先講結論：AI 不會「知道」自己在唬爛
語言模型的本質是預測「下一個字最可能是什麼」，不是查資料庫。它輸出「台灣最高的山是玉山」和輸出一個不存在的判決字號，用的是同一套機制、同一種自信的語氣。這代表一件重要的事：幻覺（hallucination）不是 bug，是這類技術的結構性特質。模型越來越強，幻覺率越來越低，但「零幻覺」在可見的未來都不會發生。
所以問題從來不是「AI 可不可信」，而是「你有沒有一套習慣，讓錯的答案在造成損失之前被抓出來」。這篇給你一套我們自己在用的工作流，不需要任何技術背景。
第一步：先分類——這個答案錯了會怎樣？
不是每個答案都值得查核。把 AI 的回答按「錯誤代價」分三級，查核力道跟著代價走：
- 低風險：靈感、草稿、命名建議、程式碼的第一版。錯了就改，直接用，不用查。
- 中風險:會轉述給別人的知識、寫進報告的數字、公開發文的內容。至少過一層驗證。
- 高風險：醫療、法律、財務決策、會影響他人的判斷。AI 只能當「研究起點」，結論必須由權威來源或專業人士確認。
一句話版本：代價越高，AI 的角色越該從「回答者」退到「引路人」。
第二步：三層驗證工作流
第一層：來源存在嗎？
要求 AI 附上來源，是最基本也最常被跳過的一步。直接在問題後面加一句：「請附上可查證的來源連結或文獻名稱」。拿到來源之後，先確認它存在——AI 捏造論文標題、判決字號、新聞連結的案例層出不窮，而且捏造的格式通常完美到令人放心。點開連結、搜尋論文標題，三十秒就能完成這層。
第二層：來源真的這麼說嗎？
來源存在，不代表內容如 AI 所述。模型常見的失誤是「來源是真的，但結論被加工過」：把研究的「相關性」說成「因果」、把「部分受訪者」說成「多數」、把 2019 年的數據當成現況。打開來源，找到 AI 引用的那一段，比對它的轉述有沒有走樣。
第三層：來源可信嗎？
最後一層是傳統媒體素養：這個來源是第一手資料（官方統計、原始論文、當事人聲明）還是三手轉載？是內容農場還是有編輯流程的媒體？發布日期是什麼時候？AI 搜尋工具抓到的網頁，品質參差程度跟你自己 Google 到的一樣——它只是幫你找，沒有幫你把關。
三個立刻能用的實戰技巧
1. 交叉詰問
把 AI 的答案貼回去，換個立場問：「請你當反方，指出上面這段話最可能錯在哪裡。」模型在「找碴模式」下常能抓出自己在「回答模式」下的錯誤。用兩個不同的 AI 互相檢查，效果更好。
2. 要數字就要出處
統計數字是幻覺重災區。任何百分比、金額、排名，一律追問「這個數字的原始出處是哪份報告的哪一頁」。答不出具體出處的數字，當作不存在。
3. 用「我不確定」測試
直接問：「這個答案裡，哪些部分你的把握比較低？」誠實的使用方式不是逼 AI 給出斬釘截鐵的答案，而是把它的不確定性攤開來，讓你知道該把查核火力集中在哪。
為什麼我們把「可溯源」做進產品裡
FingerTips 的三個原則是「真人、乾淨、可溯源」。新聞每一篇附原始來源、AI 整理的每一句都能點回真人的原始討論——因為我們認為「查核成本」應該由產品承擔，而不是丟給每一個使用者。但無論工具做得多好，驗證的最後一哩永遠在你手上：點開來源、看一眼原文，這個三十秒的習慣，是 AI 時代最划算的自我保護。
結語
AI 是超強的研究助理，但助理交上來的報告，主管簽名之前要看過——你就是那個主管。把「先分類、三層驗證、交叉詰問」變成肌肉記憶，你就能放心享受 AI 的效率，而不用替它的錯誤買單。