🧠 判斷力萎縮症：AI 自動化依賴如何讓決策技能用進廢退
> 一句話：AI 幫你做了 90% 的決定，剩下的 10% 你還會做嗎？判斷力像肌肉一樣用進廢退——航空業用幾十年事故學會的「自動化依賴」教訓，正在企業的決策室裡重演。（W35 選題候選一，2026-08-31 deep dive 素材）
為什麼這值得寫
2026 下半年企業護城河＝「把流程做對」，而判斷力正是 AI 廠商複製不了的護城河（趨勢 1 互為表裡）
與既有文章零重疊：07-11《管理者的認知偏誤》談人類天生偏誤（非 AI 誘發）；08-04《納瓦爾寶典》把判斷力當資產（未談退化機制）；08-21《策略會議》是「用 AI 擴張有限理性」的正向面——本篇是反面，一正一反互補
組織面呼應點：08-20 agent 治理的「學徒制斷層——下一代判斷力誰培養」核心證據鏈（研究）
一、認知外包與用進廢退（神經科學/認知科學）
Sparrow et al. 2011「Google 效應」：人傾向記住「去哪裡找」而非內容本身
Risko & Gilbert 2016 綜述：cognitive offloading 是常態，科技放大它
微軟 × 卡內基美隆 Lee et al. 2025（CHI'25）★：319 位知識工作者、936 個真實 GenAI 使用案例——對 GenAI 信心越高、批判思考越低；GenAI 降低批判思考的認知努力、鼓勵過度依賴；「GenAI 把思考從資訊蒐集轉向資訊驗證、從問題解決轉向 AI 回應整合、從做事轉向監督任務」
來源：dl.acm.org/doi/abs/10.1145/3706598.3713778二、自動化偏誤（automation bias）
Parasuraman & Riley 1997 經典定義；Parasuraman & Manzey 2010 注意力整合模型
NEJM AI 2025：連受過 AI 批判性評估訓練的醫師，面對錯誤 LLM 建議仍顯著盲從（自願諮詢情境下依然）
放射科系統回顧（2026）★：AI 給錯建議時誤診機率近 5 倍（pooled OR=4.89）；資淺醫師準確度 79.7%→19.8%（OR=15.57）、資深 82.3%→45.5%（OR=5.58）——技能越低、依賴越深、受害越重三、管理決策研究
HBR 2026-08《AI Is Undermining Leaders' Judgment》（判斷力正成競爭差異化關鍵之際被 AI 侵蝕）
HBR 2025-07《Don't Let AI Distort Your Decision-Making》（AI 加速決策但扭曲決策、導致過度自信）
HBS：AI 無法可靠區分好點子與壞點子，人類經驗與判斷仍是創新關鍵
Barry O'Reilly：「The leaders using AI the most are often the least prepared—producing more output, but doing less thinking」
CEO 數據：72% CEO 負責 AI 決策，只有 15% 真正產生價值（待確認原始研究）實際案例庫（每級配一個）
| 案例 | 類型 | 判斷力萎縮級別 | 教訓 |
|------|------|--------------|------|
| Uber 自駕 Tempe 事故 2018（NTSB） | 自動化依賴 | 決策巡航 | 安全駕駛 43 分鐘低頭 204 次、31% 時間視線離路；NTSB：「人類極不擅長監控自動化系統」 |
| Bench Accounting 破產 2025.1 | 企業 AI 依賴 | 決策巡航 | AI（BenchGPT）裁掉 bookkeeper、每人客戶 70→200，報稅季崩潰、赤字 $1.35 億 |
| Klarna AI 反轉 2025.5 | 企業 AI 依賴 | 決策癱瘓後重建 | 裁 700 客服後 CEO 承認品質下降、重新僱人——能力流失無法快速重建 |
| DataForge $2B 交易失敗 | 儀表板盲信 | 決策 GPS 依賴 | 3% 訓練偏差→模型標「低信心」→團隊盲信→交易黃掉、估值腰斬 |
| The Dashboard That Lied | 儀表板盲信 | 決策 GPS 依賴 | 「Comfort is not competence」 |
原創框架雛形：「判斷力萎縮三級 + 最低人工判斷配額」
判斷力萎縮三級（診斷）
決策 GPS 依賴：只看 AI 結論、不做獨立推理（症狀：儀表板盲信、無問題可問）
決策巡航：把判斷外包給 AI 摘要、只蓋章（症狀：開會只讀 AI 摘要、簽字不質疑）
決策癱瘓：沒有 AI 就不敢決策（症狀：工具當機=會議停擺、等 AI 給答案）處方：最低人工判斷配額（類比機師「最低手動飛行時數」）
民航業做法：各國規定機師最低手動飛行/起降次數（如 EASA FCL.740 每 90 天 3 次起降），確保自動化世代技能不退化
