一位進入某國際知名主動元件大廠約兩年的 FAE（Field Application Engineer，現場應用工程師）中階主管，最近處理一個客戶回報的 driver（驅動程式）異常。
這類 driver 問題一直是他的專業領域。
在 ChatGPT 這類生成式 AI 工具普及以前，他通常會自己完成整套 debug 流程。
他曾是資深軟體工程師，有多年 driver 開發經驗。
過去遇到異常，他通常會自己讀 log、查 datasheet、看 source code，接著建立幾個可能原因的假設，再寫測試程式、與研發工程師討論、搜尋既有案例，一步一步排除，最後形成自己的判斷。
但這一次，他把 log 和錯誤訊息直接交給 AI。
很快地，AI 已經列出大量分析結果、可能原因，以及後續 action plan。
他的第一個反應是：
非常驚訝。
第二個反應卻是：
慌張。
這個「慌張」值得注意。
不是因為 AI 已經造成什麼事故。
到目前為止，沒有發生明確因 AI 建議而造成的重大錯誤；僅憑目前這些觀察，也不能判斷他的專業能力已經因 AI 而退化。
真正值得追問的是：
當 AI 愈來愈會做原本需要自己思考的事情，我們究竟是在擴張自己的能力，還是在不知不覺間，把形成判斷力的過程一起交辦給 AI？
而這篇文章真正想討論的，就是：
AI 進入工作流程之後，我們是否仍然保有判斷主導權？
01｜做得更好，不代表自己變得更強
AI 很容易讓我們把兩件不同的事情混在一起：
有 AI 協助時，我的表現很好。
以及：
我的能力因此變得更強。
兩者其實並不能畫上等號。
AI 可以幫我們快速搜尋資訊、整理資料、提出假設、比較可能原因，甚至生成一套看起來相當完整的解法。
最後完成的報告可能更完整，程式可能寫得更快，分析也可能涵蓋更多面向。
這些都是 AI 帶來的真實表現提升。
但它卻不能直接證明：
人的獨立思考判斷能力，也同步提高。
真正的考驗往往發生在另一個時刻：
AI 答錯了。
AI 提出的結論和現場資料衝突了。
或者 AI 先後給出兩個互相矛盾的答案。
這時候，我們該如何處理？
02｜真正的問題，不是用了多少 AI
回到那位 FAE。
過去，他的 debug 流程大致是：
讀 log → 查資料 → 建立假設 → 排查原因 → 測試 → 驗證 → 形成判斷
現在則逐漸變成：
定義問題 → AI「建立假設／分析原因／提出 solution」→ 人最後決定
表面上看，只是工作流程縮短了。
但如果仔細拆開，中間減少的並不只是幾道麻煩的步驟。
建立假設、比較證據、排查原因、處理矛盾、設計驗證，本來就可能是專業判斷形成的一部分。
這也是認知卸載。
認知卸載本身並不是壞事。
人類早就把記憶交給紙筆，把計算交給計算機，把導航交給 GPS。
專業工作的進步，本來就包含把部分工作交給更好的工具。
因此真正的問題不是：
我用了多少 AI？
而是：
AI 接手工作之後，我自己還參與多少必要的認知活動？
如果 AI 幫我搜尋資料，但我仍然比較證據，這是一種使用方式。
如果 AI 幫我列出候選原因，但我仍然判斷哪一個最符合實際狀況，也是一種使用方式。
可是如果工作逐漸變成：
我負責問，AI 負責想，我負責把答案交出去。
那麼被卸載的，可能就不只是工作量。
03｜判斷主導權：真正危險的，不只是 AI 答錯，而是我看不出它錯
最近幾個月，這位 FAE 的工作方式出現幾個值得注意的變化。
第一，過去遇到問題會先自己 debug，現在第一步經常先問 AI。
第二，下屬追問部分技術細節時，有些問題他無法立即回答。
第三，也是最值得注意的一點：
當 AI 先後提供互相矛盾的答案時，他有時不知道該如何取捨。
這裡碰到的，才是本文真正關心的東西：
判斷主導權。
所謂判斷主導權，不是看最後由誰按下「確認」。
而是：
誰仍有能力理解證據、發現矛盾、要求驗證，並在必要時否定原來的答案。
過去 Automation bias（自動化偏誤）的研究已經提醒我們，即使是專業工作者，也不會因為自己有經驗，就自然免疫於自動化系統提出的錯誤建議。
真正棘手的地方甚至可能不是 AI 太常犯錯。
而是另一個情況：
當 AI 長期表現得足夠可靠，人反而更容易減少自己的檢查與介入。
