AI 幻覺怎麼辦？3 種查證做法與指令模板，交稿前先攔下編造答案

AI 幻覺（AI Hallucination）是指 AI 為了把一句話接得完整、接得通順，自己編出不存在的數據、查不到的報告，或是把推測講得像已經證實的事實。這不是哪個模型做壞了，而是語言模型運作方式本身就會發生的事，所以沒辦法靠換一個工具解決，只能靠人在交出去之前多做一層查證。

為什麼 AI 會一本正經地編造答案

關鍵在於搞清楚 AI 在做什麼。AI 更像是一套「語言整理工具」，而不是「查資料工具」——它擅長的是從大量文字裡整理出通順、有邏輯、看起來合理的回答，但它回答時不是真的去資料庫裡「查」一份報告出來，而是根據你問的語境，推算出「接下來最可能出現的字句」。

這就是為什麼它會講出像「根據 IDC 2023 報告，該市場年成長率達 34%」這種話——聽起來有機構、有年份、有數字，格式完全像真的，但真正去查證就會發現根本找不到這份報告，34% 只是 AI 根據上下文推測出來、「聽起來合理」的數字。問題不在於 AI 說謊，而在於它本來就不是為了「保證真實」而設計的，它是為了「把話接得順」而設計的。

同樣的機制也會讓多步驟的推理出錯——當一個問題需要分好幾步推導，中間任何一步偏掉，後面都會跟著錯，但表面讀起來一樣流暢自信，光看文字順不順沒辦法判斷對不對。還有一點容易被忽略：AI 的知識有截止日期，近期才更新的標準、日期、地方規範，它可能壓根不知道有變動，還是用舊的答案信心十足地回你。

職場最常中招的三種情境

整理下來，上班族最容易被 AI 幻覺坑到的，大概是這三種狀況：

1. 編造報告數據：問市場規模、成長率、排名，AI 給出一個很精確的數字和出處，但這份「報告」根本不存在，或數字是湊出來的。
2. 虛構引用來源：要 AI 幫忙找研究結果、人物說法當佐證，它會生出一個看起來很權威的來源名稱，但你真的去查，查不到。
3. 把推測寫成定論：這種最隱蔽。比如你問某個產業趨勢，它看到某家公司推出 AI 課程，就直接寫「企業培訓市場正全面轉向 AI」——這其實只是一個推論，不是已經證實的事實，但寫出來的語氣跟陳述事實一模一樣，不特別留意很容易就把推論當成結論用在報告裡。

三套可複製的做法與指令模板

下面三套做法可以分開用，也可以合在一起變成一個固定模板，之後每次要 AI 做資料整理、市場分析這類工作就直接套用。

做法一：不確定的地方，不要讓 AI 硬答

預設情況下 AI 會傾向把答案「補齊」，就算它根本沒把握。解法是在指令裡明講規則，逼它承認不知道。

可直接貼的指令： 「如果你對這個問題的答案沒有把握，請直接說明你不確定的原因，不要自行補齊缺漏的資訊或用推測填空。」

做法二：凡是數字、引用、人物說法，都要回到來源

只要內容涉及統計數字、研究結果、人物言論、新聞事件、政策法規、企業公告、市場排名，都應該要求 AI 附上可以驗證的來源，而且來源有優先順序：官方資料 > 原始研究報告 > 政府或學術機構 > 企業公告 > 具公信力媒體。如果用的是二手來源（例如某媒體轉述某機構的數字），要明確標註是轉述，不是原始出處。

可直接貼的指令： 「這個回答中出現的任何數字、統計、研究結論或人物說法，請附上可供查證的來源，並依照『官方資料 > 原始研究報告 > 政府或學術機構 > 企業公告 > 具公信力媒體』的順序排優先。如果找不到可靠來源，請直接說『尚未找到可驗證來源』，不要生出一個看起來像真的來源。」

做法三：把「事實、推論、建議」分開看

這套做法專門處理「推測被寫成定論」的問題。要求 AI 把回答拆成三類：已確認事實、合理推論、建議做法，彼此不要混在一起寫。

可直接貼的指令： 「請把你的回答分成三個部分：（1）已確認事實——有明確來源可查證的內容；（2）合理推論——根據現有資訊推測、但尚未證實的看法；（3）建議做法——基於以上兩者給出的行動建議。三者請不要混著寫。」

整合版：高可信度指令模板

如果想一次設好規則，之後每次都套用，可以把上面三套規則合併成一段固定指令，內容包含：對不確定的地方要明確說明、提供可驗證來源、來源要優先用官方資料、涉及數字與統計引用必須附來源、沒有可靠來源就標註「尚未找到可驗證來源」、回答分成已確認事實／合理推論／建議做法三類、列出待查證的部分、並給出一個信心指數。

這裡要提醒一點：信心指數可以要 AI 給 1 到 10 分，當作一個初步的穩不穩提示，但這個分數是 AI 自己評的，不等於答案真的正確，它只能提醒你「這段內容可能比較需要小心」，沒辦法取代真正去查來源這件事。

交稿前的查證檢查清單

這三套做法比較適合用在競品研究、市場趨勢整理、專案規劃、內容選題、主管簡報這類工作。不同職位盯的重點也不太一樣：

角色	交稿前特別要盯的地方
行銷人	發布前列一份待查證清單，特別是文案裡的數字、研究、引用是否都有來源
PM	區分清楚哪些是「使用者已經明確提出的需求」，哪些是「AI 自己推測可能的需求」
HR	薪資、職缺、產業需求這類資訊時效性很高，不同地區、不同職務差異很大，要另外確認
主管	決策前確認關鍵數字、資料來源、背後假設條件是什麼

整理成一句話就是：AI 很適合當「第一版整理者」，幫你先把雜亂的資訊收攏成一個初稿，但不適合直接當「最後裁判」。它能幫你省時間,但不能取代人去判斷這份初稿裡,哪些可以留、哪些要改、哪些要砍。

哪些任務不該交給 AI 獨立完成

涉及機敏資料的工作不該讓 AI 獨立處理。資策會發布的「生成式 AI 導入指引」裡提到,企業導入 AI 時要從組織面、技術面、資料面、人才面、管理面、政策面六大方向去思考,也點出 AI 可能帶來的負面衝擊,包括洩漏組織機敏資料、濫用智慧財產權、取代現有人力、混淆對事實的正確認知。評估風險時要特別留意公平性、隱私性、安全性、知識產權的確認與授權,以及防範駭客入侵,相關細節建議直接看官方指引。這部分如果是企業內部要導入 AI 工具,也可以參考AI Agent 導入前要搞懂什麼？權限、流程與風險檢查清單。

如果工作場景涉及個人敏感資訊（例如教育現場的學生資料），只能用核准過的工具處理,而且就算把姓名拿掉,學號、健康狀況、情緒資料、小班級的性別比例等細節,仍然可能讓人重新拼湊回個人身分,這類工作不適合直接丟給 AI 自己整理,相關做法可以參考老師怎麼用 AI 備課？Claude for Teachers 現況與台灣教師實際做法。至於怎麼在指令裡劃清楚規則、讓 AI 乖乖照規矩回答,可以搭配系統提示詞是什麼？和使用者提示詞差在哪一起看;需要更完整的深度查證流程,也可以參考Deep Research 怎麼用才可靠？提問結構、六步流程與查證做法。

簡單說,凡是結果會直接影響機敏資料、重大決策、或牽涉到真人隱私的工作,AI 可以幫你先整理一版、找方向、發想靈感,但最後要不要用、怎麼用,都需要人親自把關,不能讓 AI 獨立拍板。