AI 做的產業研究看起來都很合理，常常是因為它讀到的，多半是業者寫給客戶看的公開資料。我用一個服務設計案，分享我現在怎麼跟 AI 分工做研究。
摘要
deep research 讓產業研究從好幾天縮短到十幾分鐘，我一度擔心研究會被取代。直到一份看起來很完整的 AI 研究，被業者一句「客人沒那麼多錢」翻過來。這篇從那次經驗出發，搭配《Nature》2024 年談「理解的錯覺」的論文，以及微軟和卡內基美隆大學 2025 年對 319 位知識工作者的研究，分享我現在怎麼讓 AI 負責整理資料，把省下來的時間拿去現場找人驗證。
這篇你可以看到
- ✓為什麼 AI 做的產業研究，看起來都很合理網路上的公開資料，很多是業者寫來找客戶、談合作的
- ✓「理解的錯覺」是什麼《Nature》2024 年的論文怎麼說，以及我自己怎麼掉進去
- ✓我現在怎麼跟 AI 分工做研究AI 整理資料，我帶著疑問去找真正做這行的人
- ✓以前花 14 天整理資料，現在有 13 天可以去找人省下來的時間，怎麼變成更真實的研究
那天，我帶著一份研究報告去找業者。報告是 AI 做的，但我沒有直接相信。我特地買了書、找了產業報告，把重要的資料一條一條對過。
結論很漂亮，邏輯也很完整。我原本以為，這次應該掌握得差不多了。
沒想到，業者聽完只說了一句：「客人沒那麼多錢。」
我當場傻眼。
我曾經以為，研究很快就不需要人了
我很愛研究。以前接到陌生產業的案子，我可以把自己埋在資料裡好幾天。找資料、讀報告、整理關聯，慢慢拼出一個產業的樣子。
所以 deep research 一出來，我整個瘋了。只要丟一個問題進去，十幾分鐘後，就能拿到一份產業報告。有架構、有引用、有缺口分析，有些地方甚至比我自己查得完整。
那陣子我每天都在用。真的太好玩了。
但用著用著，我開始有點不安。以前要花好幾天才能整理出來的東西，現在 AI 十幾分鐘就做完了。那客戶為什麼還要付錢找我？
做服務設計這麼多年，研究一直是我很重要的專業。如果連研究都能交給 AI，那我以後要做什麼？（那段時間，我是真的有點慌。）
就在這時，我接了一個新的服務設計案。
AI 說，這個產業的未來是客製化
我照慣例，先用 deep research 做功課。它很快整理出這個產業的核心專業、市場現況，以及還有哪些服務缺口。最後給了一個很漂亮的方向：「客製化、深度互動，是這個產業的未來。」
聽起來很有道理。但我沒有全信。我去買書、找產業報告，把裡面的說法一條一條拿來對。越查越覺得合理。好，應該可以去跟業者聊了。
結果對方聽完，只回我：
大部分的客群沒那麼多錢，我們不可能這樣做。少部分負擔得起的，早就在這樣做了。
我愣了一下。等等。
有錢的那群，早就有人服務了。沒錢的那群，根本做不起來。那 AI 說的市場機會，到底在哪裡？
我花了那麼多時間查證，每一份資料看起來都有道理。結果一個真正做這行的人，兩句話就把整個結論翻過來了。
原來，網路上有很多事情不會告訴你
後來我才慢慢想通。網路上談這個產業的文章，很多是業者寫來找客戶、談合作的。那些文字看起來很合理。因為它們本來就是寫來說服人的。
AI 讀了大量公開資料，自然也整理出一個看起來很有前景的產業。
但有些事情，網路上很難找到。例如業者私下怎麼算帳。客人實際願意付多少錢。那些看起來很棒的服務，為什麼沒有被大量採用。這些不是多讀幾份報告，就一定能找到答案的。
我後來才發現，自己當時查證的是資料有沒有根據，卻還沒有真正確認那些結論能不能在現場成立。
2024 年，Yale 和 Princeton 的學者在《Nature》談過類似的問題 [1]。他們稱之為「理解的錯覺」。
AI 讓研究變得更快、更容易，也可能讓研究者高估自己對世界的理解。
回頭想想，那段覺得「一切都很合理」的時間，我好像就在這種錯覺裡。
（想了解更多此議題，請點這篇文章：〈AI 能快速給答案，但會打到客戶心裡的洞察，是你看見資料裡缺少的東西〉）
被業者打臉之後，我反而更愛用 AI 了
很奇怪吧。發現 AI 的研究有這麼大的盲點，我沒有因此少用它。反而用得更多。只是我開始重新分配自己的工作。
找資料、整理文獻、交叉比對，甚至整理數據、畫出關係圖，這些事情 AI 真的做得很快。我也會用不同 AI 交叉比對，確認資料來源有沒有問題。
但資料都對，不代表結論就對。
現在我拿到 AI 的分析，反而會開始好奇一些事情。
