AI 都能交出像樣的報告了，專業還要學到什麼程度？（2026 完整解析）

AI 十分鐘就交出一份比你還整齊的報告，你是不是也開始懷疑：專業還要學嗎？這篇用三個真實實驗告訴你，專業要學到哪一條線才夠用！

你請 AI 做一份競品分析，十分鐘後拿到八頁報告：市場規模、比較表、三點建議，排版比你自己做的還整齊。你從頭讀到尾，找不到哪裡有問題。

這時候冒出來的問題很實際：AI 都交得出這種東西了，我還要把專業學到什麼程度？

我的答案是：學到你說得出這份成果最關鍵的三個假設，並且知道怎麼驗它們。做到之前，可以用 AI，但還不能把判斷交給它。AI 一定會出錯，要問的是它出錯的時候，你看不看得出來。

快速回答 AI 讓產出變便宜，檢查的成本沒變，甚至取決於檢查的人懂不懂。看不出關鍵錯誤，就還不能把判斷交給 AI。學一門專業到什麼程度才能用 AI？標準是：在真實場景中能說得出三個關鍵失敗條件、能看懂錯誤訊息的真因、能在重要產出上指出模型哪裡在胡說。

在 AI 能力邊界外的題目，用 AI 的 BCG 顧問答對率反而從 84.5% 掉到 60%

哈佛商學院、華頓商學院等學者和波士頓顧問公司（BCG）合作做過一個實驗，2026 年 3 月正式刊登在期刊《Organization Science》。758 名 BCG 顧問先做一輪基準測驗，再隨機分成三組：不用 AI、用 GPT-4、用 GPT-4 並先看一段提示工程說明。

在 18 個落在 AI 能力範圍內的任務上，用 AI 的人多完成 12.2% 的任務、速度快 25.1%，品質也明顯較好。研究者另外設計了一題刻意選在 AI 能力範圍外的管理題：要對照訪談紀錄和財務數字，才找得出一個品牌問題的根源。這一題的結果反過來。

長條圖：AI 能力邊界外的管理題，不用 AI 的顧問答對 84.5%，用 GPT-4 的組別 70.6%，用 GPT-4 並看過提示工程說明的組別 60% — 在 AI 能力邊界外的管理題上，不用 AI 的顧問答對率達 84.5%，使用 GPT-4 且看過提示工程說明的組別反而降至 60%（資料來源：Dell'Acqua 等人 2026 年 BCG 顧問隨機實驗，n=758）。

這張圖有兩件事值得看。答錯變多的，是一群以分析為業的顧問。多看了提示工程說明的那組，答對率最低：會下指令，沒有幫他們看出 AI 這一次錯了。

研究者把這個現象叫做「jagged technological frontier」，參差不齊的能力邊界。AI 在某些任務上很強、某些任務上很弱，而且這兩種任務可能出現在同一份工作裡，看起來難度差不多。論文摘要的原話是，AI 讓某些任務變好、讓另一些變差，「even within the same knowledge workflow and with a seemingly similar level of difficulty」。

邊界參差不齊還好，麻煩的是它看不見。沒有人會在題目旁邊標「這題在邊界外」。顧問拿到的，是一份和邊界內任務同樣流暢、同樣有自信的答案。

AI 讓產出變便宜，但檢查對錯的成本取決於你的領域知識

AI 改變的是成本結構。以前一份分析報告貴在做：找資料、整理、畫圖、寫結論，要好幾天。現在這段幾乎免費。判斷這份報告對不對的成本卻幾乎沒變，你還是得知道數字從哪裡來、假設合不合理、結論有沒有跳太遠。

