信任校準：最好的用戶是半信半疑的
前四課都在給體驗掙分，這一課踩一腳剎車：信任這個指標，目標值從來就沒定在滿分。AI 會出錯是改不掉的物理現實，所以健康的用戶長這樣：該信的場景放心用，該查的場景留個心眼。往哪邊偏都要交學費。這一課先看兩筆真實學費，再給你三件能親手撥弄的校準工具。
⚠ 過度信任：把幻覺當真相用
2023 年紐約的 Mata v. Avianca 案：執業律師用 ChatGPT 檢索判例，把 6 個查無此案的編造判例原樣抄進法庭文書，法官逐個核實後律師吃了罰單、上了全球新聞。類似的事故此後接連發生：AI 的輸出流暢、自信、格式規範，每一個表面特徵都在誘導「它很可靠」的判斷，而這些特徵和內容真偽互不相干。
⚠ 信任不足：AI 變成昂貴的擺設
另一頭的翻車安靜得多：企業買了 AI 工具，員工試了一次撞上錯誤，從此每條輸出都逐句複核，複核成本超過自己寫，最後乾脆不用了。採購的錢照付，效率一分沒漲。信任不足不上新聞，只出現在「AI 工具活躍率 8%」的內部複盤裏。
判斷口訣先給你：盯着「風險 × 可核驗性」看，別盯着「AI 強大與否」看。同樣是全盤採納，用在週報上是校準，用在法庭上是過度。六個場景，你來當校準師。
第一件校準工具：來源引用，要能點開的那種。想核實的用戶一鍵到原文，壓住過度信任；懶得核實的用戶看到「有出處」也建立了合理的底氣，補上信任不足。一舉兩得的前提是引用真實可點：裝飾性的假引用被戳穿一次，比沒有引用糟糕十倍。下面這條 AI 回答掛了三個角標，逐個點開，和原文比對。
第二件工具：置信度。第一篇章講過，模型不知道自己不知道，讓它自報把握靠不住。但產品層有誠實的代理信號：檢索命中了幾篇文檔、相關度多高、多個來源是否一致、知識截止日期蓋住問題了沒有。下面是同一條用藥回答，三組開關對應三個產品決策，撥一撥，看右邊的回答和用戶的信任校準度怎麼變。
第三件工具管的就一件事：那行「AI 可能出錯，請核實重要信息」的小字，到底有沒有人在看。心理學的答案叫橫幅盲視（banner blindness）：Benway & Lane（1998）用眼動實驗發現，恆定出現在固定位置的元素，會被大腦當成背景紋理直接濾掉。下面連點五條回答，親眼看這行小字怎麼消失。
✅ 這一課想和你分享的
- 把信任目標定在校準：全信的出事故，不信的白花錢，產品要把用戶往對角綫上拉
- 引用做成能點開的：把「信我」換成「你可以驗」，同時提防裝飾性假引用反噬
- 置信度用代理信號説：檢索命中數、相關度、來源一致性，比模型自報的把握誠實
- 警告有條件地出現：恆定免責三天就隱形，低置信時帶原因彈出才會被讀