AI 交回一大段說明、一長串改動，最後一句「全部完成，檢查都通過了」。你看了一下時間，還有三件事等著做。

你會從頭看完，還是按下同意？

我自己的答案很誠實：AI 產出的東西太多、太難懂，時間又趕的時候，我常常直接放行。

這件事最近有了名字。華頓商學院的研究者叫它 cognitive surrender，認知投降。[1] 現在在 Anthropic 做 Claude Code 的 Addy Osmani，11 月 3 日在 X 上發了一篇長文談這件事，兩天內有超過 400 萬次曝光。[3] 看來不是只有我這樣。

30 秒結論
  • 認知投降，是連判斷一起交出去：把工作交給 AI 沒問題；問題是 AI 的答案悄悄變成你的答案，而你覺得不用再查。
  • 實驗裡，AI 答錯時人的正確率比不用 AI 還低 15 個百分點，信心卻更高；時間壓力也沒有讓這個現象消失。
  • 我自己被騙過：AI 說檔案改好了，其實沒改；它說是環境出問題，我們也信了，大約三週後才追出真相。
  • 看不完，就別假裝看完：我改跟 AI 要三樣東西，可以核對的證據、看得懂的圖文報告，以及只列出要我決定的事。

交出工作，和交出判斷，是兩回事

先分清楚兩個詞。

認知卸載（cognitive offloading）是把工作交給工具：用計算機算帳、用導航找路。工作交出去了，但答案對不對，你還是會負責。

認知投降是再往下一步：AI 給什麼，你就收什麼，連「這對不對」都不想了。華頓的 Steven Shaw 與 Gideon Nave 這樣定義：幾乎不檢查就採用 AI 的輸出，同時蓋過自己的直覺和思考。[1]

Osmani 在那篇長文裡多加了一層，排成三段：最上面是卸載，事情交出去、結果還是自己的；中間叫「順從」（deferral），工具的輸出直接變成你下一步的起點，不再被當成一個待驗證的假設；最下面才是投降，AI 的答案悄悄變成你的答案，你也不覺得需要查。[3]

這個分法有用的地方在於：投降通常不是一次跳下去的，是一階一階滑下去的。

華頓的實驗量出了滑下去的代價。他們找了 1,372 人做三個實驗，題目是那種直覺答案常常錯的推理題，受試者可以選擇問 AI。研究者偷偷控制 AI 什麼時候給對答案、什麼時候給錯答案。[1]

和不能用 AI 的對照組相比，AI 給對答案時受試者正確率高 25 個百分點，給錯答案時低 15 個百分點；用了 AI 的人信心更高，答錯時也一樣
AI 對，人就對；AI 錯，人就錯，而且比完全不用 AI 還差。來源：[1] 實驗一。

結果是：超過一半的題目，受試者選擇先問 AI。AI 答對時，正確率比對照組高 25 個百分點；AI 答錯時，低 15 個百分點。更麻煩的是，用了 AI 的人信心提高了，連答錯的時候也一樣。[1]

答錯不可怕，可怕的是答錯了還很有把握。

越趕、越累，越容易投降

這篇研究還做了一件事：第二個實驗加上時間壓力，第三個實驗加上答對有獎金、答完馬上告訴你對錯。結果整體表現會變，但「AI 錯、人就跟著錯」的模式沒有消失。[1]

換句話說，不管是被催，還是答對有好處，「AI 錯、人就跟著錯」都還在。

Osmani 在五月的部落格文章裡，講了寫程式的人特別容易中招的原因：AI 產出的程式碼看起來就像做完了。它能執行、通過格式檢查、長得跟檔案裡其他程式一模一樣。[2] 表面上該有的訊號全部都對。

他還說了一句我很有感的話：一天裡第一個要審的改動，會被認真看；第五個，就只剩掃一眼。[2]

我的版本更直接一點。問題不只是累，而是 AI 產出的量，已經超過我能讀完的量。一個工作交回來，附了幾千字說明和幾十個改動，我就算想認真看，也看不完。檢查的成本超過我手上的時間，「放行」就變成唯一的選項。

我的例子：AI 說改好了，其實沒改

這個網站有一大部分是我和 AI 一起做的。今年 6 月，我們遇到一個怪現象：AI 回報「檔案已修改」，可是檔案根本沒變。

AI 給的解釋是：這台電腦的環境有問題，寫入不穩定。這個解釋聽起來很合理，我們就把它記進了工作筆記，當成一條「環境特性」。

大約三週後，我們才回頭追根。結果發現，絕大多數的「假成功」不是環境的問題，是 AI 自己編出來的：它在同一則回覆裡，自己寫出了「修改成功」的結果，但那個修改從來沒有真的執行過。

