延續 <AI 時代獨有的新風險：幻覺> 的議題，這篇我們來討論，當遇到這種新樣態風險時，PM 的幻覺求生術是什麼。

為了不讓自己成為 AI 幻覺的傳播者，你需要掌握幾項關鍵的「反虎爛」生存技巧。你可以把它們想像成一個內建在你腦中的 AI 回應可信度溫度儀，在採納任何 AI 產出的資訊前，先讓它通過這幾道關卡的檢驗。

技巧 1：優化提示詞（Prompt），讓 AI 自我設限

資訊領域有句名言：Garbage in, garbage out。要從源頭減少 AI 亂掰的機率，最好的方法就是下達一個具規格化、非常明確的指令。

具體方式如下：

1. 要求引用與限制：在你的提示詞中，明確要求 AI 提供所有資訊的來源、出處與時間。

   Prompt 舉例：

   *幫我分析 2025 年 Q3 全球智慧健身市場的競爭格局。
   
   ##限制##
   -來源務必引用具權威性的市場報告或官方新聞稿作為來源
   -在每條論述後附上來源連結與發布日期。
   -如果找不到相關資訊，請直接告訴我「資訊不足」，不得自行想像或過度推論。*
   

2. 使用提示步驟 + 思維鏈(Chain of Thought) 的提示法：這個技巧會強迫 AI 打開它的思考黑盒子，自問自答。

   Prompt 舉例：

   *請你扮演市場分析專家，分析 胡鬧廚房有限公司 在 2025 第四季可能面臨的市場風險。
   請一步一步地思考，不要求快
   
   ##Steps##
   首先，列出 A 公司在電動車領域的主要競爭對手。
   其次，搜尋這些對手過去六個月內發布的官方財報或公開新聞稿。
   最後，基於這些你找到的資料，分析 A公司在下一季可能面臨的市場風險，並說明你的推論過程。*
   

就算我們下了「好規格」的 Prompt ，還是不能大意。

當你得到回應結果後，你的檢驗步驟才剛要開始，需要做以下：

1. 檢查來源真實性：AI 有時會編造不存在的網址或報告名稱，請務必親手點擊或搜尋確認。
2. 評估來源可信度：官方網站、學術論文、權威媒體的報告，可信度高於個人部落格或論壇 thread。 (除了廣告內容之外)
3. 確認資訊時效性：這份資料是上週發布的，還是三年前的？在快速變動的市場中，時效性決定了資訊的價值。 (必要時可在 prompt 中要求 AI 只找近 N 個月的來源)

技巧 2：用多個 AI 交叉驗證

在重要決定前，你不會只聽一個部門的意見就做決策，對吧？對待 AI 也該如此。把不同的 AI 模型當成來自不同部門、各有專長的專家。

• 實戰心法：針對同一個複雜問題，同時詢問 ChatGPT、Gemini、Claude 等不同模型。
  • 比對回覆落差：看看它們的答案有哪些共通點，又有哪些互相矛盾的地方。
  • 萃取共識：各方都提到的部分，通常可信度較高，可作為基礎事實。
  • 標記差異點：互相矛盾的部分，正是你需要投入時間手動查核的關鍵風險點。

這個方法雖然比較搞工，但它特別適用於需要多角度分析的「開放性問題」。例如，ChatGPT 可能在創意發想上更勝一籌，Gemini 因為整合了 Google 搜尋，在事實驗證上可能更強，而 Claude 則擅長處理和總結超長篇的財報文件以及寫程式。了解這些工具的特性，有策略性地組合它們，就像組建一支高效的智囊團。

技巧 3：使用搜尋型 AI 工具

這其實是一個小小的偷吃步，與其費力去驗證一個通用型 AI 的答案，不如一開始就使用為搜尋而生的「搜尋工具型」 AI。例如 Perplexity、Felo Search 這類工具，它們的設計，打從 DNA 就是結合搜尋引擎、RAG 與 AI，預設就把引用來源融入了整個功能中。

當你經常需要最新、可靠且有佐證的數據或事實時，我建議不仿就直接使用這類工具。

舉例一些情境來說：從事金融創新服務者常需比對最新法規變動；研發人員需要評估特定技術框架；投資者則必須定期研究各公司的最新財報。

技巧 4：善用 AI 的自我驗證功能

有些工具走的更前面，已經內建了檢查或驗證功能，例如 Google 的 Gemini，它會用不同顏色標示出它認為「高確信」或「可能不準確」的段落。

值得我們多注意一點的是，這雖然是一個很棒的查實功能，但絕非萬無一失的保證。AI 判斷的「高確信」，可能只是因為它在自己的索引資料庫中找到了大量相似的說法，但這些說法本身可能是錯的。PM 的批判性思維，永遠是最後、也是最重要的那道防線。

實戰場景：一個 PM 驗證流程的進化

讓我們看看一個重構了驗證工作流的情境，會如何處理驗證 AI 回應結果可靠性這件事。

實際場景情境

老闆臨時在走廊上問你：「明年我們的幾個競爭廠商，你覺得誰會先上市新的 OO 產品？」

傳統 PM 的做法

打開 ChatGPT，輸入問題，得到一長串分析。看起來頭頭是道，於是直接複製貼上到下午的會議簡報，最終導致被打臉。這種做法，是把 AI 當成答案產生器，自己則淪落為「抄作業」的學生。

重構後的驗證工作流

1. 下達限制提示詞：使用技巧 1 的「思維鏈」提示法，要求 AI 基於最新的公開財報、融資新聞和創辦人訪談，分步驟進行推論，並附上所有來源。
2. 多 AI 交叉驗證：將同樣的問題餵給不同 AI，發現它們對 A 公司的預測一致，但對 B 公司的上市可能性存在分歧。這時，B 公司就成了你的重點懷疑對象。
3. 用搜索工具型 AI 深入查證：針對 B 公司，你使用 Perplexity 搜尋其近期的融資狀態和監管文件。結果發現，B 公司最近一輪融資並不順利，且其創辦人在某個 Podcast 訪談中曾經有不經意暗示了將延後上市計畫。
4. 補上你的專業判斷：你綜合了 AI 找到的資料和自己的產業經驗，最終的結論是：「A 公司可能性最高，因為...（AI 提供的共識）。B 公司看似熱門，但根據最新查證的資料，風險很高，原因在於...。而我個人判斷，還需要關注 C 公司，雖然 AI 沒提，但他們的技術長 Vicky 剛從我們這跳槽過去，可能會加速他們的進程。」

發現了嗎？這整個流程，是從把 AI 當成「答案產生器」，進化為把它當成「草稿撰寫器」。AI 的產出，只不過是你思考的起點，而不是終點。你從一個被動的資訊接收者，變成了主動的、批判性的驗證者。

AI 不會取代你，但放任 AI 幻覺可能會讓你被別人取代

在新時代之下，PM 的核心價值正在發生根本性的轉移。你的價值不再是比別人知道得更多、做的更快，因為這點你永遠贏不了那個不用吃飯睡覺，只需要電的傢伙。

此刻，我們需要新的能力：辨真偽、識風險、做決斷。從舊時代的「資訊擁有者和傳遞者」，轉型為「決策品質的守門員」。為此，我們的任務是建立一套工作流，過濾掉 AI 產出中的雜訊、偏見和幻覺，只讓高品質、可信的資訊，流入你和團隊的決策過程中。