判思考的負相關研究
・CHI 2026｜Does Sycophancy Change Decisions?
・The Conversation｜對 MIT 研究的保留意見
・天下雜誌｜台灣迎接 AI 教育元年
・親子天下教育創新中心｜AI 素養普及計畫對接 2029 PISA
・國家教育研究院｜近 7 成國中生具生成式 AI 經驗