2026年10月13日 上午 3:56
職場在《這堂課，有意思》直播中，台灣人工智慧學校執行長陳伶志，從「AI 總說你的方案很有潛力」切入，談到確認偏誤、AI 的諂媚傾向、RER 思考陪練與企業決策當責。如果你也常把問題丟給 AI、拿回一份看起來很完整的答案，這場直播值得回看。
這場直播談到：
AI 的回答，為什麼會放大人類的確認偏誤？
為什麼 AI 讓產出變快，判斷卻變得更難？
RER 是什麼？如何讓 AI 成為反方與思考陪練？
企業案例：好決策為什麼不能從答案直接跳到結論？
個人工作者與企業團隊，可以怎麼建立不依賴單一工具的判斷機制？
當你問 AI：「這個方案好不好？值得繼續投入嗎？」它很可能回答：「這個方案很有潛力，方向清楚，也具備進一步發展的空間。」
這個答案流暢、完整，也讓人安心。但直播提醒，真正需要小心的，不只是 AI 會不會答錯，而是它的回答剛好支持了你原本就想相信的方向。
人類本能會尋找支持自己的聲音，這就是確認偏誤。當 AI 擅長順著問題產出流暢答案，人的偏誤也可能被更快、更有說服力地放大。
直播的核心不是要你少用 AI，而是在使用 AI 的同時，保有自己的判斷主導權。課程從 AI 的底層特性、人類大腦的決策限制與常見認知偏誤出發，建立一套不綁定單一工具、可反覆運用的協同決策方法。
面對 AI 提供的摘要、方案與建議，能辨識偏誤、檢查證據，避免把專業判斷一併外包。
讓團隊運用 AI 提升效率的同時，保留必要的人為判斷、覆核機制與最終當責。
直播中以一個工作難題進行現場示範。RER 的核心節奏是「人、機、人」：AI 不搶走思考起點，也不代替你做最後判斷，而是扮演鏡子、反方與壓力測試者。
先整理目標、背景、假設與限制，確認自己真正要解決的是什麼。
讓 AI 從反方、證據缺口、極端情境與反例提出質疑，暴露原本沒看見的盲點。
把在地條件、組織現實與利害關係人放回來，由人說出取捨理由並形成最終版本。
RER 不是讓 AI 幫你想完，而是讓每一次使用 AI，都成為一次判斷力訓練。當 AI 不再只附和，而是主動挑戰假設、找出證據缺口與最糟情境，你得到的不只是更完整的方案，而是更經得起檢驗的判斷。
直播的第三段透過實際企業案例，拆解 DMJ 決策過程中的「中間層」。這一層並非單一步驟，而是一段需要反覆推理、驗證、反例檢查、風險評估與取捨的過程。
透過案例，可以看見資訊如何被解讀、模型如何影響選項，以及最後的判斷為什麼仍必須由人承擔。這也說明企業如何避免讓「AI 說的」，成為錯誤決策或責任模糊的理由。
辨識 AI 看似合理、實際只是在順著你說的訊號。
理解大腦偏誤如何與 AI 輸出互相放大。
看懂 RER 如何把 AI 變成反方與思考陪練。
透過企業案例理解多層次決策與當責邊界。
找到個人工作者可立即採用的提問與驗證方式。
看見企業團隊如何建立不依賴單一工具的決策機制。
確認偏誤是指人會本能地尋找支持自己原有想法的資訊。AI 擅長順著問題產出流暢的答案，當你的問法已經帶著期待，回答就可能剛好支持你原本相信的方向，讓偏誤被更快、更有說服力地放大。
RER 是「Review 盤點、Evaluate 挑戰、Reshape 重塑」三個步驟，核心節奏是人、機、人：先由人整理目標與假設，再讓 AI 從反方視角提出質疑，最後由人重新取捨並形成最終版本。
可以先提出自己的判斷與理由，再請 …
