你把資料丟給 AI，它列出三個方案、附上優缺點、還幫你排了順序。看起來只剩下按確認。問題是，那個確認鍵按下去的責任，並沒有一起交出去。
AI 幫我分析，還需要自己決定嗎？
需要！而且這件事正在變得更重要，不是更不重要。
因為分析和決定本來就是兩件事：分析回答的是「事情是什麼」，決定回答的是「所以我要什麼」。
AI 能把第一件做得又快又好，但第二件牽涉到你的目標、你願意承擔的風險、你在乎但沒寫在資料裡的東西，這些它不知道。AI 教育專家李海碩提出的韌性工程學裡，把這種能力稱為「決策力」，與學習力並列為兩大核心能力。
分析和決定，差在哪裡
很多人把「分析完了」當成「決定好了」，這是兩件事被混在一起造成的錯覺。拆開來看會清楚很多。
| 分析 | 決定 | |
|---|---|---|
| 回答的問題 | 事情是什麼？有哪些選項？ | 所以我要選哪一個？ |
| 需要的東西 | 資料、方法、算力 | 目標、取捨標準、風險胃納 |
| 對錯怎麼判斷 | 有客觀標準，可以驗算 | 沒有標準答案，只有適不適合你 |
| AI 的角色 | 可以做得比你快、比你全面 | 它不知道你要什麼 |
| 誰承擔後果 | 沒有人 | 你 |
最後一列是關鍵。分析是不用負責的，決定要負責。AI 給你三個方案，選錯了它不會有事，所以它也沒有動機幫你把「你到底要什麼」想清楚。那一段永遠得你自己補。
分析交出去之後，人還剩下什麼？三件 AI 做不了的事
一、定義問題
AI 很擅長回答你問的問題，但不會告訴你問錯了。「這兩個供應商哪個比較便宜」跟「我們現在該不該換供應商」是完全不同的問題，而後者才是真正要決定的事。你如果只問前者，AI 會給你一份很紮實、但答錯題的分析。
二、設定取捨的標準
任何決定都是在幾件好事之間取捨：快一點還是穩一點、便宜還是耐用、現在輕鬆還是以後輕鬆。這些權重是價值判斷，不是資料能算出來的。AI 若沒拿到你的權重，它會預設一組最常見的權重給你，而那組權重通常屬於平均值，不屬於你。
三、承擔後果
這件事聽起來像哲學，其實非常實際：只有會承擔後果的人，才有動機把細節想到最後一層。AI 不會在半夜想起這個決定，你會。這個不對稱決定了為什麼最後一哩路不能外包。
為什麼「照 AI 說的做」比你以為的危險？
這不是感覺問題，有實證。三個研究從不同角度指向同一件事。
① 光是知道建議來自 AI，人就會放棄自己的判斷
2024 年發表在《Computers in Human Behavior》的一項實驗（Klingbeil、Grützner 與 Schreck，2024）發現：單單知道建議是 AI 生成的，就足以讓受試者過度依賴它，即使那個建議同時牴觸了現場可得的資訊，也牴觸了受試者自己原本的評估。
請注意這個發現的強度。不是 AI 講得比較有道理所以人被說服，而是光憑「這是 AI 說的」這個標籤本身，人就讓步了。研究還發現，對建議者信任度越高的人，照做的比例也越高。
② 自動化偏誤：不是新問題，是老毛病遇上新工具
人把判斷讓給機器的傾向，在 AI 之前就被研究過。1999 年 Skitka 等人的實驗（Skitka、Mosier 與 Burdick，1999）指出，使用自動化輔助工具的受試者，漏掉關鍵事件的比例是 41%，而沒有輔助工具的對照組只有 3%。
研究把這種錯誤分成兩型，這個分法到今天用在 AI 上依然精準：
| 錯誤類型 | 白話說法 | 為什麼會發生 |
|---|---|---|
| 漏做（omission） | 工具沒提醒，你就沒發現 | 警覺性下降。你把注意力交給工具之後，就不再自己掃描了 |
| 照做（commission） | 工具說什麼你就做什麼，即使明明有反證 | 沒有把手上的資訊納入考慮，加上相信機器的判斷比自己好 |
兩種錯誤要用不同方式防。漏做要靠主動掃描的習慣，照做要靠先形成自己的判斷。李海碩把後者叫做「先人後機」：先自己想、寫下來，再看 AI 怎麼說，然後比差異。做法在〈怎麼用 AI 學習又不會變笨？〉。
③ 越信任 AI，用到的批判思考越少
微軟研究院與卡內基美隆大學 2025 年的研究（Lee 等人，CHI 2025）調查了 319 位知識工作者、936 個真實使用情境，發現對 AI 信心越高的人，投入的批判思考越少；其中 83 人明白表示因為信任 AI，他們不再回頭檢查。
同一份研究還有一個常被略過的結論：AI 把人的工作從「執行」推向「查證、整合與監督」。也就是說，你的角色正在從做事的人變成把關的人，而把關這件事的核心就是決策力。諷刺的是，越依賴 AI 的人，越是在放掉這份新職責。
