专家也会跟着 AI 的随机偏好选？团队决策怎样保留自己的依据？
采集报道介绍一项涉及 50 名因果推断专家的实验，部分分析决策对 AI 随机偏好的采纳比例最高达 86%。参考时应分清实验范围、建议与证据，不能把最高值当成所有人的表现。
怎么判断？
让 AI 提供选项和反对理由，同时保留决定采用哪一项的独立依据。采集报道将这项涉及 50 名因果推断专家的实验归于 Anthropic，称随机指定给 AI 的偏好会影响分析决策，最高采纳比例达到 86%。这个数字提示值得审查建议如何影响判断，但它不是模型出错率，也不是普通用户都会受影响的比例。团队应记录选择条件、证据与改主意的原因，而不只保存最后一句推荐。
最高采纳比例不能替代完整实验范围
摘要提到四项分析决策，最高采纳比例是其中的报告结果。引用时应同时保留专家人数、专业领域和任务范围，不能缩写成专家有 86% 的概率被任何 AI 带偏。随机偏好被采纳、答案是否正确、参与者是否满意，也应分别讨论。
摘要还提到，已有自己观点的参与者面对相反建议也可能改变意见，经验等条件没有显示可靠保护作用。因此，先写自己的想法可以帮助留下对照记录，却不能被包装成已经验证有效的防偏方法。本文没有阅读全文或复核研究设计，不再扩展其统计含义。
把推荐结论拆成可以追问的理由
建议先说明团队要优化什么、哪些条件不能违反，再让 AI 列出不同选项的支持理由与反对理由。对于每条会改变选择的关键理由，标清是现有材料、尚待确认的假设，还是对未来的预测。不要因为一段解释写得完整，就默认它拥有同样完整的证据。
比较两份方案时，可以先独立写下判断条件，再查看 AI 建议；如果决定改变，就注明是新增材料改变了判断，还是只是更喜欢它的表达。这样的记录便于事后复盘，不能单靠记录动作宣称已经消除了 AI 对人的影响。
由负责人解释取舍，再让工具协助整理
对可逆的小决策，可以保留试用范围和回看条件，观察结果再调整。对影响多人、预算或长期安排的选择，建议由负责人说明为何接受某个方案、哪些信息仍缺失。AI 可以整理讨论记录，但不应通过一句推荐替团队承担决定。
本文给出的是基于采集报道的工作建议，没有组织实验或测量团队决策质量。研究中的数字用于说明报道讨论的问题，不用于推断某款模型更安全、某个职业更容易受骗，或某项流程能把偏差降低多少。
资料链接
以下为采集记录附带的资料链接；本文依据摘要做独立分析，未逐条核验原文，也不代表本站实测。