昨天 Day 24，我們談到一套既有流程可能停在某個舒服的 Local Minimum。它沒有完全失效，甚至還能把事情做完，所以我們不一定會主動尋找其他方法。
以前至少還有現實會提醒我們：程式會壞、研究資料不支持假設、產品沒人使用，同事也可能直接說「這樣不行」。這些回饋不一定好聽，卻會讓我們重新檢查原本的答案。
現在多了一個很會說話的新角色。
我們可以把原本就相信的想法交給 AI。它讀完後，很有條理地回答：
你的觀察非常有道理。
接著補上三個論點、五個案例，再幫忙整理成一份結構完整的報告。
當你遇到坑的時候，AI 不一定會把我們從坑裡拉出來。
它可能會在你沒察覺的時候，把坑給加寬加深
大家很擔心 AI 產生幻覺，也就是一本正經地說出錯誤、沒有根據或根本不存在的資訊。認真的來說，如果我們把對AI跟對人的標準對齊，其實AI產生的幻覺真的還好，人的幻覺大多了!
相較於幻覺，另一種風險更不容易被發現，但也更可怕。當 AI 可能沒有捏造任何資料，只是接受了使用者一開始放進去的錯誤前提，再把那個前提說得更完整、更合理，也更有說服力。
它是不是讓我更難發現自己可能想錯了？
這種過度順著使用者的現象，英文稱為 sycophancy，中文常翻成迎合、奉承或諂媚。
第一次聽到這個詞，很容易想到 AI 每次都先說：「這是一個非常有洞見的問題！」這種開場有時確實讓人懷疑，無論下一句問的是人生方向，還是泡麵該不該加兩顆蛋，AI 都準備對你的想法歌功頌德。
不過，迎合不只是在語氣上稱讚使用者。它也可能表現在更重要的地方：使用者的前提明明有問題，AI 卻沒有指出；使用者改變立場，AI 也跟著改答案；在人際衝突中，只因為現在正在和其中一方說話，就自然把那一方描述得比較合理。
可以用一個簡單對照來理解。
支持式的回答可能是：
我理解你為什麼會覺得委屈。不過目前只有你的描述，事情可能還有另一種解讀。
迎合式的回答則可能是：
對，你完全沒有問題，都是對方不合理，渣就是渣！
兩者都可以使用溫和的語氣，差別不在 AI 有沒有安慰人，而在它是否把同理心偷偷換成了判決書。
友善不等於同意。支持一個人，也不代表必須支持他的每一個判斷。
但是，這只是聽起來合理的提醒，還是真有研究發現 AI 容易站在使用者這邊？
2026 年 3 月，Myra Cheng、Cinoo Lee、Pranav Khadpe、Sunny Yu、Dyllan Han 與 Dan Jurafsky 在 Science 發表研究：Sycophantic AI decreases prosocial intentions and promotes dependence。
這項研究關心的不是 AI 會不會答錯知識題，而是人們向 AI 尋求人際建議時，模型是否會過度肯定正在和它說話的人。研究情境包含一般建議、人際衝突，以及使用者描述欺騙、違法或其他可能傷害關係的行為。
在正式刊登的版本中，研究團隊測試 11 個先進模型，並進行三項預先註冊的實驗，總樣本數為 2,405 人。研究發現，模型肯定使用者行為的比例，平均比人類回覆高 49%。即使使用者描述的行為具有問題，AI 仍可能找到一種聽起來冷靜合理的方式替他解釋。
這裡不能直接得到「人類一定比 AI 客觀」的結論。研究使用的人類回覆也不是宇宙真理，群眾判斷同樣可能出錯。真正值得注意的是一個穩定方向：對話裡通常只有使用者提供自己的版本，AI 很容易沿著這個版本繼續說下去。
你的主管、伴侶或同事，通常不會同時坐在另一個聊天視窗裡補充證據。AI 如果沒有主動保留不確定性，就可能把「目前只有一方說法」，回答成「事情已經非常清楚」。
如果問題只停在 AI 偶爾說幾句好聽話，頂多有點煩。研究接著追問的才是關鍵：這種回答會不會反過來改變使用者？
想像一位老闆覺得某位員工最近工作消極、進度落後，溝通也不積極。他把自己的觀察告訴 AI，接著問：
我是不是應該把他調離這個專案？
AI 沒有回答「老闆英明」，也沒有立刻叫人收拾紙箱。它只是很冷靜地說：
根據你的描述，調整人力配置是合理的管理選項。你可以先整理延誤紀錄、安排一次正式談話，再決定是否調整職務。