而且，提醒自己小心是沒用的
相關研究顯示，針對過度依賴設計的警告比較容易改變人的「意識」，不容易改變人的「行為」。人知道要小心，但在實際操作時還是照做。結論很清楚：對抗過度依賴要靠流程，不能靠意志力。所以下一節談的是動作，不是心法。
AI 時代怎麼提升決策力？4 個可以固定執行的動作
決策力不是靠多想一點，是靠幾個會強迫你思考的固定步驟。這四個動作可以照順序做，也可以只挑最缺的那一個開始。
動作一：先寫下你的判斷與理由，再去問 AI
在打開 AI 之前，花三分鐘寫兩句話：我現在傾向選哪個，以及為什麼。寫下來很重要，因為只要沒寫，你在看完 AI 的分析之後，會自動覺得「我本來也是這樣想的」。
這一步同時擋掉了前面說的「照做」型錯誤：你已經有自己的版本，AI 的建議就變成對照組，而不是答案。如果兩邊不一樣，那個差異才是你真正該研究的地方。
動作二：把取捨標準寫出來，並排序
在問 AI 之前先寫清楚：這個決定我最在意的三件事是什麼，順序是什麼。例如「① 三個月內要能上線 ② 總成本不超過 X ③ 團隊學得會」。
寫出來有兩個好處。第一，AI 拿到你的權重，給的建議才是為你設計的，而不是套用一組平均值。第二，權重一旦寫成文字，就會暴露矛盾：你會發現自己同時要最快、最便宜又最穩，而這個矛盾在你腦子裡時是感覺不到的。
動作三：要 AI 當反方，不要當顧問
多數人問 AI「你覺得我該怎麼做」，得到的是一份順著你走的建議。改成這樣問：
- 「我打算這樣做，理由是這些。請你扮演反方，給我三個最強的反對理由。」
- 「這個決定在什麼情況下會出錯？請列出三種最可能的失敗情境。」
- 「我可能漏掉了哪個選項？請提出兩個我沒想到的做法。」
這樣用 AI 的價值高得多，因為它擅長的正是快速蒐集你視野外的資訊。讓它補盲區，而不是幫你下結論。更多提問技巧可以看〈AI 指令怎麼下才有效？〉。
動作四：留一份決策紀錄
做完決定，用三行寫下來：當時我知道什麼、我賭的是什麼、如果錯了會從哪裡看出來。
第三行最有價值，因為它預先指定了檢查點。沒有這一行，結果好你會覺得自己厲害、結果壞你會覺得運氣不好，兩種情況你都學不到東西。決策力的成長靠的是回饋，而回饋要靠事前留紀錄才拿得到。
李海碩是葳格國際學校總校長，也是密涅瓦大學決策分析碩士。決策分析這門訓練的核心，就是把「你憑什麼這樣判斷」拆開來檢查：證據有多強、假設是什麼、如果假設不成立會怎樣。上面四個動作是這套訓練壓縮成一般人每天做得到的版本。
哪些決定可以交給 AI，哪些不行？
不是所有事都要這樣慎重，那樣會累死。用兩個問題就能分流：這個決定可不可逆？後果多大？
| 情境 | 可逆性 × 後果 | 建議做法 |
|---|---|---|
| 午餐吃什麼、文案標題選哪個 | 可逆、後果小 | 直接讓 AI 決定。省下的力氣留給重要的事 |
| 買哪台設備、用哪個工具 | 可逆、後果中 | AI 分析，你決定。看一下取捨標準有沒有寫對 |
| 要不要換工作、要不要簽這份約 | 難逆、後果大 | 四個動作全做。AI 只當反方，不當顧問 |
| 醫療、法律、財務、孩子的教育 | 難逆、後果大、且你不是專家 | AI 只用來整理問題與準備提問，最後一定要問真的專業人士 |
最後一列要特別說明。你不熟的領域，正是 AI 幻覺最容易通過的地方，因為你不知道該懷疑什麼。這一層的判斷方法在〈AI 幻覺是什麼？怎麼判斷 AI 給的答案能不能信？〉裡有完整說明。
一個容易被忽略的成本：你會失去決策的手感
前面談的都是單次決定的風險。還有一個更慢、也更難察覺的：決策力是靠一次次決定累積出來的，把決定外包，累積就停了。
這件事的機制跟學習一樣。你之所以判斷得越來越準，是因為你做過決定、看過結果、在心裡校正過「我當初哪裡想錯了」。如果每次都照 AI 說的做，那個校正的迴路就從來沒有啟動過。短期看起來每個決定都很不錯，長期你會發現自己不敢決定了。
這正是〈一直用 AI 會變笨嗎？〉談的心智脫離，發生在決策這一塊。要察覺它，你需要能監控自己判斷品質的能力，也就是〈後設認知〉。學習力與決策力在這裡接上了：兩者共用同一個底層，就是知道自己現在到底懂不懂、有沒有把握。完整的能力結構可以看〈AI 時代該學什麼？〉裡的韌性工程學。
接下來可以做什麼
下一個決定就能試（5 分鐘）
- 在打開 AI 之前，先寫兩句話：我傾向選什麼、為什麼。
