AI考試會被「亂猜」扣分，你的員工敢說不知道嗎

印度有個研究團隊給十六個頂尖AI模型做了一場放射科考試，兩百個病例，對照真人醫師。計分方式不複雜：答對加分，答錯倒扣，，說「我不知道」則是零分，不扣不加。結果呢，好幾個以為自己很聰明的模型，分數被自己的自信心扣到見底。人類醫師拿了988.7分，最強的AI模型只拿758分。

輸的不是智商，是不敢承認不會

這個測驗最狠的地方，是逼每個模型對自己的答案標一個確定度，從零到四。答錯又打包票說很確定的，扣得比隨便亂猜還重。研究團隊後來發現一件很諷刺的事：好幾個模型只要學會多閉嘴幾次，名次立刻往前跳。反倒是那些開源模型跟醫療專用模型，幾乎每題都硬答，錯得非常有自信。甚至有一款升級後的新模型，懂的東西變多了，幻覺卻也變多，因為它對自己講錯的答案更加深信不疑。

一個系統的可靠度，從來不是看它答對幾題，是看它知不知道自己哪一題在瞎猜。

我們幫企業匯入AI系統時，天天在防這件事

這幾年接觸不少想匯入AI客服、AI審核、AI決策輔助的企業，常見的坑不是模型不夠新，是企業自己沒設計「不確定的時候該怎麼辦」這條路。系統遇到模糊案例，不是老實回報「這題我沒把握，請人工確認」，而是被要求一定要給個答案，因為老闆覺得系統不能沒反應。結果就是，系統跟那些醫療專用模型一樣，錯得很有自信，而且沒人發現，因為它從來不喊救命。

• 匯入AI前先問：系統遇到低把握案例，允許它說「不確定」嗎
• 評估AI廠商時，別只看準確率，問清楚錯誤案例的信心分佈長什麼樣
• 幫關鍵流程留一道人工複核關卡，尤其是財務、醫療、法遵這類高風險場景
• 把「模型多久沒踩雷」跟「模型多常誠實喊不確定」都列進驗收指標

制度長什麼樣，團隊就長什麼樣

這件事回頭看公司管理也一樣。你公司裡上一次有人在會議上說「這個我不知道」是什麼時候？如果績效考核只獎勵答對、不獎勵誠實回報不確定，那不管是人還是AI，都會學會用猜的把場面撐過去。一個敢在會議上說「我不確定」的資深工程師，在你的制度裡值多少分？如果答案是他會被檢討，那你的團隊本質上就跟那些幻覺率飆高的模型沒兩樣，只是錯得更貴。

波蘭那份大腸鏡研究也提過類似的事，醫師習慣AI輔助之後，一旦拿掉工具，病灶偵測率反而從28.4%掉到22.4%。這不是AI的錯，是人把「依賴」跟「信任」搞混了。真正成熟的AI匯入，不是讓系統取代判斷，是讓系統誠實標出哪裡該交還給人。