而且檢查的成本，要看檢查的人是誰。同一份報告，交給懂這個領域的人，十分鐘就能指出最可疑的那一段；交給不懂的人，看一整天也只能確認格式沒錯。

Andrej Karpathy 在 2025 年 11 月的〈Verifiability〉裡寫：傳統軟體擅長自動化你說得清楚的事，神經網路擅長自動化你驗得了的事。能重來、能快速試很多次、能自動打分的任務，像數學和程式，AI 進步得特別快；需要常識和真實世界知識的工作就落後。我把這句話往人身上再推一步：你能放心交給 AI 的，是你自己驗得了的工作。而你驗得了什麼，取決於你懂什麼。

Microsoft Research 和卡內基美隆大學在 CHI 2025 發表的問卷研究，從使用者這一端看到同一件事。319 名每週都用生成式 AI 的知識工作者，分享了 936 個實際例子。越相信 AI 的人，越少對結果做批判性思考；對自己在這項任務越有把握的人，越會去檢查。在自己懂的領域，受訪者會用自己的知識抓出 AI 的偏誤；有 58 人提到檢查 AI 回應的障礙，例如領域知識不夠。一位受訪者說：「不懂那個主題的時候，很難判斷 AI 給的答案對不對。」

台灣也有一個很直白的版本。2026 年 7 月，桃園地院法官孫健智在一份土地買賣糾紛的判決開頭寫：「不要問AI、不要用AI寫上訴狀，更不要以為人家看不出來。」後半句說的就是這件事。一份書狀，寫的人覺得像樣，懂法律的人一讀就知道哪裡不對。差別在誰懂這一行。

放射科醫師實驗：當 AI 給出錯誤建議，資深專家的答對率是新手的 2.3 倍

那懂這一行的人，是不是就不受 AI 影響？德國科隆大學等團隊 2023 年在醫學期刊《Radiology》發表的實驗，給了一個不太舒服的答案。

27 位放射科醫師判讀乳房攝影，旁邊有一個「AI」給分級建議。醫師不知道的是，這個 AI 是研究者模擬的，40 張測試影像裡有 12 張故意給錯。

分組長條圖：AI 建議正確時，經驗少、中等、資深的醫師答對率分別是 79.7%、81.3%、82.3%；AI 建議錯誤時分別是 19.8%、24.8%、45.5% — 當 AI 給出錯誤建議時，經驗少的醫師答對率跌至 19.8%，資深醫師則守住 45.5%（資料來源：Dratsch 等人 2023 年《Radiology》實驗，n=27）。

AI 給對的時候，三組幾乎一樣好，看不出經驗的差別。差距全部出現在 AI 錯的那 12 張：經驗少的醫師大多跟著錯，資深醫師答對的比例是他們的兩倍多。專業知識在這裡的作用很具體，它是你和一個錯誤答案之間僅有的那道防線。

但資深醫師也只守住不到一半。專業讓你有能力看出錯，前提是你真的停下來看。研究者的建議很務實：讓使用者覺得自己要為這個決定負責，被 AI 帶著走的情況會少一點。BCG 的顧問、這裡的資深醫師，都不缺專業。他們缺的，是在答案看起來很像樣的時候，仍然停下來檢查的那個動作。

專業要學到什麼程度才夠用：說得出成果最依賴的三個關鍵假設並懂得驗證

回到開頭的問題。「專業學到什麼程度」聽起來很難量，我建議換一個量得出來的標準：拿到一份 AI 做的成果，你說不說得出它最依賴的三個假設，以及每一個怎麼驗。

關鍵假設的意思是，它一錯，結論就翻過來。它通常藏在報告最不顯眼的地方：資料怎麼來、數字怎麼算、範圍怎麼劃。下面是幾種常見成果的例子。

AI 交出的成果最關鍵的三個假設怎麼驗

銷售預測模型

最關鍵的三個假設: 用來預測的欄位，在預測當下真的拿得到；過去幾年的資料能代表明年；評估用的指標，就是業務做決定時看的數字
怎麼驗: 逐欄問「這個值什麼時候產生」；照時間切開資料重跑一次；請業務說出他會看哪個數字

