AI 與人的判斷
當 AI 不再稀缺：從班雅明思考 AI 時代的知識、專業與權力
約 3 分鐘生成式AI、班雅明、專業判斷、人才培育、AI治理
重點摘要
- 生成式 AI 讓沒受過長期訓練的人也能做出看似專業的成果，成果的外觀已經無法證明背後有專業過程。
- 專業不會消失，但權威的依據要換成資料是否可靠、推論是否成立、適用範圍是否清楚，以及出錯由誰負責。
- 判斷力來自蒐集資料、犯錯與修正的經驗；組織若把這些工作全交給 AI，又要求人審查 AI，能審查的人只會越來越少。
- 能使用 AI 不等於能決定 AI 怎麼運作，模型、資料與平台掌握在誰手上，也決定了工作的條件。
- 這些問題牽涉教育、勞動市場與公共制度，不是個人提升效率就能解決。
從班雅明的問題出發
班雅明談機械複製時，在意的除了作品能印幾份，還有攝影與電影如何改變作品被生產與觀看的條件，人們理解價值的方式也跟著變了。我把這個問題搬到今天：一份法律意見、一項人事判斷、一份策略分析，過去之所以受信任，是因為大家知道寫的人受過什麼訓練、看過哪些案例、要對什麼後果負責，文字好不好寫反而是其次。
AI 把內容和產生內容的人拆開了。一份完整的報告可能來自長期研究，也可能是幾分鐘的提示加上修改。兩者也許一樣有用，但讀者不能再從外觀推定背後的專業過程。專業還在，只是辨識它的方法失靈，需要新的依據。
把工作交給 AI，為什麼能審查 AI 的人會變少？
判斷力來自蒐集資料、犯錯與修正的經驗；組織若把這些工作全交給 AI，又要求人審查 AI，能審查的人只會越來越少。我想強調的是，AI 和機械複製有個關鍵差別：它直接參與內容的形成。以一份 HR 分析報告為例，主管提問，系統調資料，模型分類並起草，HR 核對定義、補上情境再給建議。最後只署一個人的名字，內容卻是人、模型、資料與流程一起做出來的。
這帶出我認為最值得人資留意的矛盾。資深的人看得出報告哪裡有問題，是因為做錯過假設、處理過例外、承擔過決策後果。如果起草、比較、修正都交給 AI，新人交件更快，卻少了累積判斷的經驗。組織一邊要人替 AI 把關，一邊拿掉培養把關能力的工作。審查績效分析或財務預測的人，若只看得到一份寫得漂亮的成品，「人來把關」就只剩流程上的最後一格。所以人才發展不能只教下指令，還要留下獨立分析、追查來源、處理例外、承擔判斷的機會。
會用 AI，就能決定 AI 怎麼運作嗎？
更多人能用 AI，不代表更多人能決定 AI 的規則。訓練資料、哪些內容能生成、資訊怎麼排序，以及組織能不能更換供應商，都不是使用者能單獨決定的。原本靠資訊落差撐起的權威被打破了，新的依賴卻可能集中到模型、算力、資料與平台。
因此我認為，談知識民主化不能只數有多少人拿到使用權，還要看人們能否理解系統的限制、選擇不同工具、質疑結果，並參與決定它用在哪裡。當 AI 進入教育、勞動市場、公共服務與國家安全，這些選擇最後也得由公共制度來回答。
你可以帶走的 3 件事
- 評估一份 AI 協作的成果時，別只看寫得完不完整，改問資料從哪來、推論站不站得住、適用範圍在哪、出錯誰負責。
- 規劃新人培育時，刻意保留一部分讓他們自己蒐集資料、獨立分析、處理例外的工作，不要全部交給 AI 起草。
- 導入 AI 工具時，把「團隊是否理解它的限制、日後能否更換供應商」列入評估，不只看大家會不會用。