對應設計：每週 N 次不開 AI 的關鍵決策練習＋決策後覆盤（decision journal）；組織層級：紅隊機制、premortem、決策審計
驗證機制：決策日誌定期回顧「哪些決策 AI 給錯方向、我發現了嗎」航空業教訓（百年實驗場，2026-08-31 研究）
依賴 vs 自滿：dependency（技能退化）vs complacency（停止監控），相互強化；ICAO PTLP：28 起事故中 89% 正副駕駛同時依賴至少一個自動化系統
AF447（2009，228 死）：皮托管結冰→AP 解除→失速警報響 75 次未辨識→墜落 4 分 23 秒；BEA「手動操控無法臨場即興」；自動化悖論：系統愈可靠、失效瞬間人愈脆弱
Colgan 3407：機長三度對抗抖桿推桿、總時數僅 3,379 小時；催生 ATP 1,500 小時門檻＋UPRT 訓練
Asiana 214：NTSB「過度依賴未充分理解的自動化」；autothrottle HOLD 意外；韓亞「最大自動化」政策是反例
737 MAX：MCAS 為共用型別檢定而設計、未入手冊、無模擬機訓練（346 死）
NASA Casner 2014：「該擔心的不是用手飛，而是用心飛」——手眼技能僅生疏、認知技能明顯退化監管與「最低手飛」規定（配額類比基礎）
EASA FCL.060（⚠️ 非 FCL.740）：90 天內 3 次起飛/進場/降落（同型機或模擬機）；夜間機長另需 90 天 1 次夜間起降
FAA 14 CFR 121.439：同樣 90 天 3 次起降；121.441 每 6 個月熟練檢查
關鍵漏洞（DOT OIG 2016）：航班 90% 時間由自動化操作、法規從未要求「必須手動」、FAA 無程序確保手飛熟練度
FAA SAFO 17007：反對無依據的「每月手飛 10 小時」配額，但要求「允許並鼓勵手動飛行」；2022 AC 120-123 將手飛列為正式訓練主題管理面與企業實務（2026-08-31 研究）
HBR 2026-08-19（Sudakov & Furr）：228 評估者×48 作品田野實驗——人類大幅順從 AI「拒絕」建議；AI 附敘事式說明時反而更少推翻錯誤（解釋讓判斷更差）；三階段侵蝕模型：認知卸載→演算法權威順從→組織同質化；處方 CAST/RED
HBR 2025-07（Parra-Moyano）：300 位主管預測 NVIDIA 股價，用 ChatGPT 者更自信但預測更差
decision atrophy 詞源：Cabitza 2021《Cobra AI》
BCG 2026-06（70 高管）：近 90% 團隊不經壓力測試接受 AI 產出；判斷與決策是退化風險最高的能力
企業案例：Amazon 自動解僱/招募偏誤/2025-10 裁 14,000；Moffatt v. Air Canada 判賠 812 加幣；Mata v. Avianca 律師虛構判例遭制裁；以色列 Lavender 系統（37,000 目標、每目標 20 秒橡皮圖章確認）防禦處方工具箱（管理面研究）
個人：決策日誌（Duke 2018）、premortem（Klein HBR 2007）、先答再問（Buçinca 2021 cognitive forcing functions）、檢查表（Gawande）、每週無 AI 決策時段＋斷電演練
組織：CAST/RED（Sudakov & Furr）、紅隊（Burt HBR 2024-01）、放射科雙重判讀推廣「先人工、後 AI、再比對」、異議保護區、AI 設計為「思考夥伴」而非「答案機器」完整報告
→ 深度研究報告（61+ 搜尋 × ~90 來源）：/opt/data/reports/判斷力萎縮症-deep-dive-2026-08-31.md
來源
NTSB HAR1903（Uber Tempe）：ntsb.gov/investigations/AccidentReports/Reports/HAR1903.pdf
TechCrunch 2018-06-22（204 次看手機）
Bloomberg 2025-02-27（Bench 破產）；SSRN 5090007（Bench case paper）
Internative Klarna postmortem；Forbes 2026-07
NEJM AI：ai.nejm.org/doi/abs/10.1056/AIoa2501001
Radiology 系統回顧：rdw.rowan.edu 2026
Lee et al. 2025：dl.acm.org/doi/abs/10.1145/3706598.3713778
HBR 2026-08：hbr.org/2026/08/ai-is-undermining-leaders-judgment-heres-what-to-do-about-it
HBR 2025-07：hbr.org/tip/2025/07/dont-let-ai-distort-your-decision-making