每個開過車的人都知道後照鏡有盲區：斜後方那一塊，鏡子裡看不到、轉頭也很難看全。最危險的瞬間不是你看到旁邊有車——是你確認過鏡子、覺得安全了，然後切過去。

決策的盲點跟開車的盲區是同一種東西。危險的從來不是「你不知道的事」——那種你會去查；危險的是你以為你已經看過了的地方。沉沒成本、確認偏誤這些名詞，你大概都在書裡讀過，我也讀過。但讀過不等於看得見：盲點的定義，就是決策當下你看不見它。

這篇是思考篇的實證集：四個真實發生在我身上、被 AI 當場戳破的決策盲點。上一篇〈讓 AI 當思考對手〉講了為什麼需要外部視角，這篇給你看外部視角實際抓到了什麼。

為什麼盲點「當下」看不見？

康納曼（Daniel Kahneman）在《快思慢想》裡把思考分成兩個系統：System 1 快速、自動、不費力——它負責你 95% 的日常判斷；System 2 緩慢、刻意、燒腦——它只在被召喚時上工。

盲點全部住在 System 1 的領地裡。二元框架、確認偏誤、過度自信，這些不是「想錯了」，是根本沒有進入「想」的程序——System 1 直接給了答案，而它給答案的時候不附「本判斷可能有誤」的警語。你感覺不到自己正在偏，就像你感覺不到地球在轉。

所以解法的方向很明確：你需要一個不共享你的 System 1 的外部視角。 以下四個案例，就是這個外部視角的工作實錄。

盲點一：二元框架——「我以為只有兩條路」

情境：我面對一個「怎麼留住關鍵夥伴」的難題，卡了很久。卡住的形狀是一道二選一的題目：給更高的位子，還是給更多的錢？兩個選項各有大問題，所以我在兩個爛選項之間來回，越想越死。

被戳破的瞬間：AI 用結構化思考框架把問題拆開，第一刀就砍在題目本身——「為什麼是二選一？」它把「留住一個人」拆成六個可以獨立操作的維度：金錢、成長、地位、自主、歸屬、安全感。我那道二選一的題目，瞬間變成一張六乘多的組合表——位子和錢只是六分之二，而我卡住的真正原因，是我把另外四個維度全部摺疊掉了。

事後看：二元框架（binary framing）的可怕在於它偽裝成「把問題想清楚了」——能把選項收斂到 A 或 B，感覺像是分析的成果，其實是想像力的破產。

可遷移的一招：重大決策卡在二選一超過一天，就問 AI 一句——「這題有沒有可能不是二選一？把我沒看到的維度拆出來。」

盲點二：確認偏誤——「我只想看賺的」

情境：我用 AI 建自己的投資追蹤系統。設計報表的時候，一個事實擺在眼前：我知道自己只想看賺錢的部位。賺的看了開心，虧的看了煩——所以虧的那幾行，我的眼睛會自動跳過去。這不是猜測，是我對自己的誠實觀察。

破法：這次不是 AI 戳破我，是我跟 AI 合謀戳破未來的自己——設計系統時，我特意要求把最難看的數字擺在第一頁：最大回撤、虧損部位、落後基準的標的。要看到任何讓我開心的數字之前，必須先經過讓我不舒服的那幾行。

事後看：確認偏誤沒辦法靠意志力對抗——「我以後會注意」是 System 1 最愛聽的空頭支票。能對抗結構性偏誤的只有結構：把不舒服的資訊放在通往舒服資訊的必經之路上。

可遷移的一招：請 AI 設計任何儀表板、報表、回顧文件時，加一句——「把我最不想看、但最該看的數字，放在最前面。」

盲點三：過度集中——「壓到六成而不自知」

情境：投資組合裡的某一個標的，因為分散在幾個帳戶、又一路上漲，不知不覺占到整體部位的六成。每個帳戶單獨看都沒有異常，我自己完全無感——直到系統把跨帳戶的部位彙總起來算了一次。

被戳破的瞬間：六成。一個數字而已，但看到的當下後背發涼。任何人問我「單一標的壓六成合理嗎」，我都會說瘋了才這樣做——但我就是那個瘋子，而且毫無自覺。後來系統首頁加了集中度警示：超過閾值，紅字，擺在第一屏。

事後看：這是過度自信偏誤的變形——不是「我覺得它會漲所以重壓」的主動自信，是**「沒有任何一個畫面讓我看到全貌」的被動失明**。分倉、分帳戶、分批買入，每一步都合理，加總起來是一個我絕不會主動選擇的曝險。