市場規模估算

最關鍵的三個假設: 目標客群的定義和你要賣的對象一致；單價和滲透率有出處；成長率有根據，沒有把過去兩年直接外推
怎麼驗: 追每個數字的原始來源；把客群定義寫成一句話給業務看；換一個保守的成長率重算

合約草稿

最關鍵的三個假設: 引用的法條和判決真的存在而且有效；管轄和適用法律符合雙方情況；違約條款對你這一方執行得了
怎麼驗: 到全國法規資料庫和司法院裁判書系統逐條查；請有執照的律師看一次

一段要上線的程式

最關鍵的三個假設: 輸入的範圍和格式和真實資料一樣；出錯時有處理；依賴的外部服務，行為和 AI 以為的一樣
怎麼驗: 用真實資料和邊界值跑；故意讓外部服務失敗一次；對照官方文件

說不出這三個假設，代表你還在這個領域的邊界外，AI 交給你的東西，對錯只能用猜的。說得出假設、但不知道怎麼驗，代表你知道風險在哪，下一步是學驗證的方法。兩個都做得到，這類工作就可以交給 AI 做，你負責驗。

這也回答了「要學什麼」。要學的範圍比整個學科小得多：這類成果最常出錯的那幾個地方，和檢查它們的方法。三這個數字沒有魔法，有些成果只有一個要命的假設。但逼自己寫到三個，通常會碰到一個原本沒想到的。

學習時全靠 AI 代勞，最容易喪失「抓錯與除錯」的能力

學習本身也交給 AI 的話，這個標準會更難達到。

Anthropic 在 2026 年 1 月發表一個隨機實驗：52 位工程師學一個沒用過的 Python 非同步函式庫，一半可以用 AI，一半自己寫。做完之後考試，用 AI 的組平均 50 分，自己寫的組 67 分；差距最大的是除錯題，也就是看出程式哪裡錯的能力。速度上，用 AI 的組只快了大約兩分鐘，差異沒有統計顯著。

用 AI 的人裡面也分成兩種。全部交給 AI 寫、或一出錯就叫 AI 修的人，平均不到 40 分；拿 AI 來問概念、問「為什麼這樣寫」的人，平均 65 分以上。研究者提醒這部分只是觀察，不能當成因果，但方向很一致：交給 AI 代勞時，最沒長出來的正是抓錯的能力。

Anthropic 隨機實驗原圖：左邊兩個誤差棒圖，用 AI 與不用 AI 的完成時間差異不顯著（p = 0.391），測驗分數用 AI 組較低（p = 0.010）；右邊散點圖依使用 AI 的六種方式分組，拿 AI 來理解與問概念的組測驗分數 65% 到 86%，整個交給 AI 代勞的組 24% 到 39% — 用 AI 學新函式庫，時間沒有顯著變快，測驗分數卻明顯較低；同樣用 AI，拿它來問「為什麼」的人分數遠高於全部交辦的人。（圖片來源：Anthropic〈How AI assistance impacts the formation of coding skills〉，經 Sunny DataScience 中文重點標註）

所以用 AI 學東西時，每次多問一句：「這個做法在什麼情況下會錯？」它的回答未必對，但這個問題會逼你去看假設，而看假設正是你要練的東西。

實務分級：依「出錯影響誰、收不收得回」決定專業要學多深

不必每件事都學到能驗三個假設。錯了會影響誰、收不收得回，決定你要懂到什麼程度。我把常見的工作分成三階。

階梯圖：第一階只影響自己，錯了隨時可以重做，要懂到錯了看得到、改得動；第二階交給團隊或客戶，錯了要花力氣收回，要懂到說得出三個關鍵假設並各驗一次；第三階涉及錢、個資、健康、法律，錯了收不回，要有資格的專業人士審過，你看得懂他改了什麼 — 工作風險越高，自己要懂的專業越深：交給團隊或客戶的成果，必須能說出並驗證三個關鍵假設（Sunny DataScience 整理）。

