「AI會讓本來就懂的人變得更強。」這句話相當有道理，但只說對了一半。「懂的人」並不只是那些一開始就把大量專業知識裝在腦子裡的人。
更重要的是，他能不能看著AI的輸出判斷：「這個有用」「這裡可疑」「比較對象太少」「這還不能算完成」。而且這些判斷標準並不一定要事先全都掌握。不知道標準時，可以直接問：「別的公司怎麼做？」「產業標準是什麼？」「失敗案例在哪裡？」「最強的反對意見是什麼？」——也就是說，連評價標準本身都可以調查。
這樣看，AI與其說是知識自動販賣機，不如說是一個可以不斷比較、追問、反證並提高思考解析度的陪練場。
1. 「懂的人會變得更強」只說對了一半
把AI理解成倍率器會很清楚。目標模糊，它就可能把模糊高速化；問題清楚、評價標準好，它就能大幅加速探索。因此，有經驗的人和專家使用強AI時往往顯得格外強，這是很自然的現象。
但被放大的不只有既有知識。尋找比較對象的能力、發現異常的能力、懷疑假設的能力，以及定義「做到什麼程度才算結束」的能力，也會被放大。AI承擔越多搜尋與整理工作，人類「要看什麼證據才能判斷對錯」的能力反而越重要。
粗略寫成公式，就是：
AI實用倍率 ≈ 知識 × 評價標準 × 比較能力 × 反證能力 × 迭代次數
有些領域裡，幾乎零知識確實會成為限制。但即使知識很多，如果看到每個流暢答案都只說「原來如此」，倍率也不會很高。
2. 「懂」與其說是知道很多，不如說是會判斷輸出
把「懂」拆成五種能力會更實用。
- 說得清目標：到底要解決什麼，最終狀態是什麼。
- 能判斷好壞：什麼算合格，什麼算失敗。
- 能找到瓶頸：不被表面症狀帶走，而是找到真正的限制。
- 能發現違和感：至少有一個模型讓自己停下來問「這是真的嗎？」
- 能定義完成：知道調查、修改或驗證什麼時候應該停止。
不需要五項都達到專家水準。關鍵是不要因為「文字看起來很像那麼回事」就接受，而是能根據目的和標準判斷結果。
知道答案和能夠評價答案，是兩種不同能力。AI時代會顯著提高後一種能力的價值。
3. 評價標準也可以從外部導入——「別的公司怎麼做？」
這裡有一個關鍵轉折：如果自己沒有標準，就去調查標準本身。
面對陌生業務，沒有必要停在「我不知道最佳做法」。可以讓AI幫助調查：
- 別的公司怎麼做？
- 有沒有產業標準？
- 頭部公司和普通公司有什麼不同？
- 失敗的公司在哪一步壞掉？
- 相鄰產業怎樣解決同一個限制？
- 法規與正式標準要求的最低線是什麼？
- 使用者長期在抱怨什麼？
只看一家公司，幾乎什麼都可能顯得「原來就是這樣」。看五家，差異就出來了。再加上失敗案例，就開始能看見差異為什麼重要。
What do others do?——「別人怎麼做？」並不只是蒐集資訊。它是在生成一張你原本沒有的評分表。
4. AI不只是「知識高速公路」，還是「比較軸採購機」
在陌生領域裡，AI能縮短從「完全不懂」到「至少知道該檢查什麼」的距離。一個常見路徑是：
未知 → 全局 → 比較 → 假設 → 實例 → 反方觀點 → 例外 → 一手資料 → 評價標準 → 暫時判斷
目標不是瞬間成為專家，而是先達到這樣一個水準：能向專家提出更好的問題，能發現薄弱證據，能比較幾個方案。到這一步，下一輪調查品質會明顯提高。
AI出現以前這些事也能做，只是成本高。找十家競爭案例、學習術語、閱讀失敗案例、跨到相鄰產業，都需要大量時間。AI降低了搜尋、整理和跨語境轉換的摩擦。所以變強的不只是「本來就懂的人」，也包括能很快移動到『開始懂了』狀態的人。
5. 核心是追問到底——不要拿到第一版回答就下班
AI使用者之間很大的差異，是把第一版回答當成終點還是起點。不要聽完「原來如此」就走，而要繼續追問。
「證據是什麼？」「具體會改變什麼？」「別的公司呢？」「這真的是常態嗎？」「例外是什麼？」「給我反例。」「是不是把相關和因果混在一起了？」「真正的瓶頸是什麼？」「如果這個假設是錯的，我們應該觀察到什麼？」
一開始的泛泛而談，加上比較後會被相對化；加入例外後會看見邊界條件；加入反證後會暴露弱點；拿一手資料去碰，會看見哪些部分能留下、哪些部分會消失。到這裡，「聽起來合理」才開始變成「可以用來決策」。
真正會用AI的人，第一條提示詞不一定像藝術品。他們在第二輪、第三輪、第十輪毫不客氣地提高解析度。 這才是核心。
6. 為什麼對人很難做到同樣程度的追問
對人連續追問，會產生資訊檢索之外的成本：占用時間、讓對方覺得被懷疑、觸碰地位或自尊、造成解釋疲勞。這些都是人際摩擦，而不一定是邏輯問題。
