Anthropic 分析師研究：86% 選擇跟著 AI 傾向走，數字代表什麼？
Anthropic 分析師研究。AI 幫忙寫程式、算數字之後，最後的判斷是否仍由人決定？Anthropic 的一項研究顯示，即使專業分析師不知道 AI 被設定的偏好，選擇仍經常跟著它走。
AI 幫忙寫程式、算數字之後，最後的判斷是否仍由人決定？Anthropic 的一項研究顯示，即使專業分析師不知道 AI 被設定的偏好，選擇仍經常跟著它走。
研究中的 86%，指四項分析選擇符合 AI 傾向的比例。它不代表 86% 的分析師做錯，也不能直接推成所有工作都會受到同樣影響。
這份研究值得用來改進決策流程：先把自己的標準寫下來，再請 AI 提供不同選項的理由，讓最後的取捨可追查。
Anthropic 分析師研究怎麼設計？
官方研究文章 說明，研究招募有因果分析經驗的專業人士，最後分析使用 Claude Code 的 50 位分析師。因果分析是在資料中判斷一件事是否造成另一件事的方法。
任務是評估虛構農業合作社的諮詢服務是否值得擴大。過程留下四項有不同合理答案的選擇，例如以每公頃產量，或以每單位成本的產量衡量成果。
每項選擇中，AI 支持哪個方向由擲硬幣決定，參與者不知道。研究要求 AI 誠實提出理由，也能在證據要求時改變看法。
86%、77% 和 15% 各代表什麼？
四項分析選擇合計，分析師有 86% 跟著 AI 傾向，若 AI 沒有影響，研究預期約為 50%。兩者的差異是這個實驗想測量的影響。
事後解釋時，77% 使用 AI 提出的論點，但只有 15% 把論點來源歸給 AI。這提醒我們，受到協助的人可能把已吸收的理由感覺為自己的判斷。
作者 Alex Tamkin 的原始貼文 也整理研究設計。數字應回到任務與分母閱讀，而不是只截一個百分比當成對人類能力的結論。
研究限制會怎麼改變解讀？
Anthropic 明說，實驗刻意加強 AI 的偏好，任務、領域和模型也有限。真實工作若沒有這種設定，影響可能較小，因此不能把結果當成所有專業情境的普遍比率。
研究另觀察到使用 AI 者較快、嚴重錯誤較少，但未使用 AI 的小群體較缺經驗，兩組也不能直接當成公平的效率比較。
這些限制沒有抹去研究價值，而是把問題放回「如何保留獨立判斷」。當 AI 已經完成大部分分析，人需要更清楚記錄哪些標準是自己決定的。
常見問題
86% 就是錯誤率嗎？
研究選項有不同合理答案，這是符合 AI 傾向的比例，不是對錯分數。
多找一個 AI 審查就能解決嗎？
可以增加視角，但也要讓它看獨立的證據和標準。若只重述前一個答案，檢查的獨立性仍有限。
工作上能先做哪一件事？
在問 AI 前，寫下目前選擇、依據及會讓你改變看法的證據，再對照 AI 建議記錄改動。
讓最後一次判斷留得下理由
把問題定義、衡量方式和修改原因放進決策紀錄。AI 能幫忙推進分析，而人也能看清楚自己在哪一步接受了它的取捨。
