'Ask Claude' 轉向：技術導師制中實務經驗的侵蝕

'Ask Claude' 轉向作為專家知識的障礙

當專業人士在面對複雜問題——尤其是缺乏業界共識或需要細緻判斷的問題——尋求指導時，直覺性的回應「Ask Claude」（或其他 LLM）往往成為障礙，而非解決方案的橋樑。對於提問者而言，這種轉向令人沮喪並非因為他們在迴避工具，而是因為問題已經超出 LLM 的能力範圍。資深專家的價值不在於能夠綜合現有文件，而在於他們的「疤痕組織」：即親身經驗——在實時目睹決策失敗，並知道共識錯誤之處。

共識與經驗之間的鴻溝

在專家共識（LLM 設計用以彙整的）與個人實務經驗之間，存在根本的差異。

• 共識知識：這是教科書、文件以及大多數線上討論中所呈現的內容。LLM 透過提供「top-10 list」或根據訓練資料推算的最可能答案，在此方面表現優異。
• 實務經驗：這是多年實踐中獲得的具體、非顯而易見的洞見——例如在五項研究相互衝突時知道該信任哪一項，或辨識出與標準手冊相矛盾的模式。

如原始資料所述，向導師請教具體意見，就像向朋友徵求基於共同口味的餐廳推薦，而不是索取一份城市中最佳餐廳的精選清單。目標是取得難以書寫、亦更難搜尋的觀點。

為何會出現「Ask Claude」回應

對話分析顯示，資深專業人士預設使用 LLM 轉向的原因有數個：

1. 「Proof of Work」問題

許多專家對於初級同事提出的「低投入」問題感到疲憊，這類問題往往缺乏自行探索或使用基本搜尋工具的嘗試。在此情況下，「Ask Claude」是一種鼓勵自給自足的正當方式。正如一位貢獻者所指出，提供詳細的嘗試過程（例如「我嘗試了 A、B、C；A 雖然較佳但 C 更快」）通常能避免 LLM 轉向，因為這顯示了「工作證明」。

2. 「I Don't Know」的禮貌代理

將問題轉向 AI 可能是一種社會上可接受的拒絕方式。它可作為以下禮貌說法的替代：

• 「我現在沒時間處理這件事。」
• 「我不知道答案。」
• 「我忘記了你在找的那個具體細節。」

3. 真誠相信工具的優越性

部分有經驗的專業人士認為 LLM 如今能比手動回憶更精確或更快速地綜合資訊。從這個觀點出發，LLM 成為工作流程的「下一步」，指引他人使用它被視為取得正確答案的最高效途徑。

過度依賴 AI 在技術成長中的風險

雖然 LLM 能即時提供答案，社群仍指出「Ask Claude」文化帶來的系統性風險：

• 學習萎縮：當開發者使用 AI 完成本應自行學習的任務時，可能無法培養驗證 AI 輸出正確性的基本技能。這可能導致「看起來不錯，但關鍵細節卻是垃圾」的情況。
• 機構知識流失：隨著公司倚賴 AI，並透過裁員或退休方案逐步淘汰資深職位，「機構知識」——即為何某些事物以特定方式構建的背景——將會流失。LLM 無法恢復從未在網路上記錄的知識。
• 知識崩潰：隨著 AI 生成內容充斥網路，原本由人類驅動的專業領域知識池將縮小，可能導致「巨大的知識崩潰」，即 AI 代理僅回音其他 AI 代理，缺乏新的人類洞見。

改善技術詢問的策略

為避免「Ask Claude」轉向並獲得高價值的人類見解，建議採取以下溝通策略：

• 以研究為先：明確說明已諮詢過 LLM，並解釋其答案為何不足。
• 定義鴻溝：清楚區分對資訊（LLM 可提供）與對判斷（需人類）的請求。
• 提供情境：不要問「做 X 的最佳方式是什麼？」而是問「我在 X 與 Y 之間抉擇；考量您在【特定專案】的經驗，哪個權衡較危險？」