第一階是只影響自己、隨時可以重做的事：整理自己的讀書筆記、探索一個新題目、做一個只有自己用的小工具。這裡直接用 AI，錯了就改，不必先學。很多人是在這一階第一次撞到自己的邊界，才知道該學什麼。

第二階是交給團隊或客戶、錯了要花力氣收回的事：給主管的分析報告、對外的提案、一個同事會用到的功能。這一階要做到上一節的標準，交出去之前寫得出三個關鍵假設，每個都實際驗過一次。

第三階是涉及錢、個資、健康、法律，或錯了收不回的事：合約、醫療判斷、財務報表、影響某個人權益的決定。這一階不能只靠自己加上 AI，要有具備相應專業和資格的人看過。你自己要學到的程度，是看得懂他改了什麼、為什麼改，能和他討論。

說一件對我不太有利的事。我在辦 AI 實戰營，照理說應該告訴你每一階都要學好學滿。但多數人的工作，有很大一部分落在第一階和第二階；真正要學到能自己驗的，是你要負責交出去的那幾類成果。學習時間應該花在那裡。

15 分鐘自我檢測：請 AI 在成果裡偷偷埋三個錯，看你抓不抓得到

某個領域你在邊界內還是外，可以自己量。做法是請 AI 在一份成果裡偷偷埋錯，看你抓不抓得到。

想驗證的事有兩件。一、在你熟的領域，你抓得到大部分的錯。二、換到一個相鄰但不熟的領域，抓到的數量會明顯變少。如果第二件沒發生，可能是你對那個領域懂得比自己以為的多，也可能是埋的錯太明顯，換一份成果再試一次。

前提是選一份你真的會交出去的那類成果，一頁左右，可以是一份分析、一段程式、一份企劃。開一個新的對話，貼上下面這段指令和你的成果：

以下是一份［成果類型］。請在裡面埋三個錯誤，不要標示位置：
1. 一個前提錯誤：資料來源、對象或範圍的假設不成立
2. 一個數字錯誤：計算、單位或比例錯了，但看起來合理
3. 一個推論錯誤：結論說得比證據多
改完後先輸出修改過的全文。
最後用「===答案===」隔開，寫出三個錯誤的位置和說明。

［貼上你的成果］

先把答案那段遮起來，給自己十五分鐘，把你認為有問題的地方標出來，每一處寫一句為什麼。時間到再打開答案對照。

結果這樣讀：三個都抓到、說得出為什麼，這類成果你可以交給 AI 做、自己驗。抓到一兩個，漏掉的那一類就是你要補的地方；如果漏的是前提錯誤，要特別留意，前提一錯，整份結論都會翻過來。一個都沒抓到，這類成果你目前在邊界外，交出去之前要有懂的人幫你看。再換一個相鄰的領域做一次，兩次結果的落差，就是你自己那條參差不齊的邊界。

這個檢查有它的限制。AI 埋的錯可能比真實世界的錯好找，也可能更刁鑽；它量到的只是一個大概的位置。但它比「我覺得我看得懂」可靠得多。

破除三個常見誤解：學好 Prompt 不能防錯，專家不檢查也會被帶偏

「學好 prompt 就夠了」。BCG 實驗裡多看了提示工程說明的那組，在邊界外的題目答對率最低。下指令的技巧讓 AI 做得更多，沒有讓人看出它錯在哪。

「我是專家，不會被帶偏」。資深放射科醫師在 AI 給錯時，答對率也從八成掉到四成五。專業給你看出錯的能力，看不看還是要靠自己。

「要先學完整套專業，才能用 AI」。第一階的工作不需要。先用，撞到邊界再補，學得更有方向。

例外條件：當結果能由機器自動驗證時，前提是你看得懂驗證規則

有一種情況，你不必自己懂那麼多：結果可以交給機器驗證。程式有完整的測試、數學有標準答案、資料轉換可以前後比對總數，這時候驗證的工作可以交給工具。Karpathy 說 AI 在這類任務上進步最快，也是同一個原因。