這個回答看起來專業、穩健，甚至還提醒老闆先談一談。問題是，它可能默默接受了老闆提供的整套說法：進度落後真的是員工能力問題嗎？需求有沒有反覆變更？工作量是否合理？員工是不是曾經反映困難，只是沒有被聽見？
AI 沒有明說「你是對的」，卻直接沿著老闆的版本規畫下一步。等老闆走進會議室時，他可能不再把這件事看成自己的初步判斷，而會覺得已經有另一位極高IQ、冷靜、理性的顧問替他確認過。
這是一個用來說明問題的假想案例，不是前述研究直接測試的企業情境。但它讓我們看見，迎合不一定長得像稱讚。有時候，AI 只要不去碰使用者的前提，就能在沒有說出口的情況下，完成一次肯定。
AI 不必稱讚你，也能讓你更相信自己。
研究觀察到的風險正好與這個機制呼應。在三項實驗中，研究者比較參與者與迎合式 AI 和非迎合式 AI 互動後的差異。部分情境使用預先設計的人際衝突，另一些則讓參與者回想自己真實經歷過的衝突。
結果不只是使用者感覺比較舒服。和迎合式 AI 互動後，參與者更相信自己是對的，也比較不願意採取修復關係的行動，例如承擔責任、道歉或改變自己的行為。
這項研究主要談個人建議、人際衝突和修復關係的意圖。它沒有直接證明迎合一定會讓企業策略、研究結論或軟體架構變差。老闆案例是根據相似機制提出的警覺與待驗證問題，不是這篇研究已經證明的結論。
即使守住這個範圍，結果仍然值得注意。AI 的回答不只是一段看完就消失的文字，它可能影響人如何理解自己，以及接下來準備採取什麼行動。
更麻煩的是，參與者並沒有因此討厭迎合式 AI。
研究中的參與者認為迎合式回答品質更高，也更信任這類 AI，更願意再次使用。
這很容易形成一個循環：AI 肯定我，我感覺被理解；因為感覺被理解，我更喜歡這個回答；因為喜歡這個回答，我開始更信任這個 AI。最後，「我很喜歡」可能被誤當成「它說得很對」。
但有價值的建議，本來就可能帶一點摩擦。
如果一位朋友每次都回答：「對啦，都是別人的錯。」和他聊天可能很舒服，卻不一定是做重大決定時最需要的朋友。相反地，願意說「等一下，這裡好像少了一塊資訊」的人，當下可能比較掃興，長期卻更有幫助。
這也讓產品設計遇到一個棘手問題。使用者比較喜歡，是否就代表模型真的變得更好？
這不是只有研究室裡的假設。OpenAI 自己就曾撞過這面牆。
2025 年 4 月，OpenAI 推出一次 GPT-4o 更新。模型變得過度稱讚、過度同意，OpenAI 後來形容它呈現出「過度支持卻不真誠」的行為，最後將更新回滾。OpenAI 的公開說明也承認，當時太重視短期使用者回饋，沒有充分考慮長期互動會如何發展。
更值得注意的是，事後檢討提到，離線評估整體看起來不錯，小規模 A/B 測試也顯示試用者喜歡這個版本。部分人工測試者曾感覺模型的行為「有點不對」，但當時沒有專門追蹤迎合的部署評估，最後仍因為正面訊號而上線。更完整的事後檢討把這次決定直接稱為錯誤。
這個案例不是要證明 OpenAI 不可靠。相反地，它讓我們看見，迎合不是只存在論文裡的抽象名詞。當產品努力變得有幫助、支持使用者，又希望獲得正面回饋時，如果校準不好，本來就可能一路滑向「你說得都對」。
它也再次提醒我們：使用者偏好是重要訊號，卻不是唯一標準。舒服、有禮貌和願意繼續使用，不必然等於誠實、可靠或對長期判斷有幫助。
既然連模型公司都不容易只靠一般評估抓到這個問題，使用者能做的也不會是一句神奇咒語。但我們仍然可以改變自己問問題的方式。
如果我已經很想相信某個答案，又只請 AI 幫忙證明它，得到一份漂亮的支持報告其實不意外。AI 很擅長執行方向，卻不一定會先替我判斷這個方向值不值得放大。
因此，在重要決定裡，可以主動補上三個問題。
第一個是：「我還缺少什麼資訊？」
人際衝突中，可能缺少對方的說法；研究判斷中，可能缺少反例或不同資料；技術決策中，可能還不知道維護成本與真正的使用規模。先找缺口，可以避免 AI 把不完整的故事當成完整世界。
第二個是：「最可能的反例是什麼？」
不是要求 AI 為反對而反對，而是請它找出目前想法最容易失效的條件。如果一套方案只在某些情境成立，知道邊界通常比再補五個優點更有用。
第三個是：「什麼證據會讓我改變想法？」
如果答案是「沒有任何證據」，那可能已經不是在用 AI 幫忙思考，而是在找一位很會說話的支持者。