可遷移的一招：「幫我把分散在不同地方的同一類東西彙總起來看一次」——資產、時間投入、人力配置都適用。盲點常常不在單點，在沒人負責的加總。

盲點四：沒有單一真相源——「我的記錄自己打架」

情境：同一件事的狀態，我在系統裡存了好幾份——規劃表一份、進度筆記一份、AI 的記憶一份。它們在不同時間被更新，漸漸長出互相矛盾的版本。然後有一天，AI 依照其中一份過時的記錄行動，差點把一份已經完成的好成果，用舊版本覆蓋掉。

被戳破的瞬間：事後追查為什麼會這樣，結論讓我說不出話：每一份記錄單獨看都「曾經是對的」。沒有任何一份在說謊，它們只是停在不同的時間點。而系統不知道該信哪一份——我也從來沒告訴過它。

破法：建立「真相源」制度——同一個事實，只有一個地方有資格回答「現在到底是什麼狀態」，其他所有副本遇到衝突，一律向真相源對齊。再加一條鐵律：任何覆蓋、刪除、發布動作之前，先驗證實際狀態，不信任何記錄。

事後看：嚴格說這不是認知偏誤，是資訊架構的盲點——但它跟前三個一樣符合盲點的定義：出事前你完全看不見它。多份記錄各自演化，每天都在發生，無聲無息，直到某天兩份打架。

可遷移的一招：對 AI 說——「這件事的記錄如果有多份，告訴我哪一份是最終答案；如果你發現它們矛盾，停下來問我，不要自己挑一份。」

把 AI 變成盲點偵測器

四個案例的共同點：沒有一個是我自己發現的。 全部是外部視角——結構化的拆解、強制的彙總、矛盾的偵測——把它們攤到我眼前。把這件事變成可重複的動作：

【實際操作】

你這樣說：「我準備做這個決定：（描述決定和理由）。在我執行之前，請你當盲點偵測器：對照常見的認知偏誤清單，指出我這個決定『最可能正中』的兩三個偏誤，每個都要講出具體懷疑的點，不要泛泛列名詞。」

它大概會這樣回（示意）：「兩個最值得懷疑的：①二元框架——你的描述裡只有方案 A 和 B，但從你的目標看，至少存在 C（部分並行）你沒有提到，是真的不可行還是沒想到？②近因效應——你的理由第二點重壓在上個月的事件上，如果把時間拉長到一年，這個事件還有同樣的權重嗎？」

**▶ 你要檢視什麼：**它列的偏誤裡，哪一個讓你心裡「咯噔」一下——那個生理反應比任何分析都準，咯噔的那條通常就是打中的。完全無感的條目可以放過（它有時也只是照清單唸）；但小心「無感」跟「不想面對」的差別：讓你想立刻反駁的那條，再多看一眼。

你接著這樣回：「①打中了，C 我確實沒想過——展開 C 的可行性。②不算，那個事件只是例子不是理由，我的判斷另有依據：（講出來）。你再檢查這個依據站不站得住。」

為什麼是四個，不是五個？（誠實段）

這篇原本規劃寫五個盲點——清單文嘛，五比四好看。我跟 AI 一起回放了幾個月的決策記錄，撈出兩個候選：沉沒成本、錨定效應。

然後我把它們砍了。回放的結果是：那兩個偏誤我處理得還行——沒有「當下被戳破」的瞬間，只有「事後看做對了」的平淡。硬寫成「AI 幫我破掉的盲點」，就是編故事了。

這個系列有一條底線：不硬湊假案例。四個真的，勝過五個裡摻一個假的。如果哪天沉沒成本真的演了一齣戳破我的戲，我回來補第五個。

FAQ

AI 真的能看出我的認知偏誤嗎？ 能看出「結構上的可疑點」——你的選項數、證據來源、時間權重。它看不到你的內心，但偏誤會在決策的結構上留下指紋，那是它抓得到的。

怎麼問才不會讓它附和我？ 別問「我這樣想對嗎」，要指定它站偵測立場＋給規格（「指出最可能打中的偏誤＋具體懷疑點」）。原理見上一篇。

重大決策該在哪個時點做盲點掃描？ 決定「幾乎成形、還沒執行」的時候。太早掃，方案還在變，掃了白掃；執行後才掃，只剩懊悔的功能。

AI 自己有沒有偏誤？ 有——它會附和你（sycophancy）、會被你的問法錨定。所以盲點偵測要用指定立場的問法，而它的輸出也一樣要過你的理性思辨。互相校準，沒有誰是無偏的裁判。

---

這個系列的上下篇：上一篇〈讓 AI 當思考對手〉講心態，本篇是戰果實錄；下一篇 EP10 講裝備——結構化思考框架：讓「拆問題、抓盲點」變成一句話就能呼叫的標準動作。

延伸閱讀：Daniel Kahneman《快思慢想》——System 1/2 與認知偏誤的總綱 (Wikipedia)　｜　確認偏誤 (Wikipedia)　｜　過度自信效應 (Wikipedia)