今天讀了 Ethan Mollick 的《Choosing to Stay Human》。讀完坐下來想了很久，想得越多漏洞越多，我打的每一個論點幾乎都可以被自己反挑戰。這篇前半像讀後感，後半比較像我跟自己的辯論。如果未來的我回來看，希望這幾個爭論點還沒被合理化掉。
這篇文章在講什麼
簡單抓重點：
- AI 寫的東西越來越多，看起來通順但沒實質意義，像「吸注意力的吸血鬼」
- 用 AI 寫東西的代價是失去發展自己風格的機會
- 土耳其 vs 台北兩個實驗對比：把 AI 當「答案機」，學習退步；把 AI 當「個性化 tutor」，學習進步 6-9 個月
- 「認知放棄」現象：人會停止思考全交給 AI，即使 AI 是錯的
- BCG 顧問研究：碰到 AI 解不了的題，用 AI 的人反而做更差，因為看不出錯
- Anthropic 研究：完全外包給 AI 的程式設計師答不出自己做了什麼；要求 AI 解釋、或只外包部分的人沒退化
- 結論：重點是「有意識地選擇」哪些交給 AI、哪些留給自己
為什麼這篇打到我
開頭那段直接用「社群現在充斥 AI 內容」破題，抓住了我的眼睛。我覺得英文世界對這種情況可能已經習以為常，中文世界現在才剛剛開始。最一開始，對文字比較敏感的人應該已經對 AI 的產出感到稍微有點噁心，而現在我覺得連一般人也都會覺得不太舒服。
文章裡有一個點讓我更加驗證了為什麼會不舒服：這些 AI 產出的內容沒有人類賦予的意義，它們就像是在不停消耗我們的注意力，卻不給我們任何相對應的回報。
我覺得這可能要區分閱讀的目的：
1. 真實經驗的好文：人家真的經歷過、發生過的事情，我們從這些觀點學到新東西。
2. AI 編造的長文：大部分可能是編造的故事，沒有背後的人所賦予的意義，甚至有可能是全自動化生成的流程，讓我們看完之後覺得像是在看空洞的故事一樣。
有些人本來是想在社群上面學習，可是看到整排全部都是這種 AI 長文，就會覺得沒有得到回報，進而感到有點噁心。
過去寫作經驗讓我比較警覺
Ethan 提到他過去從事寫作的這十幾年來非常幸運。我自己也默默地感激，因為我大約從五、六年前就開始養成持續寫文章的習慣。
從以前就培養的寫作習慣，讓我不會覺得現在可以單靠 AI 來速成。這有點像是以前我們沒有手機，在無聊的時候可能會盯著沐浴乳瓶子上的字看；即便長大後有了手機，讓我們可以輕易消除無聊，但我們心中依然依稀記得以前那種度過無聊的方式。
不過講到這裡我也很怕落入一種 framing：好像有過去經驗的人就會自然警覺、沒經驗的人就不會。實際上不是這樣。很多比我大十歲的人對 AI 的依賴跟年輕人沒兩樣，他們也經歷過沒手機的時代，但沒長出我這種敏感度。反過來，年輕世代裡也有覺察的人，他們沒對照組，可是會在當下感受到「不對勁」。
所以真正讓人警覺的，可能是「有沒有意識到對比的價值」這件事。我之所以對 AI 內容敏感，可能也不單純是因為我活過沒手機的時代，更關鍵的是我活過、而且我意識到那個時代失去了什麼。
這個區分蠻重要的。因為「經歷」沒辦法被複製給別人，但「意識」可以被引導。如果我想做社群設計，要做的可能是「在當下創造覺察的瞬間」，而不只是想著「重現過去」。我先記下來，後面會繞回來。
用 AI 輔助寫作沒問題，但要看你怎麼用
用 AI 來輔助寫作我自己也會做。當我口述了一些內容之後，我會讓它幫我看有沒有其他例子，或是更好的素材來闡述我想表達的觀點，並檢查是否有遺漏的東西。
關鍵在於：你在使用之前，要先問一下自己的目的。
我一開始以為這個「目的」就是「自己想 vs AI 想」的二選一。後來想清楚，「自己想 vs AI 想」其實只是手段。真正的目的應該是三選一：
- 為了學會 → AI 後置（自己跑完再讓 AI 挑漏洞）
- 為了完成 → AI 全程（最高效率）
- 為了表達自己 → AI 不能起草，最多潤色
我以前在腦袋裡其實一直問自己「我這樣是不是放棄認知」、「我用 AI 用太多了嗎」。這題就是把手段當目的的後果。真正該問的問題是「我今天的目的是哪一種，我有沒有用對方法」。糾結用了多還是少，反而會迷失方向。
目的對了，AI 用多用少都對。目的錯了，用得再少也是錯的。
AI 應該是「推你回去想」的觸發點
文章裡有一段我自己覺得很有感觸：如果想要從 AI 當中獲益，就必須改變方式。要讓 AI 成為推動自己解決問題的契機，提醒你回頭自己想，而不只是把答案丟給你。
也就是說，AI 應該要設計一個「推你回去想」的觸發點。
這也讓我反省，過去我用了大量的 AI 來幫我解決問題，不管是活動或是課程。在處理問題的過程中，我覺得自己漸漸流失了這種解決問題的「肌肉」。
所以我正在思考，也許未來 problem solving 的技巧會更加重要，AI 應該在 problem solving 的 process 當中，扮演一個更關鍵的角色。
中間我去查了一下 Problem Solving 的步驟：
1. 定義問題
2. 拆解結構
3. 發想方案
4. 決策行動
5. 回顧反思
我就在思考，AI 的介入在 Problem Solving 裡面會扮演什麼樣的角色？
