中年知識工作者的判斷主導權：AI 愈好用，判斷力會不會反而退化？

一位進入某國際知名主動元件大廠約兩年的 FAE（Field Application Engineer，現場應用工程師）中階主管，最近處理一個客戶回報的 driver（驅動程式）異常。

這類 driver 問題一直是他的專業領域。在 ChatGPT 這類生成式 AI 工具普及以前，他通常會自己完成整套 debug 流程。

他曾是資深軟體工程師，有多年 driver 開發經驗。過去遇到異常，他通常會自己讀 log、查 datasheet、看 source code，接著建立幾個可能原因的假設，再寫測試程式、與研發工程師討論、搜尋既有案例，一步一步排除，最後形成自己的判斷。

但這一次，他把 log 和錯誤訊息直接交給 AI。

很快地，AI 已經列出大量分析結果、可能原因，以及後續 action plan。

他的第一個反應是：

非常驚訝。

第二個反應卻是：

慌張。

這個「慌張」值得注意。

不是因為 AI 已經造成什麼事故。到目前為止，沒有發生明確因 AI 建議而造成的重大錯誤；僅憑目前這些觀察，也不能判斷他的專業能力已經因 AI 而退化。

真正值得追問的是：

當 AI 愈來愈會做原本需要自己思考的事情，我們究竟是在擴張自己的能力，還是在不知不覺間，把形成判斷力的過程一起交辦給AI？

01｜做得更好，不代表自己變得更強

AI 很容易讓我們把兩件不同的事情混在一起：

有 AI 協助時，我的表現很好。

以及：

我的能力因此變得更強。

兩者其實並不能畫上等號。

AI 可以幫我們快速搜尋資訊、整理資料、提出假設、比較可能原因，甚至生成一套看起來相當完整的解法。

最後完成的報告可能更完整，程式可能寫得更快，分析也可能涵蓋更多面向。

這些都是 AI 帶來的真實表現提升。

但它卻不能直接證明：

人的 獨立思考判斷能力 也同步提高。

真正的考驗往往發生在另一個時刻：

AI 答錯了。

AI 提出的結論和現場資料衝突了。

或者 AI 先後給出兩個互相矛盾的答案。

這時候，我們該如何處理？

02｜真正的問題，不是用了多少 AI

回到那位 FAE。

過去，他的 debug 流程大致是：

讀 log → 查資料 → 建立假設 → 排查原因 → 測試 → 驗證 → 形成判斷

現在則逐漸變成：

定義問題 → AI 「建立假設／分析原因／提出 solution」 → 人最後決定

表面上看，只是工作流程縮短了。

但如果仔細拆開，中間減少的並不只是幾道麻煩的步驟。

建立假設、比較證據、排查原因、處理矛盾、設計驗證，本來就可能是專業判斷形成的一部分。

這也是認知卸載。

認知卸載本身並不是壞事。

人類早就把記憶交給紙筆，把計算交給計算機，把導航交給 GPS。

專業工作的進步，本來就包含把部分工作交給更好的工具。

因此真正的問題不是：

我用了多少 AI？

而是：

AI 接手工作之後，我自己還參與多少必要的認知活動？

如果 AI 幫我搜尋資料，但我仍然比較證據，這是一種使用方式。

如果 AI 幫我列出候選原因，但我仍然判斷哪一個最符合實際狀況，也是一種使用方式。

可是如果工作逐漸變成：

我負責問，AI負責想，我負責把答案卷遞交出去。

那麼被卸載的，可能就不只是工作量。

03｜真正危險的，不只是 AI 答錯，而是我看不出它錯

最近幾個月，這位 FAE 的工作方式出現幾個值得注意的變化。

第一，過去遇到問題會先自己 debug，現在第一步經常先問 AI。

第二，下屬追問部分技術細節時，有些問題他無法立即回答。

第三，也是最值得注意的一點：

當 AI 先後提供互相矛盾的答案時，他有時不知道該如何取捨。

這裡碰到的，才是本文真正關心的東西：

判斷主導權。

所謂判斷主導權，不是看最後由誰按下「確認」。

而是：

誰仍有能力理解證據、發現矛盾、要求驗證，並在必要時否定原來的答案。