- 把「我最在意的三件事」按順序寫下來，連同問題一起給 AI。
- 問 AI 一句：「請扮演反方，給我三個最強的反對理由。」
這個月可以建立的習慣
- 開一份決策紀錄，只記三行：當時知道什麼、賭的是什麼、錯了會從哪裡看出來。
- 把你的決定用可逆性與後果分成三級，只對「難逆、後果大」的那一級動用完整流程。
- 每個月回頭看一次紀錄，找出你最常錯的那一類判斷。
如果你帶團隊或帶孩子
- 要求對方在拿 AI 的建議來討論之前，先講自己的版本。
- 把「你為什麼這樣選」問出來，而不是只看結論對不對。
- 示範一次你自己改變主意的過程，讓他們看到判斷是可以修正的。
每週一則，把決策力練成習慣
AI 會越來越會分析，這代表「決定」這件事的比重只會越來越高。李海碩的《碩學苑》電子報每週寄一則 AI 時代的學習與思考觀察，包含最新研究與可以直接用的判斷方法：👉 訂閱《碩學苑》電子報
常見問題 FAQ
Q：AI 幫我分析，還需要自己決定嗎？
A：需要。分析回答「事情是什麼」，決定回答「所以我要什麼」。後者牽涉到你的目標、取捨標準與願意承擔的風險，這些沒有寫在資料裡，AI 不知道。而且承擔後果的是你，不是它。
Q：什麼是決策力？
A：決策力是在資訊不完整、選項各有優缺點的情況下，依自己的目標與取捨標準做出選擇，並為結果負責的能力。在李海碩提出的韌性工程學裡，它與學習力並列為兩大核心能力。
Q：AI 時代怎麼提升決策力？
A：四個固定動作。① 打開 AI 之前先寫下自己的判斷與理由；② 把取捨標準寫出來並排序；③ 要 AI 當反方提出反對理由，而不是當顧問給答案；④ 留一份決策紀錄，記下當時知道什麼、賭的是什麼、錯了會從哪裡看出來。
Q：什麼是自動化偏誤？
A：自動化偏誤（automation bias）指的是人傾向把自動化工具的判斷當成免檢查的答案。這個概念出自 Skitka、Mosier 與 Burdick 在 1999 年的研究，他們發現使用自動化輔助的受試者漏掉關鍵事件的比例達 41%，對照組只有 3%。錯誤分成漏做與照做兩型。
Q：AI 給的建議跟我的判斷不一樣，該聽誰的？
A：先不要急著選邊。差異本身就是資訊，代表你們其中一方掌握了對方沒有的東西。問 AI 它的理由，也把你的理由寫出來對照。如果 AI 的理由建立在你知道不成立的前提上，那就是它錯；如果它提出了你沒想到的因素，那就是你該補的。
Q：哪些決定可以直接交給 AI？
A：可逆而且後果小的，例如午餐吃什麼、標題選哪個，直接交給它，省下力氣。難以回頭又後果大的（換工作、簽約、醫療、法律、財務、孩子的教育），AI 只用來整理問題與準備提問，最後要問真的專業人士。
Q：讓 AI 幫忙做決定，判斷力會退化嗎？
A：會，而且不容易察覺。判斷力靠「做決定、看結果、校正」的迴路累積，把決定外包等於讓迴路停擺。短期每個決定看起來都不錯，長期會變得不敢決定。防止的方法是保留自己先判斷的那一步，以及事後留紀錄。
Q：提醒自己不要太依賴 AI，有用嗎？
A：效果有限。研究顯示，針對過度依賴的警告比較容易改變意識，不容易改變行為，人知道要小心但實際操作時還是照做。所以要靠固定流程（先寫判斷、寫取捨標準、讓 AI 當反方），而不是靠提醒自己。
參考資料
- Klingbeil, A., Grützner, C., & Schreck, P.（2024）。Trust and reliance on AI: An experimental study on the extent and costs of overreliance on AI。Computers in Human Behavior, 160, 108352。
- Skitka, L. J., Mosier, K. L., & Burdick, M.（1999）。Does automation bias decision-making?。International Journal of Human-Computer Studies, 51(5), 991-1006。
- Lee, H.-P., et al.（2025）。The Impact of Generative AI on Critical Thinking。CHI 2025，微軟研究院與卡內基美隆大學（PDF）。
延伸閱讀：→ 〈AI 時代該學什麼？〉｜→ 〈AI 幻覺是什麼？〉｜→ 〈什麼是後設認知？怎麼練？〉｜→ 〈一直用 AI 會變笨嗎？〉｜→ 〈怎麼用 AI 學習又不會變笨？〉