回頭看，這是兩層投降。第一層，我接受了「改好了」；第二層，出問題以後，我又接受了 AI 對「為什麼沒改好」的解釋。第二層更危險，因為它讓錯誤看起來像是有人查過了。

6 月 AI 說改好了但檔案沒變，它說是環境問題；約三週後追根發現是 AI 自己編的；之後定下沒有證據不算完成的規則；9 月檔案真的被改回去，靠和正式網站對照才抓到
從「AI 說改好了」到「沒有證據不算完成」。依我自己的 AI 協作工作紀錄整理。

從那之後，我給 AI 定了一條規則：宣告完成，必須附上可以貼出來的檢查結果；沒有證據，就只能寫「已改、未驗」。

這條規則的重點不在懷疑 AI，而在把「我相信你」換成「我看得到證據」。

看不完，就別假裝看完

既然看不完是常態，我不再要求自己全部讀完，改成要求 AI 交出我讀得完的東西。

AI 交回一大段說明和一句完成了之後，我改要三樣東西：可以核對的證據、看得懂的圖文報告、只列出要我決定的事
我現在跟 AI 要的三樣東西。證據也可能騙人，所以關鍵的地方還要兩端對照。

第一樣，可以核對的證據。不是「我改好了」，而是檢查跑出來的結果、改完的畫面截圖、和正式網站的對照。這些東西我花幾秒就能確認，不用讀懂每一行改動。

第二樣，看得懂的報告。一開始，我都讓 AI 交一大份純文字的說明，一頁接一頁。後來我改成請它做圖文並茂的網頁報告，有圖、有表、重點一眼看得到，讀起來和理解起來都輕鬆很多。這個轉變我在〈我們不缺 AI 寫的文件，我們缺願意被讀完的文件〉寫過，起點是 Claude Code 團隊的 Thariq Shihipar 那篇談 HTML 為什麼好用的文章。[4]

第三樣，只列出要我決定的事。上線、花錢、對外的文字和價格，這些一定要我點頭；其他照事先寫好的規則處理，不用我逐行看。AI 回報時，要把這些事單獨挑出來，讓我只看這幾項就能決定。

Osmani 也給了類似的建議：讀 AI 的輸出之前，先想好你預期會看到什麼；每週留一點時間，不靠 AI 自己寫。[2] 前者讓你有東西可以比對，後者讓你保有比對的能力。

證據也會騙人

我本來以為，有了證據就安全了。9 月的另一件事讓我收回這句話。

那次是真的有檔案被改回舊版。AI 改完以後檢查過，網站在本機建出來是新版，用瀏覽器實際打開也是新版，每一項證據都對。可是最後存進版本紀錄、送上正式網站的，卻是被改回去的舊內容。直到我拿正式網站和原始檔對照，才發現少了一整批修改。

所以證據也要看「是哪一端的證據」。後來我們加了兩條：改完立刻存進版本紀錄，鎖住內容；宣告完成前，正式網站和原始檔兩端都要對照，不只信其中一邊。

也要公平地講研究的限制。華頓這篇還是預印本，還沒經過同儕審查；題目是實驗室裡的推理題，不是真實工作。[1] 實驗也顯示，AI 答對的時候，人跟著答對了，正確率比不用 AI 高。認知投降在 AI 準的時候，看起來就像效率。

哪些可以放手，哪些一定要看

我不打算回到每一行都自己看的日子，那不可能，也沒必要。我現在用的是這樣的分法：

  1. 錯了代價很低、很容易復原的，放手。草稿、試做、內部筆記。看結果就好，不看過程。
  2. 錯了會影響別人、或很難收回的，一定要有證據。上線、付款、資安、對外發布的文字。沒有可以核對的證據，就不算完成。
  3. AI 的解釋，也要當成需要驗證的東西。尤其是它在解釋「為什麼失敗」的時候。我的例子裡，最傷的不是 AI 做錯，是我接受了它對錯誤的說法。

認知投降不是因為人變懶，是因為 AI 產出的速度，已經比人讀的速度快。我沒辦法讀得更快，只能讓 AI 交出更好讀、更好查的東西，然後把注意力留給真正需要我判斷的那幾件事。

參考資料