過去 Automation bias (自動化偏誤) 的研究已經提醒我們，即使是專業工作者，也不會因為自己有經驗，就自然免疫於自動化系統提出的錯誤建議。

真正棘手的地方甚至可能不是 AI 太常犯錯。

而是另一個情況：

當 AI 長期表現得足夠可靠，人反而更容易減少自己的檢查與介入。

如果一個工具十次錯五次，我們自然會一直檢查它。

但如果它長期都很可靠，人最合理、最高效率的做法，反而可能是逐漸減少重複驗證。

這可以對照人因工程中的一個經典問題：脫離循環的效能問題。

當自動化長期接手工作，人愈來愈少需要親自參與日常判斷；但也正因如此，當自動化真正失效、發生例外或需要人重新接管時，人可能已經比較難快速恢復完整的情境理解與介入能力。

於是出現一個有點反直覺的悖論：

工具愈可靠，人愈少練習接管；愈少練習接管，真正需要接管時就可能愈困難。

這比「AI 偶爾會答錯」更值得注意。

因為真正需要專業者的，往往正是那少數正常流程失效的時刻。

04｜但「不再親自做」，不等於能力退化

走到這裡，很容易得到另一個過度簡化的結論：

那是不是應該少用 AI？

我認為不是。

這個案例本身就存在重要反例。

這位 FAE 發現，在某些自己原本不熟悉的領域，AI 反而能快速提供背景資訊、候選方向與分析框架，讓他的分析更完整。

這正是 AI enhancement (人工智慧提升) 有價值的一面。

於此同時，他現在也已經不是全職 Driver開發者，而是一名 FAE 中階主管。

他的工作範圍更廣，需要處理客戶、產品、跨部門協作與管理問題。

他對某些底層 Coding 或 Debug 細節不像以前那麼熟悉。

即使完全沒有 AI，一項技能只要長期較少實際操作，也可能自然出現 技能衰減。

工作範圍擴大也可能帶來另一種現象：

以前專精一個領域，可以回答很多細節；現在面對更多產品、客戶與技術情境，知道自己不知道的事情反而更多。

因此，僅憑目前觀察還無法判定：

AI 已經造成這位 FAE 的 去技能化 (De-skilling)。

真正要區分的是兩種完全不同的變化：

一種是能力退化。

另一種則是能力重新配置。

如果某些例行分析被 AI 接手，讓專業者可以把注意力移向問題定義、例外情境、系統整合、客戶需求、風險判斷與責任承擔，這未必叫退化。

「不再親自做」和「已經失去判斷能力」不能畫上等號。

05｜緊抓判斷主導權 - 推理鏈

那麼，我們要怎麼知道自己正走向哪一邊？

我目前會用四個問題檢查：

理解 → 質疑 → 驗證 → 取捨

第一，理解

我知道 AI 為什麼提出這個答案嗎？

不需要重新手算、重寫、重做 AI 的全部分析。

但至少應該知道：

這個答案依賴哪些資訊？

最重要的假設是什麼？

如果其中一個關鍵假設錯了，結論會不會改變？

如果完全說不出來，我擁有的可能只是一個答案，而不是理解。

第二，質疑

有哪些證據可能讓這個答案不成立？

專業判斷不是替第一個答案蒐集更多支持。

還包括主動問：

有沒有其他可能原因？

什麼現象和目前的解釋不一致？

AI 遺漏了哪些條件？

什麼證據出現時，我必須放棄現在這個結論？

真正的專業，不只在於能產生答案，也在於知道答案可能錯在哪裡。

第三，驗證

我能不能用資料、測試或其他方法確認它？

尤其在工程、醫療、財務、研究等需要對結果負責的工作裡，「聽起來合理」並不夠。

log、test results、datasheet、Source code、實驗，以及其他獨立資料來源，都可能是把判斷重新拉回現實的方法。

AI 甚至可以幫忙設計驗證。

但驗證本身不能只剩：

「我再問一次 AI，看它是不是還這麼說。」

第四，取捨

當不同證據、不同模型或不同 AI 答案彼此衝突時，我有沒有自己的判斷準則？

這不只是從 A、B 中挑一個答案。

還可能涉及：

• 哪個風險不能承擔？
• 哪些資訊可信度較高？
• 是否還需要更多測試？
• 時間成本是否允許繼續追查？
• 什麼情況下應該暫停下結論？

這可能才是多年經驗真正難以被壓縮的部分。