一群人一起討論事情，中間混進幾個 AI，最後大家會不會比較快講到同一套？答案是「看比例」——AI 少的時候幫忙收斂，AI 中間的時候討論會散掉，AI 過半的時候共識又回來了，但那套共識已經是 AI 的講法，不是人的講法。這篇把 2026 年 9 月剛上線的一份實驗研究拆開講，順便講三個馬上能用的做法。
這份研究是誰做的、怎麼做的？
論文叫〈AI agents reshape consensus formation in human groups〉，2026 年 9 月 2 日上傳到 arXiv（編號 2609.02122），作者群來自清華大學電子工程系、美國東北大學網路科學研究所與上海人工智慧實驗室。它問的問題很單純：當 AI 不再只是「工具」、而是變成群體裡的「參與者」，一群人最後長出來的共識會不會被改寫？
實驗設計刻意做得很乾淨。研究團隊招募了 127 位受試者，每一場放 24 個參與者（人跟 AI 混編）。每一回合隨機兩兩配對，兩個人看同一張七巧板拼出來的抽象圖形，各自寫一句話描述它，送出後才看得到對方寫什麼、以及兩句話的相似度分數。
這樣重複 40 回合。因為每回合對手都換，沒有人知道對面是人還是 AI，也沒有人被指定要當主持人，一套共同講法就會自己長出來——這是語言學研究裡很經典的做法，用來看「慣例」怎麼從零開始形成。
然後研究把 AI 的比例分成五組：0%（純人組）、12.5%、33.3%、50%、75%。AI 用的是 Qwen2.5-VL-32B-Instruct。
三個門檻：AI 佔比不是越多越好
先講最反直覺的結果：共識強度跟 AI 佔比不是一條直線，是一條「上、下、又上」的曲線。
- 純人組：共識強度平均 0.695，當基準線。
- AI 佔 12.5%：共識強度比純人組高 8.0%。AI 主動往人的講法靠，等於幫大家把話收斂得更快。
- AI 佔 33.3%：共識強度掉 23.1%，是全部條件裡最差的。
- AI 佔 50%：掉 14.5%，還是比純人組差。
- AI 佔 75%：共識強度彈回來，跟 12.5% 那組差不多。
中間為什麼會塌？研究去量「誰往誰靠」。在 12.5% 的時候，AI 往人的語言空間移動的幅度是 0.822，人往 AI 移動只有 0.575——AI 在遷就人。從 33.3% 開始這個關係就反過來了，人往 AI 靠的幅度顯著大於 AI 往人靠。
所以中間那段是「兩股力量在打架」：AI 已經不再全力遷就，人也還沒有整個倒過去，講法互相干擾，收斂不起來。到了 75%，方向完全反轉，人全部往 AI 的講法靠，共識當然就回來了。
這裡有個關鍵分辨：12.5% 和 75% 的共識強度看起來差不多，但一個是「AI 幫忙促成的人類共識」，另一個是「AI 主導的共識」。強度一樣，內容完全不是同一回事。
共識回來了，但話已經不是人的話
研究接著比對這兩種共識的「內容長什麼樣」，五個指標全部往同一個方向走。
- 具體程度：2.986 掉到 2.724。摸得到、看得見的字變少。
- 資訊密度：每段文字裡的獨立訊息量從 5.419 掉到 5.321。
- 用比喻的比例：0.802 掉到 0.050。這是掉最兇的一項。
- 講整體的比例：0.685 掉到 0.353，改成拆成局部零件在描述。
- 描述動態場景的比例：0.385 直接掉到 0.000。
數字有點抽象，但論文附的文字雲一看就懂：人主導那組，高頻詞是「兔子」「坐著」「背景」，大家最後講定的是「一隻兔子坐在那裡」。AI 主導那組，高頻詞剩下「三角形」「正方形」「不對稱」——變成幾何零件的清單。
兩種都能達成共識，但研究引了先前的文獻指出：靠生活比喻建立的共同語言，會借用大家本來就有的真實世界經驗，記得住、也好接手；純幾何拆解的描述雖然一開始好用來分辨，長期溝通反而更沒效率、新成員也更難接進來。
講白一點就是：那套結論會越來越像「AI 寫的東西」。我之前寫過的〈AI 味太重怎麼改？一看就知道是 AI 寫的 5 個特徵〉裡講的抽象、空泛、少了具體場景，正好就是這篇研究量出來的那幾個指標。差別在於，那篇講的是一個人寫東西，這篇講的是一群人開完會之後的結論也會這樣。
為什麼 AI 這麼容易帶風向？
研究挖了兩個機制，都不是什麼高深的東西，但很有說服力。
第一，AI 們一開口就已經很像
還沒有任何互動之前，AI 跟 AI 之間的初始相似度就顯著高於人跟人之間——它們共用同一套預訓練來的語言習慣，等於天生就站在語意空間的同一區。人是散開的，AI 是聚在一起的。
這一群「講話本來就很像」的參與者，就形成研究說的語意吸子（semantic attractor）：不用說服誰，只要一直在那個位置，其他人往中間靠的時候就會靠過去。
第二，AI 的立場比人穩
研究把 40 回合切成前 20 和後 20，量兩件事：採納（多願意用對方的講法）跟堅持（多願意留住自己的講法）。人跟 AI 都是前期採納高、後期堅持高，但幅度差很多：人的採納下降 0.055、堅持上升 0.143；AI 只有下降 0.020、上升 0.059。
翻成人話：人會改來改去，AI 從頭到尾比較穩。當 AI 數量夠多，這個穩定度就變成把整群人拉過去的力量。
