案例01｜Critical-Thinking Coach：8 題、0–2 分與滿分 16 分

案例02｜ORID：1,500 人、45% 培訓出席與下一步判讀

核心表格

核心主題 主要觀點／方法 實務用途 重要條件／限制
建設性懷疑 把 Copilot 輸出當成待檢查的分析，而不是權威答案 降低自動接受錯誤輸出的風險 懷疑不等於全面否定 AI
來源驗證與 triangulation 回到原始來源並用多個證據交叉確認 查核事實與重要結論 引用存在不代表引用真的支持結論
Iterative prompting 逐步補脈絡、限制與證據要求，再檢查新輸出 改善不完整或偏離需求的結果 重寫提示不能取代來源驗證
Five Whys 反覆追問原因，找出問題背後的根因 區分模型問題與使用／訓練問題 因果鏈仍需證據支持
ORID 客觀、反思、詮釋、決策（Objective, Reflective, Interpretive, Decisional, ORID） 把複雜輸出從事實轉成行動 必須把事實、感受與推論分開
Devil’s Advocate／Premortem 主動攻擊假設並預想失敗原因 檢查高風險建議與盲點 需要真正考慮替代方案，不只是形式反對
認知偏誤 confirmation、anchoring、halo／horns、recency 與 automation bias 提醒團隊檢查人與 AI 的共同偏誤 AI 也可能強化既有偏見

文字說明

1. Copilot 是 thinking partner，不是 autopilot

第 9 章反覆強調：真正的風險不是 AI 永遠錯，而是人逐漸不再檢查。長期過度依賴可能讓專業判斷與問題解決能力弱化。

2. 先驗證，再解讀

Source verification、triangulation 與 post-output analysis 讓使用者先確認資料是否可靠，再進一步解讀。重要決策尤其不能只依單一生成結果。

3. 框架幫助把懷疑轉成方法

Five Whys 用來追根因，ORID 把事實、感受、意義與行動分開，Devil’s Advocate 與 premortem 則刻意尋找弱點與失敗路徑。

4. 團隊也會一起產生 automation bias

當 AI 建議剛好符合既有計畫時，團隊容易把一致感誤認為證據。原書因此建議主動產生多個方案，包括非 AI 方案，再做比較。