優秀的同事或專家可能願意陪你深挖很久。但如果「證據呢？」「例外呢？」「這個前提不對吧？」連續打三十次，即使每個問題都合理，空氣也會變。
故意誇張一下：
- 第5次：一邊眉毛動了。
- 第12次：嘆氣成為會議室共享基礎設施。
- 第25次：「這個現在真的有必要嗎？」登場。
- 第30次：結束會議比回答問題更像核心KPI。
這並不是人類有問題。人有時間、感情、角色和別的工作，沒有誰是為了回應無限遞迴查詢而存在的。
7. AI可以成為「追問不限量」的陪練場
面對AI，這類人際摩擦會小得多。第28次再問「所以證據呢？」也不會看到它挑眉。回到15分鐘前說「你剛才的解釋不是和現在矛盾嗎？」也不用擔心自己成為辦公室傳說。
因此AI的價值不只在知識量，還在於降低重複思考的成本。可以從另一個角度攻擊同一假設，追加競爭對手，反轉前提，先寫給新手看，再重寫給專家看。
不過，「No social cost」不能字面理解為成本為零。迭代仍然花時間，也可能在錯誤方向上自信地轉三十圈，而且流暢的AI文字本身會產生認知牽引。它不是免費的無限真理機器。
8. 放大越強，錯誤也可能被放大得越強
倍率器有一個麻煩特性：它也會放大錯誤。如果起點假設錯了，而你只讓AI找支持材料，一個壞想法可以被高速整理成一個非常漂亮的壞想法。
尤其要注意四種失敗：
- 自動化確認偏誤：只蒐集符合想要結論的案例。
- 流暢的錯誤：因為文章寫得好，就誤以為證據也強。
- 基準崇拜式複製：不看限制差異，看到別家公司做了就照搬。
- 虛假共識：只看幾個案例就宣布「大家通常都這樣」。
對策很簡單，也很麻煩，因此很有效：「最強的反對意見是什麼？」「找反例。」「一手資料原文究竟怎麼寫？」「什麼條件下這個比較不成立？」讓AI不只裝飾你的結論，還要攻擊你的結論。
沒有方向盤的助推器，只會讓你更快撞牆。
9. 強力循環是：比較 → 反證 → 一手資料 → 重新判斷
實際使用時，可以按這個循環走：
- 提出假設：現在認為原因是什麼？
- 建立比較集合：看別的公司、國家、制度、產業、歷史案例。
- 抽取評價標準：哪些差異可能真的影響結果？
- 做暫時判斷：選出目前最有力的解釋。
- 嘗試反證：找相反證據、例外、替代假設。
- 靠近一手資料：標準、原文、實測、官方紀錄。
- 更新判斷：不要為了面子保護第一版假設。
- 定義完成：當繼續調查已不太可能改變決策時停止。
把問題按用途分類，更容易重複使用：
| 想得到什麼 | 問AI什麼 |
|---|---|
| 比較 | 「其他公司、國家、方法怎麼做？」 |
| 常態性 | 「這是常見還是特殊？相關母體是什麼？」 |
| 例外 | 「什麼條件下會反過來？」 |
| 原因 | 「別看表面症狀，真正瓶頸是什麼？」 |
| 反證 | 「什麼證據能否定這個假設？」 |
| 完成 | 「決策前確認到什麼程度就夠了？」 |
這與其說是「向AI索取正確答案」，不如說是用AI訓練自己的判斷系統。
10. 新時代的「懂的人」不是全知的人
更適合AI時代的定義是：
能意識到自己不知道什麼，蒐集正確的比較對象，建立或導入評價標準，嘗試反證假設，獨立判斷輸出品質，並在證據變化時快速更新的人。
這和把百科全書塞進腦子不是一回事。它更像是知道自己的無知在哪裡，也知道再拿到什麼證據，問題就會變得可以判斷。
所以陌生領域也能較快進入狀態。專家仍然擁有巨大的初始知識優勢，但快速進行比較與反證，至少可以很快擺脫「連真正的問題是什麼都不知道」的階段。
這也不意味著專家失去價值。深層默會知識、現場經驗、承擔責任的判斷都還在。變化的是：非專家建立理解專家、質疑薄弱主張、找到下一步調查位置所需腳手架的速度。
11. 結論——不要只讓AI回答，而要持續提高解析度
「AI會讓本來就懂的人更強」是對的。更準確的說法是：
AI不只讓已經有評價標準的人更強，也讓能快速建立標準、從外部導入標準、並反覆壓力測試結論的人更強。
一開始不必什麼都知道。持續問：「別人怎麼做？」「這正常嗎？」「例外呢？」「證據呢？」再往前一步：「出現什麼證據時，我應該放棄這個假設？」即使是新領域，判斷力也會逐漸長出來。
對一個人連續這樣問三十次，會議室裡的氧氣可能都顯得稀薄。AI依然會接第29次「證據呢？」。但重要的不是可以問29次。真正重要的是第29次把自己的假設問碎以後，第30次能不能認真重建。
The point is: pressure-test the output. 不要只是接收答案。把它壓到薄弱部分破裂，再用剩下的部分做判斷材料。這就是「放大效應」的一個重要真相。