如果我們的目的是想要學習，就必須適時增加一些阻礙與限制，否則沒有辦法達到學習的效果。所以我在想，如果是在 Problem Solving 的過程中，是不是代表 AI 在第一步「定義問題」的部分，必須要做更多的限制與驗證？「假設與驗證」這件事情，在未來會變得更加重要？
整個流程，盡量都要自己親自走過。AI 在其中扮演的角色，有些部分是可以「外包」出去的。
比如說，我覺得在診斷 Root Cause（根本原因）的部分，或許可以進一步利用 AI 來涵蓋我們沒想到的一些方向；我們可以運用「五個為什麼（5 Whys）」或是 MECE 的框架，去找出更多的可能性。
但實際上，關於「驗證」以及「確認解決方案」，重點可能在於評估有哪些潛在方案是可以與 AI 協作的。至於如何解決根本性問題，這件事終究還是要由我們自己來把關。
這些事情成功的可能性，還是建立在「你真的有親自做過這件事」的基礎上。正因為你實踐過，才會知道這個方法到底能不能運作（work），這也呼應到了之前提到關於 AI 與顧問的那個案例。
這邊整理了幾個可以參考納入 problem solving 的點：
「AI 解不了的題」這個盲點
文章提到一個讓我有點疑惑的點：Ethan 讓顧問使用 AI 去處理一些 AI 不能解決的問題，結果用 AI 的那組反而做得更差，因為他們看不出 AI 哪裡錯了。
可是你要怎麼樣知道哪些是 AI 解不了的題目？有沒有什麼評判的標準？
如果我們能事先知道，就代表我們在這個領域已經具備判斷力；如果不能，你永遠不知道什麼時候會被 AI 誤導。
所以我認為，未來整個「專業力」這件事情會變得更加重要。只是這件事情如果不是在工作裡面培養的話，具體可以怎麼做？如果大量使用 AI 進行實作與協作，會不會反而讓情況變得越來越慘？
這題我還沒有答案。先寫下來。
系統設計可以替使用者擋一刀
臺北的實驗結果提供了一個方向，也就是應該從系統層面來加以限制，而非依靠使用者的意志力。
但在消費者產品中，我們很少看到這種做法；商業上的壓力通常會讓事情朝相反的方向發展。所有 AI 公司都在拼「減少摩擦」，因為摩擦 = 流失。但摩擦在學習場景裡是必要的，沒有摩擦就沒有思考。
這意味著：反向操作「故意製造摩擦」的產品，可能是下一波機會。
以下是請 AI 幫忙 brainstorming 的一些 idea：
- 強制斷點：流程中間插入「停下來，自己決定下一步」的環節（這個就是 Claude Plan 的部分）
- 進度條視覺化：把思考軌跡畫出來，讓使用者看到自己在哪一格被 AI 接手
- 先寫再看：必須輸入自己的想法 200 字以上才能解鎖 AI 回應
- 解釋按鈕：AI 給答案旁邊永遠有「解釋給我聽」「逼我自己想」兩顆 button
我在思考，系統設計是否可以將以下幾塊最重要的問題點包進去，整理在一起：
1. 定義問題
2. 目標
3. 限制
4. 驗證
說到底，這四塊與其說是某個產品的功能，更像是我希望自己每次打開 AI 之前先跑一遍的清單。只是要一個人持續這樣自我要求，真的很難。難的話，會不會一群人反而容易一點？
那做部落的我能做什麼
繞回前面留的那個問題：「意識」可以被引導，但要怎麼引導？
身為一個正在做部落的人，這題對我特別關鍵。我一直想要的是一個自發的社群，但寫到這裡我才看清楚，自發本身沒辦法被設計。
真正自發的人不需要我的設計，他們本來就會找到我；我的部落已經在做這件事，只是之前沒看清楚。對於還沒有對照過、所以也還沒長出自發意識的人，我能做的其實是兩件事：一是「催化對照經驗」，例如部落辦一週不用 AI 寫東西的挑戰，讓沒對照過「自己寫是什麼感覺」的人，被迫體驗一次；二是「用社群壓力替代個人意志」，群眾盯著比個人意志可靠，剛好接上台北實驗的結論：系統限制比個人意志可靠。
所以核心是這樣的 paradox：我想要「自發的社群」，但我能做的只是「設計一個讓不自發的人也能被推著走的社群」。
寫到這裡也讓我警覺：我會不會把「設計一個自發系統」這件事，當成新的儀式，繼續延後行動？
收尾：四句給未來自己的原則
寫到這裡感覺自己有點亂，所以歸納四句，給未來的我：
1. 目的決定使用方式：完成 / 學會 / 表達，三種目的對應三種用法。不要再問「我用 AI 用太多了嗎」，改問「我今天的目的是哪一種」。
2. 過程留給人，草稿給 AI：problem solving 的過程不能外包，產出可以。
3. 沒做過的不外包：你連錯都看不出來。
4. 判斷需要對齊：個人判斷會漂，要靠跟人聊天、跟社群討論才不會偏。
補充資料
這篇的原文：
- Ethan Mollick，Choosing to Stay Human（One Useful Thing，2026-05-27）
文章裡提到的研究：
- 土耳其高中數學實驗（用 ChatGPT 寫作業反而考更差）：PNAS 論文
- 台北十校 Python 課程實驗（AI 客製化出題，進步等於多讀 6-9 個月）：研究全文 PDF
- BCG 758 名顧問實驗（碰到 AI 解不了的題，用 AI 的人反而做更差）：Organization Science
- Anthropic 程式設計師研究（全外包 vs 要求 AI 解釋）：Anthropic Research
- 「認知放棄」cognitive surrender：Wharton / SSRN