如果一個工具十次錯五次，我們自然會一直檢查它。
但如果它長期都很可靠，人最合理、最高效率的做法，反而可能是逐漸減少重複驗證。
這可以對照人因工程中的一個經典問題：
脫離循環的效能問題。
當自動化長期接手工作，人愈來愈少需要親自參與日常判斷；但也正因如此，當自動化真正失效、發生例外或需要人重新接管時，人可能已經比較難快速恢復完整的情境理解與介入能力。
於是出現一個有點反直覺的悖論：
工具愈可靠，人愈少練習接管；愈少練習接管，真正需要接管時就可能愈困難。
這比「AI 偶爾會答錯」更值得注意。
因為真正需要專業者的，往往正是那少數正常流程失效的時刻。
04｜但「不再親自做」，不等於能力退化
走到這裡，很容易得到另一個過度簡化的結論：
那是不是應該少用 AI？
我認為不是。
這個案例本身就存在重要反例。
這位 FAE 發現，在某些自己原本不熟悉的領域，AI 反而能快速提供背景資訊、候選方向與分析框架，讓他的分析更完整。
這正是 AI enhancement（人工智慧提升）有價值的一面。
而且，他現在已經不是全職 Driver 開發者，而是一名 FAE 中階主管。
他的工作範圍更廣，需要處理客戶、產品、跨部門協作與管理問題。
他對某些底層 Coding 或 Debug 細節不像以前那麼熟悉。
另一個可能原因是使用頻率下降。
即使完全沒有 AI，一項技能只要長期較少實際操作，也可能自然出現技能衰減。
工作範圍擴大也可能帶來另一種現象：
以前專精一個領域，可以回答很多細節；現在面對更多產品、客戶與技術情境，知道自己不知道的事情反而更多。
甚至還有一種相反的解釋：
AI 一次提出大量可能原因，可能只是讓原本沒有被看見的知識缺口浮現，而不是 AI 製造了這些缺口。
甚至，第一步先問 AI 本身，也不一定代表過度依賴。
如果它只是用來快速建立候選方向，後續仍由專業者自己質疑、驗證、排除與修正，那麼先問 AI 也可能只是一種合理的分流策略。
真正需要觀察的，不是：
第一步是不是問 AI？
而是：
問完之後，人還做了什麼？
因此，僅憑目前觀察還無法判定：
AI 已經造成這位 FAE 的去技能化（De-skilling）。
真正要區分的是兩種完全不同的變化：
一種是能力退化。
另一種則是能力重新配置。
如果某些例行分析被 AI 接走，讓專業者可以把注意力移向問題定義、例外情境、系統整合、客戶需求、風險判斷與責任承擔，這未必叫退化。
「不再親自做」和「已經失去判斷能力」不能畫上等號。
延伸閱讀：〈中年知識工作者的第二次升級：把經驗變成可移轉的認知資產〉
05｜緊抓判斷主導權：保留推理鏈
那麼，我們要怎麼知道自己正走向哪一邊？
我目前會用四個問題檢查：
理解 → 質疑 → 驗證 → 取捨
1｜理解：我知道 AI 為什麼提出這個答案嗎？
不需要重新手算、重寫、重做 AI 的全部分析。
但至少應該知道：
- 這個答案依賴哪些資訊？
- 最重要的假設是什麼？
- 如果其中一個關鍵假設錯了，結論會不會改變？
如果完全說不出來：
我擁有的可能只是一個答案，而不是理解。
2｜質疑：有哪些證據可能讓這個答案不成立？
專業判斷不是替第一個答案蒐集更多支持。
還包括主動問：
- 有沒有其他可能原因？
- 什麼現象和目前的解釋不一致？
- AI 遺漏了哪些條件？
- 什麼證據出現時，我必須放棄現在這個結論？
真正的專業，不只在於能產生答案，也在於知道答案可能錯在哪裡。
3｜驗證：我能不能用資料、測試或其他方法確認它？
尤其在工程、醫療、財務、研究等需要對結果負責的工作裡：
「聽起來合理」並不夠。
log、test results、datasheet、Source code、實驗，以及其他獨立資料來源，都可能是把判斷重新拉回現實的方法。
AI 甚至可以幫忙設計驗證。
但驗證本身不能只剩：
「我再問一次 AI，看它是不是還這麼說。」
4｜取捨：答案衝突時，我的判斷準則是什麼？
當不同證據、不同模型或不同 AI 答案彼此衝突時，我有沒有自己的判斷準則？
這不只是從 A、B 中挑一個答案。
還可能涉及：
- 哪個風險不能承擔？
- 哪些資訊可信度較高？
- 是否還需要更多測試？
- 時間成本是否允許繼續追查？
- 什麼情況下應該暫停下結論？
這可能才是多年經驗真正難以被壓縮的部分。