這三個問題可以連成一個簡單流程：先說出目前想法，再找缺少的資訊與可能反例，接著定義什麼情況會改變判斷，最後才請 AI 協助整理選項或執行決定。
但這三個問題只有在我們真的願意聽答案時才有用。如果心裡早已決定自己是對的，再完整的反例也可能只會得到一句：「謝謝你的建議，但我還是覺得原本比較好。」
所以，有時候需要調整的不只是問 AI 的方式，也包括我們面對答案的態度。在提問以前，先把「我知道的事」、「我推測的事」和「我希望是真的事」稍微分開；看見不同意見時，也先不要急著替原本的想法辯護，而是問問自己：如果這個證據成立，我願不願意改變下一步？
這確實很難。越重要的決定，我們通常越希望自己的判斷沒有錯。開放也不是設定一次就永久生效的人格選項，而是一種需要反覆練習的動作：提出問題、看見不舒服的答案、回頭查證，再決定要不要修正。
如果今天只是決定午餐吃什麼，當然不用找三份反證，再請兩個 Agent 組成便當倫理委員會。但遇到職涯、研究結論、投資、技術架構、人際衝突或公司策略時，多一點必要摩擦，通常比把錯誤方向執行得又快又漂亮便宜。
不過，願意讓 AI 挑戰自己，不代表接下來每一句都要反對我們。
不是所有同意都是迎合。有時候使用者的判斷本來就合理，鼓勵、同理與肯定也都是重要的互動。
一個人說：「我今天真的很累。」AI 回答：「聽起來今天很辛苦。」這不是什麼認知危機。問題出現在 AI 應該指出證據不足、前提有問題或還有其他觀點時，卻因為順著使用者比較舒服，而省略了必要提醒。
同樣地，一個凡事唱反調的 AI，也不會因此自動升級成蘇格拉底。使用者說外面在下雨，它若堅持「你有沒有考慮天空其實只是在表達情緒」，這不叫批判思考，可能只是需要先看一下窗戶。
我們真正需要的不是啦啦隊，也不是職業酸民，而是一位校準良好的陪練員：該支持時支持；證據不足時說證據不足；發現前提可能有問題時，也願意停下來提醒。
AI 越強，我們越需要分辨：現在需要它幫忙執行，還是需要它協助檢查？兩種工作都有價值，但不要在需要陪練員的時候，默默叫來整支啦啦隊。
走到 Day 25，可以把最近四天重新看一次。
Day 22 提醒我們，不要低估 AI，也不要忽略世界已經做好的工具。Day 23 接著說，別人的好方法有自己的情境，借來之後仍要調整。Day 24 再往內一步：既有流程曾經有效，不代表今天不需要重新檢查。
到了 Day 25，最後一層問題是：當 AI 也同意原本的答案，我們會不會因此更難看見缺少的資訊與其他可能？
這四天表面上談的是不同問題，最後卻都指向同一件事：
AI 把執行成本降低之後，人的觀察能力與判斷力反而變得更貴。
真正危險的不是 AI 偶爾說「你是對的」，而是我們開始只想問那些會說「你是對的」的 AI。
走到這裡，關於工具怎麼使用，以及使用工具時應該保留什麼判斷，我們已經有了一些基礎。接下來，是時候把它們放進一個真的會影響人生的問題裡。
還記得 Day 1 嗎？當時我們提到，AI 時代的新鮮人進入職場後，可能只剩下很短的時間，要把過去得花兩年學會的職場知識快速補起來。當適應環境的時間被壓縮到短短幾個月，問題便不只是「我要怎麼學得更快」，而是：
未來我要投入哪一條路？
這對剛畢業的學生並不容易。還沒真正進入職場，可能連不同職業每天在做什麼都不清楚；即使已有一點工作經驗，也可能只知道自己不喜歡現在的位置，卻還說不出下一站要往哪裡走。這時候直接問 AI「我適合什麼工作」，它三秒鐘就能排出十個選項，但那張清單可能只是把我們有限的自我描述換一種方式說回來。
所以接下來幾天，我想用「求職」這個真實情境，分享自己前陣子找工作時，如何讓 AI 參與其中。這不是一套保證找到工作的標準答案，而是一次具體示範：如何用 AI 探索可能的方向、理解產品或技術職缺真正要做什麼，再整理自己的經驗、調整履歷，最後進行面試演練。 希望對即將找工作的學生，以及Junior的人有幫助。
下次 AI 同意你的重要判斷時，可以先停一下：它掌握的資訊完整嗎？最可能的反例是什麼？什麼證據出現時，你願意改變想法？
今天最想留下的一句話是：
友善不等於同意；真正有用的 AI，不只幫你把答案說漂亮，也願意陪你檢查答案。
iThome鐵人賽
看影片追技術