AI 時代，當"知道"變得愈來愈便宜，我們還剩下什麼？

最近看到一個有趣的詞，叫做「高認知窮人」，它描述的是一群懂得很多、分析能力也不差，但最後能轉換成實際成果的東西卻很少的人。

看到一間新創，可以很快分析它的 Business Model 有什麼問題；看到一個新產品，馬上知道 UX 哪裡不好、沒有 moat；公司要推一個新專案，也可以列出市場、技術、組織與商業模式上的十幾個風險。

很多分析甚至都是對的，但有趣的是，當真的把事情交到自己手上，卻不一定做得比較好。

我自己其實偶爾也會有這種狀況。

特別是這兩年開始大量使用 AI 之後，我愈來愈覺得，這可能不只是「想太多、做太少」這麼簡單，而是 AI 正在放大一個原本就存在於知識工作者身上的問題：

我們取得資訊的速度，已經遠遠超過自己消化、實踐與驗證它的速度。

.

十年前，如果我要研究一個完全陌生的產業，可能要先 Google、找報告、讀幾篇文章，再問幾個產業裡的朋友。

現在簡單多了：把問題丟給 ChatGPT、Gemini 或 Perplexity，幾分鐘後就可以拿到市場規模、主要玩家、商業模式、競爭分析，甚至連下一步該研究什麼都整理好了。

這當然是一件好事，我自己也是 AI Search 的重度使用者，但它有一個很微妙的副作用：「取得答案」和「真的理解一件事」之間的界線，開始變得很模糊。

其實早在生成式 AI 出現以前，就有研究探索過類似的問題：

2015 年 Yale 的研究透過實驗發現，當人們使用網路搜尋答案之後，容易高估自己原本擁有的知識，把「我可以找到這個答案」誤認成「我知道這個答案」。

到了 GenAI 時代，這個現象又更值得注意。

Microsoft Research 在 2025 年研究了 319 位知識工作者、936 個實際使用 GenAI 的工作案例。他們發現，當使用者對 AI 的答案愈有信心，投入 critical thinking 的程度反而愈低；AI 也讓人的工作慢慢從「產生資訊」，轉向「驗證資訊、整合答案與監督結果」。

這讓我開始重新思考一件事情：

AI 最大的認知副作用，可能不是讓我們知道得太少，而是太容易讓我們產生「我已經知道了」的完成感。

而知道 (know) 本身，其實沒有完成任何事情。

.

工作做得愈久，會發現一個有點反直覺的現象：

1. 剛進職場的時候，很多事情不知道，所以反而敢做

2. 做久以後，知道的東西變多了

做一個新產品，會想到市場夠不夠大、技術成本、法規風險、競爭對手、商業模式；要進一個新市場，知道當地 Compliance 很麻煩、Operation 很重、CAC 可能太高。

這些判斷都沒有錯。

問題是，當腦中的判斷愈來愈多，我們也愈容易找到「為什麼現在不適合做」的理由：

• 這個功能不 scalable。

• 這個市場 TAM 太小。

• 這個產品沒有 moat。

• 這個需求不是 best practice。

• 現在資源不足，等下一季比較適合。

於是我們看得愈來愈清楚，下手卻愈來愈慢，我覺得這才是「高認知窮人」真正危險的地方。

它不是不知道，也不一定是不努力，而是分析開始取代了親自下場。我們研究很多、判斷很多，也愈來愈擅長看見風險，但自己的想法卻愈來愈少真正碰到市場、使用者與現實，久了以後，會形成一個很奇怪的狀態：

懂得很多，卻很少有東西真正被現實驗證過。

.

如果把我們平常工作的過程拆開，大概會經歷幾個階段：

資訊 → 判斷 → 行動 → 現實回饋 → 修正

以前第一步很貴，資訊難找、專業知識分散，光是知道「別人怎麼做」就需要花很多時間，所以知道得比別人多，本身就是一種競爭優勢。

AI 已經大幅改變這件事：取得資訊、整理資訊甚至形成第一版分析的成本，都正在快速下降，但後面幾件事沒有一起變便宜。

我們還是得判斷哪個答案適合自己的情境、得決定有限資源應該放在哪裡、還是得承擔做錯決定的風險，最後，也只有真的把東西丟進市場，才知道原本的假設是不是對的。

所以我現在反而偏向於一次完整的閉環，可能比再看十篇文章更有價值，因為只有跑完一次，我們才會得到 AI 無法直接給我們的東西——屬於自己的經驗。

這些經驗再回頭影響下一次判斷，慢慢形成一套自己的方法，這才是複利真正開始發生的地方。

這幾年做產品很常談 Product Sense，以前我會把 Product Sense 理解成：一個人能不能理解使用者、判斷產品方向，或者知道什麼樣的產品體驗比較好。