但測試是誰寫的？如果測試也是 AI 寫的，而你看不懂它在測什麼，問題只是往後挪了一格。能交給機器驗證的，是你看得懂驗證方法的那一部分。

結論：交出 AI 成果前先寫下三個關鍵假設，看不出錯就別把判斷交給 AI

下次 AI 交給你一份很像樣的成果，先別急著問它對不對。拿一張紙，寫下這份成果最依賴的三個假設。

寫得出來，就一個一個去驗。寫不出來，那就是你下一個要學的地方。

會用 AI 的人很多。能把 AI 的成果交出去、還說得出為什麼可以交的人，才是能用 AI 做出東西的人。看不出關鍵錯誤，就還不能把判斷交出去。

在資料分析這一行，「要學到什麼程度」具體長什麼樣子，可以接著讀〈AI 會寫 SQL 了，還需要學 Data Science 嗎？（2026 完整解析）〉。

常見問題

為什麼說 AI 是放大領域判斷，而不是取代專業知識？

AI 能迅速生成符合語法結構、表面專業的完整文案或程式碼，但它無法感知現實世界的物理邊界與商業約束。缺乏專業判斷的使用者無法分辨輸出中的合理推論與致命幻覺；只有具備領域知識的人，才能在幾秒內挑出致命盲點，將 AI 的產出轉化為可靠決策。

BCG 實驗（Jagged Technological Frontier）說明了什麼現象？

波士頓顧問公司（BCG）與哈佛的研究發現：在 AI 能力邊界內（如腦力激盪、文案起草），顧問使用 AI 後表現提升了 40% 以上；但只要題目稍微越過邊界（需要嚴謹因果邏輯），使用 AI 的顧問答對率反而暴跌 19 個百分點，因為他們被 AI 流暢的錯誤推論誤導了。

跨進新領域時，怎麼判斷自己懂的程度夠不夠用 AI？

看自己是否能說出這項工作的「三個關鍵失敗條件」。例如做登入系統，知不知道密碼不能存明文、Token 逾期如何更新、如何防禦 CSRF。如果你連有哪些坑都不知道，AI 寫出來的程式就算跑得通，你也無法為它的安全性背書。

不會寫程式的人用 AI 寫程式，最常在哪裡翻車？

最常翻車在環境組態、相依套件版本與權限控管。AI 生成函式邏輯很拿手，但當終端機跳出找不到路徑、連線逾時、資料庫連線池耗盡或跨域請求被擋時，無法看懂錯誤堆疊的使用者容易陷入反覆要求 AI「重試」的死胡同。

參考資料

實驗與研究

Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick, et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality（Organization Science 37(2): 403–423, 2026-03） https://doi.org/10.1287/orsc.2025.21838
HBS AI Institute, Back to the Beginnings of AI at Work（2026-04-09，邊界外任務各組答對率） https://aiinstitute.hbs.edu/back-to-the-beginnings-of-ai-at-work/
Thomas Dratsch, Xue Chen, et al., Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance（Radiology 307(4): e222176, 2023-05-02） https://doi.org/10.1148/radiol.222176
Hao-Ping Lee, Advait Sarkar, Lev Tankelevitch, et al., The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers（CHI '25, 2025-04） https://doi.org/10.1145/3706598.3713778
Judy Hanwen Shen & Alex Tamkin（Anthropic）, How AI assistance impacts the formation of coding skills（2026-01-29）；論文 How AI Impacts Skill Formation（arXiv 2601.20245） https://www.anthropic.com/research/AI-assistance-coding-skills

觀點與報導

Andrej Karpathy, Verifiability（2025-11-17） https://karpathy.bearblog.dev/verifiability/
聯合報，〈法官開酸「不要用AI寫上訴狀」判決內文要原告找「活生生」律師〉（2026-07-31） https://udn.com/news/story/7321/9661957