大型語言模型（LLM）對專業知識建議的限制

「向 LLM 請教」的轉介是專業知識傳遞失敗的表現

將尋求專業建議的人轉介至大型語言模型（LLM）往往會失敗，因為它忽視了人類實務經驗與專業判斷的特殊價值。當專家被問及一個缺乏業界共識的難題時，價值不在於教科書式的答案或 LLM 能提供的共識性資料，而在於「疤痕組織」——那些曾目睹決策偏離軌道的資深從業者的實務經驗。

為何 LLM 無法取代專家判斷

LLM 是以現有文件與共識性資訊為訓練基礎。它們無法提供難以文字化、且更難搜尋的具體實務經驗。例如，當多項研究結果相互矛盾時，人類專家能憑藉數十年的經驗，根據情境與特定細微差異判斷哪個來源更可信，這是模型無法感知的。

「向 LLM 請教」的回應作為社交代理

將人轉介至 AI 模型常常是「我不知道」、「我沒時間」或「我需要思考」的禮貌說法。雖然這是一種正當的拒答方式，但對已經把 LLM 作為第一步的提問者而言，並未提供任何實質價值。

與過去用於回擊未做基本研究的提問者的「Let Me Google That For You」(LMGTFY) 連結不同，「向 LLM 請教」的轉介往往出現在問題已經通過模型篩選的情況下。此時，轉介並未省去步驟；它僅僅是隱藏了只有人類專家才能提供的深思熟慮、基於經驗的答案。

專家注意力的成本

提供專業建議需要高度的認知負荷與專注力，這與 LLM 能處理的基礎研究問題形成明顯區別；後者屬於模型可應付的範疇，而前者則需要人類的實務經驗。當問題已經通過模型篩選，將其轉介給 AI 就是錯失了一次將無法在相同訓練資料中找到的專業知識傳遞的機會。