現在我反而的看法是“這個定義少了一半”。

Product Sense 不只是「看得出什麼比較好」，還包括願不願意 or 能不能在資訊不完整的情況下做出選擇，然後讓市場告訴我們答案。

因為現實中的產品決策，幾乎沒有資訊完整的一天

• 不會知道使用者一定買單。

• 不會知道競爭對手三個月後做什麼。

• 也不會知道這次投入的 ROI 最後是多少。

很多時候，我們只有六、七成資訊，就必須決定往哪裡走。

這也是為什麼 AI 愈強，我反而覺得「下場」愈重要

• AI 可以幫我們列出所有可能性，卻很難替我們決定哪一個 trade-off 最值得承擔。

• 也可以告訴我們 A/B Test 怎麼設計，但 user 會不會買單，還是得跑了才知道。

甚至 AI 給我們的答案愈完整，這個能力愈重要，因為未來大家都能快速取得差不多的 benchmark、framework 和 competitive analysis。

能拉開差距的，就變成：誰能比較快把這些資訊變成判斷，再把判斷丟進現實裡驗證

.

我自己的職涯剛好經歷過幾個不同的位置。

早期比較靠近工程與產品執行時，我很在意的是 solution 好不好、怎麼做比較完整？Architecture 合不合理？有沒有更好的方式？

後來做 Product Manager，問題慢慢變成：「我們到底應該做什麼？」開始發現，

• PRD 寫得完整不是最難的

• 難的是十個需求只能做三個，到底是哪三個？

• 市場有五個方向可以走，哪一個值得下注？

• 使用者說想要 A，但數據看起來像 B，Business 又希望你做 C，怎麼選？

到了現在更靠近產品負責人的位置，問題又變了一次，很多時候我其實很清楚一件事情「理想上」應該怎麼做，但公司沒有那麼多人、時間不夠、系統有 technical debt，Business / 客戶又在等。

這時候的挑戰已經不是找到 best practice，而是：在一堆不完美的條件裡，找到一條現在真的走得動的路。

工程師可能是在限制裡找出能 ship 的 solution。

PM 是在模糊的問題裡找到值得做的事情。

BD 是拿著產品出去，被客戶拒絕二十次之後重新理解市場。

管理者則是在資訊永遠不完整的情況下，決定團隊下一步往哪裡走。

角色不同，但最後練的是同一件事情：判斷 → 行動 → 回饋 → 修正。

而且職位愈往上，我愈覺得不可能等到所有答案都出現才做決定。

.

Alexandr Wang 曾經寫過一篇很有意思的文章，標題就叫 DO TOO MUCH。

他提到，2022 年生成式 AI 開始爆發時，Scale AI 在半年內就把大部分團隊轉向 LLM data。對成熟組織來說，這種改變可能需要經歷好幾季的規劃與討論，但 Scale 選擇非常劇烈地轉向。Wang 後來回顧，那次反應也成為公司後續成長的重要因素。

我不覺得每間公司都應該照著這種方式做，因為 Do too much 放在不同組織裡，也可能變成混亂、過度管理，甚至 burnout。

但我很喜歡它背後的一個精神：不要永遠等到自己完全確定。

尤其是在變化很快的產業裡，有些答案本來就不可能靠分析得到，我們必須先走出去一點，才會看到下一段路。這也是我這幾年愈來愈深的感受。

• 以前會覺得厲害的人，是看得比別人遠、知道得比別人多

• 現在反而覺得 比別人更早讓自己的判斷接受現實的檢驗 的能力可能更重要

做錯了，就改。

市場不買單，就重新想。

使用者根本不在乎，就把原本很喜歡的功能拿掉。

這些事情看起來不像認知升級，但可能才是真正讓認知升級的來源。

.

現在我每天還是會大量使用 AI，查資料、理解陌生領域、整理想法、challenge 自己的假設，我不覺得解法是「少用 AI」，反而應該用得更多。

我會開始提醒自己，不要把得到一個很完整的答案，誤認成事情已經往前走了，因為

• AI 可以幫我在五分鐘內看懂一個產業，卻不能證明我的判斷是對的。

• 可以幫我列出十個 Strategy，卻不能替我承擔選錯的結果。

• 可以寫出一份很漂亮的 PRD，但最後使用者到底要不要，還是得上線了才知道。

AI 正在讓“知道”變得愈來愈便宜，那稀缺的瓶頸，就會慢慢往後移，從資訊移到判斷、從判斷移到行動、再從行動移到一次又一次和真實世界交換答案的能力。

所以最近比起問自己「我還需要知道什麼？」

我們也必須多問另一層問題：

我知道的這些事情裡，有哪一件，真的拿去跟市場對過答案？