例如，有一次我在研究任務和報價的關係。AI 給了很多建議，不同資料拿來比對，也看不出明顯問題。但我看著看著，開始覺得奇怪。「這個任務真的值這個價格嗎？」「實際接案的人，也是這樣報價的？」
又例如，研究某個服務的推廣方式。AI 可以整理出不同做法，甚至畫出推廣方式和成效之間的關係。看起來都很合理。但我就會想：「真的有這麼有效嗎？」「這個成效是怎麼做到的？」「如果效果這麼好，為什麼大家沒有這樣做？」
以前，要看到這些關聯，我可能得先花很多時間找資料、整理數據。等到關係圖終於畫出來，可能已經過了一兩週。現在 AI 很快就能幫我整理出初步分析。
而我可以拿著這些資料，去找真正做這行的人聊。「你們真的是這樣做的嗎？」「這個數字在現場合理嗎？」「這裡是不是有什麼我沒看到的？」
有時候，對方一句話，就能讓我發現整份報告漏掉了什麼。就像那句「客人沒那麼多錢」。
那不是 AI 幫我挑出來的問題。而是我帶著資料去現場，才發現自己原來還有這麼多不懂的地方。
以前花 14 天整理資料，現在有 13 天可以去找人
這大概是用了 AI 之後，我最喜歡的改變。
以前做一個研究案，光是資料蒐集、交叉比對、整理關聯、製作數據報告，可能就要花掉兩週。等我終於整理出一份像樣的報告，時間也差不多用完了。
現在，同樣的前期工作，有時候一天就能完成。那剩下的 13 天呢？
我沒有拿來休息。而是拿去找人。找業者聊、找專家問，觀察現場真正發生的事情。
而且我不是空手去問。我已經有一份初步報告，有數據、有關係圖，也有很多疑問。我可以把這些東西拿給對方看。「你覺得這個分析對嗎？」「如果不對，問題出在哪裡？」「實際做的時候，還有什麼限制？」
有時候聊完，會發現 AI 整理得很好。有時候則會發現，原來最重要的事情，根本不在報告裡。但不管是哪一種，都比我一個人坐在電腦前猜來得有趣。
更有趣的是，用了 AI 之後，找我做研究的人沒有變少。反而有更多人來找我做真實的研究。
2025 年，微軟和卡內基美隆大學研究了 319 位知識工作者使用生成式 AI 的經驗 [2]。研究發現，越信任 AI 的人，越可能減少自己的批判性思考。但越相信自己專業能力的人，反而更願意投入思考。
（想了解更多此議題，請點這篇文章：〈AI 把設計流程的中段掏空了，設計師反而更有時間做設計〉）
AI 沒有拿走我研究的樂趣
我讀到這段時，想到的就是這幾年的自己。一開始，我真的很擔心 AI 會取代研究。因為它找資料太快了，快到讓我懷疑自己還有什麼價值。
但後來我才發現，原來我喜歡研究，不只是因為喜歡找資料。我更喜歡的是，從資料裡發現奇怪的地方。找到自己不懂的事。然後帶著問題去找人，聽他們告訴我真實世界怎麼運作。
AI 沒有拿走我研究的樂趣。它只是讓我不用把大部分時間，都花在整理資料上。
以前，我可能花 14 天，才整理出一份研究報告。
現在，我可以花 1 天整理資料，再用 13 天去確認：「這個世界，真的是這樣嗎？」
想到這裡，我反而更想去找專家聊天了。因為研究最有趣的地方，從來不是報告寫得多完整。而是你拿著一份看起來很合理的報告，走進現場之後，有人突然跟你說：「不是這樣的啦。」
然後，你又發現了一個新的世界。
你最近一份 AI 幫你做的研究，有沒有拿去問過一個真的在做這行的人？
會想寫這篇，是因為讀到國科會 2023 年一份談生成式 AI 的研究報告 [3]。報告當時就提醒：AI 的預測更像有價值的假設，仍然需要透過實驗驗證。三年後再看這句話，特別有感。
如果你的團隊手上也有一份 AI 做好的研究，想知道它在現場站不站得住，歡迎與我聯繫，一起把研究帶回真實的人和行為。→ 與我合作
參考資料
[1] Messeri, L. & Crockett, M. J. (2024). 〈人工智慧與科學研究中的理解錯覺〉Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0
[2] Lee, H.-P. et al. (2025). 〈生成式 AI 對批判性思考的影響〉The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. Microsoft Research
[3] 郭廷洋（2023）。〈生成式 AI 技術應用與倫理的挑戰：國際趨勢與臺灣策略〉。國家科學及技術委員會自然科學及永續研究發展處。