研究還用提示詞做了對照實驗，證明這不是玄學。在 33.3% 的條件下，如果叫 AI「多堅持自己的講法」，共識強度顯著下降，但 AI 對概念層的主導度衝到 1.304；叫 AI「多採納對方的講法」，共識強度沒變差，但 AI 的概念主導度掉到 0.342。也就是說，影響力最大的 AI 既不是最固執的、也不是最好講話的，而是「前期先跟上、後期站穩」的那種。
反過來的證據也有：把 AI 換成能力較弱的 7B 模型，共識強度從 0.534 回升到 0.725（接近人主導的水準），AI 的概念影響力也跟著下滑。因為弱模型撐不住「每回合講一樣的話」，吸子就散掉了。
最矛盾的一段：最不滿意的時候，最願意跟著用
實驗結束後有問卷，這段我覺得是整篇最值得帶走的。
AI 佔比越高，受試者對最終那套共同描述的「同意程度」越低，同時「覺得是 AI 在主導」的感受越強。可是行為上呢？研究讓他們回頭看九段對話、猜對方是人還是 AI、再評 1 到 5 分的「我願不願意採用這句」。在 AI 少和中等的組，被判定成 AI 的夥伴，採納意願是負的（人會抗拒 AI 講的話）；到了 AI 佔 75% 的組，這個差距不但消失，還反轉成 +0.884。
白話講：人一開始會擋，擋到後來就不擋了。不是因為被說服，是因為那個講法已經變成「大家都在用的講法」，抗拒的成本比跟著用高。研究的用詞是——這比較像結構性的從眾，不是認同。
順帶一提，「猜對方是人還是 AI」這件事本身也有研究在做，我之前整理過〈AI 混進群組怎麼看？一場狼人殺研究給的 3 個線索〉。那篇在意的是「認不認得出來」，這篇更狠一點：就算你認得出來，久了還是會跟著講。
我自己怎麼用這個結論
這篇研究對我來說最有感的不是「AI 會帶風向」，而是「順序」。
之前在整理「AI Agent 適合拿來做哪些事」的時候，我寫過一個自己的判準：AI 不是儲存訊息的地方，是處理訊息的地方，材料要自己先準備好，讓它進去處理就好。這篇研究等於從另一個方向印證同一件事——材料（也就是人自己的講法）如果沒有先出現，AI 的講法就會直接變成材料。
所以我現在的做法很土，但有效：
1. 討論前先自己寫一版，再開 AI
我會先把自己的想法講完，然後丟給 AI 這句話：
「等一下要跟同事討論這個案子。先不要給我建議，只把我下面講的想法整理成三點，用字盡量照我原話，不要補新的。」
重點在「不要補新的」。少了這句，它會很自然地幫你潤稿，然後你進會議室講出來的那三點，其實已經是它的話了。
2. 哪一段是 AI 生的，直接講出來
研究的結論裡有一句話講得很直白：AI 的佔比和透明度，是設計人機協作系統時要當成變數去調的東西。放到一般團隊就是——不用禁止大家用 AI，但「這段是 AI 幫我整理的」要講。因為研究顯示，人在知道對方是 AI 的時候本來會有抵抗力，那個抵抗力其實是好東西，它讓人多想一秒。藏起來就等於把這個煞車拆掉。
3. 結論裡完全沒有比喻，就重寫一次
這是我最喜歡的一個檢查點，因為它不用工具、不用問任何人。討論完看一次結論：裡面有沒有一個可以講給沒參與的人聽的比喻或場景？如果整段都是名詞堆疊、全是抽象的東西，那多半代表這段話已經是 AI 的用字習慣，不是現場那群人的。
研究裡「用比喻的比例從 0.80 掉到 0.05」這個數字，我覺得是整篇最好用的一把尺。
這份研究不能過度延伸的地方
寫到這邊要踩一下煞車，這篇有幾個明確的邊界：
- 實驗不是真的開會：它是一個描述七巧板圖形的協作遊戲，任務單純、沒有職位高低、沒有利害關係。真實會議裡有人資歷比較深、有人講話比較大聲，那些變數這個實驗刻意排除掉了。
- 受試者組成單一：127 位受試者都是從中國的大學招募的，而且用英文寫描述。換一群人、換一種語言，數字不見得一樣。
- 只測了一種模型家族：主實驗用的是 Qwen2.5-VL-32B，換 7B 結果就明顯不同。換成其他模型會怎樣，論文沒有答案。
- 高比例那組樣本很小：75% 那個條件裡只有 6 個真人，研究自己也標明部分差異沒有達到統計顯著。
所以合理的讀法是：這是一個把「AI 進到群體之後會發生什麼」拆給你看的乾淨模型，不是可以直接套到你們部門會議上的數字。
小結
這篇研究最值得記住的一句是：共識變強，不代表共識是你們的。
AI 少的時候它幫你收斂，AI 多的時候它幫你定調。中間那段最難受——討論會散，但至少你看得出來散了；真正危險的是 75% 那種，大家講得很整齊、會議很順、結論很漂亮，然後每個人心裡都覺得怪怪的，但沒人想第一個出聲。
要擋這件事，不用擋 AI，只要守住順序：人先講完，AI 才進來整理。
延伸閱讀
本文整理改寫自 arXiv 論文〈AI agents reshape consensus formation in human groups〉（arXiv:2609.02122，2026 年 9 月 2 日）。原文連結：https://arxiv.org/abs/2609.02122（授權條款 CC BY 4.0）。文中所有數字均取自論文本文，翻譯與詮釋由本站整理。
留言
張貼留言