大部分關於生成式 AI 的討論，都圍繞「它有多強」打轉：能寫程式、能畫圖、能取代多少崗位。但有一個更底層、卻幾乎沒有人攤開來講的問題，藏在它的商業模式裡——生成式 AI 的收費方式，無意中喚醒了人類最古老的一種心理機制：賭博。
這不是陰謀論，也不是說 AI 公司刻意設計來「呃」你。恰恰相反，問題的可怕之處在於：就算沒有人存心算計，這套機制本身的結構，也會把一個理性、認真、想把事情做好的專業人士，慢慢推向賭徒的座位。
值得花十分鐘讀完，因為一旦你看懂這個結構，你和 AI 的關係會徹底改變。
你要的是「結果」，它收的是「過程」
先看一個最根本的錯位。
當你用 AI 處理一件事——寫一份報告、debug 一段程式、整理一份合約摘要——你心裡想要的，是結果：一份能交出去的成品。
但絕大多數生成式 AI 的收費邏輯，收的不是結果，而是過程。你付的是 token：輸入多少字、輸出多少字，按量計費。換句話說，你為「它嘗試的次數和長度」付錢，而不是為「它有沒有真的幫你做到」付錢。
這個錯位帶來一個極不直覺、卻無法迴避的後果：
當 AI 做不到你要的事，對你來說是失敗；但對這套收費模式來說，那不是失敗，那是收入。
它的收入，和你的成功，方向是相反的。你愈做不成、愈要反覆重試、愈要追問補充，產生的 token 就愈多，帳單就愈長。一次就成功幫你解決問題的對話，反而是「最不賺錢」的對話。
請注意，這裡不需要任何一方有惡意。但只要收費綁在過程上、而不是綁在結果上，整個系統的經濟誘因，天生就和「一次過幫你做好」背道而馳。這是結構問題，不是人品問題。而結構問題，往往比人品問題更難察覺，也更難對付。
更毒的一層：它根本不知道自己「距離完成仲有幾遠」
如果只是收費錯位，問題還算可控。真正讓這件事變得像賭博的，是大型語言模型（LLM）的一個技術本質。
LLM 是逐個字（token）往下生成的。它沒有一份「完整答案的藍圖」放在腦裡，再照著抄給你。它更像是一邊走一邊鋪路：生成下一個字，再根據已生成的內容生成再下一個字。所以在結構上，它根本不知道自己「距離把你的問題解決，還差多遠」。
它不知道這條路通不通，要走到很後面、甚至走到底，才「發現」原來做不到。但在過程中，它的語氣永遠是自信的、接近成功的。它不是在騙你，它只是沒有能力知道自己不知道。於是你收到的，永遠是一個「就快得、差少少」的訊號。
這正是老虎機最賺錢的設計：near-miss
賭場研究裡有一個經典概念，叫 near-miss（差一點中）。
老虎機最賺錢、最讓人欲罷不能的設計，不是「中」或「不中」這麼簡單，而是大量製造「差一點就中」的畫面：三個圖案，兩個對上了，第三個就停在中獎線的上一格或下一格。研究發現，near-miss 在大腦裡觸發的反應，和真正中獎時的反應極為相似——它帶來的刺激，幾乎和贏一樣強烈，不斷暗示你：再來一次就行。
把這個機制和上面兩點疊在一起看：生成式 AI 的互動，結構上就是一台 near-miss 製造機。它逐字生成，所以給你的回應總是一個「就快得、差少少」的近似成功；它按過程收費，所以你每一次「再試一次」的衝動，都直接轉化成它的收入。兩樣加起來，就是一台把賭博心理碎片化、零散塞進你日常工作裡的機器。
你不會像在賭場那樣一次押下大注。你只是每次多打幾隻字、多花幾毫子、多等三十秒。每一次都小到不值得停下來計算。但正因為每一次都這麼小、這麼「合理」，你才會一直給下去。
然後，沉沒成本接手
賭徒不會在第一鋪就上癮。讓人陷進去的，是沉沒成本。
當你已經和 AI 來回了二十回合、燒了一筆不算少的額度、改了又改，你的腦袋會自動跳出那句最危險的話：「都已經試到咁近，再一次就得。」
這句話，和賭桌上輸到第十鋪、卻覺得「就快翻本」的那句話，是同一句。你已經投入的時間、金錢和心力，本應是「過去式」，理性上不該影響你下一步的決定。但人腦不是這樣運作的。投入愈多，愈不甘心抽身；愈接近，愈覺得放棄等於浪費。於是你繼續加注，而每加一注，沉沒成本又更高，下一次更難收手。這是一個會自我收緊的循環。
最殘酷的地方：愈認真的人，愈中招
這套機制最反直覺、也最值得每個專業人士警惕的一點是：它專門收割最優秀的那群人。
不在乎結果、隨便用用的人，反而不容易中招——做不到就算，關掉視窗去做別的。真正深陷其中的，往往是那些愈認真、愈不想浪費、愈追求把事情做到完美的人。正是因為你認真，你才不願意接受「做不到」；正是因為你不想浪費已經投入的時間，你才一次又一次再試。你的責任心、你的不服輸、你對品質的執著，這些平時讓你出色的特質，在這台機器面前，反而變成了被收割的入口。
看懂之後，可以怎樣保護自己
把問題講得這麼透，不是要你拒用 AI。重點是：當你知道座位底下有一個賭桌的結構，你才有資格選擇不照著賭徒的劇本走。幾個實際的提醒：
--- 先設停損點，而不是先開始。 在你開始一個任務之前，先問自己：我願意最多投入幾多次嘗試、幾多時間？寫低個數。到了就停，無論當下感覺有幾「接近」。停損線要在入場前定，不是在虧損中定。
--- 把「就快得」當成警號，而不是鼓勵。 當你連續幾回合都收到「再調整一下就好」，這往往不是你接近終點的訊號，而是你正站在 near-miss 區的訊號。愈聽到「差少少」，愈要冷靜問：它是真的快成功，還是它根本不知道自己做不到？
--- 用結果、而不是用過程衡量價值。 每隔一段就抽離出來問：到目前為止，我手上真正能用的成品有幾多？而不是「我已經花了幾多」。前者是理性的指標，後者是沉沒成本的陷阱。
--- 當機器做不到時，承認它做不到。 LLM 沒有能力告訴你「這件事我做不來」。所以這個判斷，必須由你來做。有些任務，換個工具、換個方法、甚至回到人手，都比在同一條死路上反覆加注划算得多。
結語
生成式 AI 不是賭場，但它的商業模式和技術本質疊在一起，意外地複製了賭場最有效的那套心理機制：一個只懂報告「差少少」、卻不知道自己做不做得到的系統，配上一套為「過程」而非「結果」收費的邏輯，再加上人腦對 near-miss 和沉沒成本的天生弱點。
看懂這個結構，不會讓 AI 變得沒用。但它會讓你在每一次想說「再試一次」的時候，多一個清醒的選擇權。而在這個人人都在談 AI 有多強的年代，能看清它在哪裡悄悄改寫你的判斷，或許才是更稀有、更值錢的一種能力。
🤖 有策略地用 AI，才能真正創造價值
UD 的 AI 解決方案以你的業務目標為核心
幫助香港企業用對 AI、用好 AI，實現真正可量化的成果
