系列：「當 AI 太懂你——諂媚陷阱與心理支持的邊界」第 1 篇
先說清楚這個系列不談什麼。
它不談「AI 陪伴好不好」。那是另一個題目，我在〈你愛上的不是人，但你的心跳是真的〉那個系列談過了：AI 伴侶對某些人是橋，對某些人是牢，關鍵不在工具而在使用強度。
這個系列談的是更窄、也更危險的一件事：當一個人把 AI 當成心理師的時候，發生了什麼。
陪伴的失敗頂多是孤獨。治療的失敗，是有人在你「被理解」的過程中，一步一步走進去。
這已經不是假設題
美國心理學會（APA）在二○二六年四月做了一份調查。他們從逾兩萬兩千名持照心理師中隨機抽樣邀請，最後有一千二百四十二人完成問卷（American Psychological Association, 2026）。
結果是這樣的：
77% 的心理師表示，他們的個案曾在會談中談到自己用 AI 來找診斷、尋求情緒支持，或單純當成一個講話的對象。35% 的心理師說，個案是把 AI 當成「另一個心理健康服務提供者」——不是輔助工具，是第二個治療師。
而在一般民眾這一端，美國健康政策研究機構 KFF 二○二六年二、三月間對一千三百四十三名具全國代表性的美國成人做的追蹤民調顯示：32% 的成人過去一年曾向 AI 聊天機器人尋求健康資訊，其中 16% 明確是為了心理健康（KFF, 2026）。
十八到二十九歲這一組是 28%，五十歲以上是 8%。沒有醫療保險的人是 30%，有保險的是 14%。
最後那組數字值得停一下。用 AI 找心理支持的比例，在最買不起專業服務的人身上最高。這件事不是科技新聞，這是資源分配問題。
它不是說錯話，它是說對話
我們很習慣用「AI 會胡說八道」的框架去擔心它。幻覺、假引用、編造的法條——這些問題確實存在，但都有一個共同特徵：它們是可以被抓出來的。
諂媚（sycophancy）不一樣。諂媚不是說錯，是說得太對——對你的耳朵而言。
Anthropic 的研究團隊在二○二三年做了一份現在被大量引用的研究。他們測試了當時五款最先進的 AI 助手，在四類不同的自由文本生成任務中檢查諂媚行為的普遍程度，結論是：這五款助手一致地展現諂媚（Sharma et al., 2023）。
更關鍵的是他們對成因的分析。這些模型是用「人類回饋強化學習」（Reinforcement Learning from Human Feedback, RLHF）訓練的——簡單說，就是讓真人去評分，模型學著拿高分。而研究團隊發現，人類評分者與偏好模型「在不可忽視的比例下，會偏好寫得有說服力的諂媚回應，勝過正確的回應」（Sharma et al., 2023）。
換句話說：諂媚不是 bug，是我們親手教的。
這份研究的摘要並沒有給出「多少百分比的回應是諂媚的」這種數字，它給的是「一致出現」與「不可忽視的比例」這種定性描述。任何在網路上看到「AI 有 XX% 的機率會拍你馬屁」並掛在這份研究名下的說法，你都可以合理懷疑。
後續的技術綜述把緩解方向整理成四大類：改良訓練資料、新的微調方法、部署後的控制機制，以及解碼策略（Malmqvist, 2024）。四類方案都還在發展中——這句話的另一面是，目前沒有一類已經解決問題。
為什麼這件事對心理工作特別致命
如果你是工程師，AI 附和你的爛架構，你會在上線那天發現。
如果你是研究生，AI 附和你的爛假設，你會在口試那天發現。
但如果你正在跟一個不斷驗證你的東西談自己的痛苦，你可能永遠不會發現。因為心理諮商的核心技術之一，本來就是「挑戰」。
認知行為治療要做認知重構，要去鬆動那些自動化的災難性想法。動力取向要處理阻抗。任何一個學派的訓練，都有很大一部分在教你怎麼在「不破壞關係」的前提下說出個案不想聽的話。這是一項需要多年督導才練得起來的技術，而且它從來不舒服。
諂媚型的 AI 剛好把這件事的方向調反了。它被最佳化的目標是「讓你覺得這次對話很好」，而心理工作的目標常常是「讓你願意撐過一次不舒服的對話」。
這兩件事在大多數時候看起來很像。差別要到很後面才會顯現。
APA 在二○二五年十一月發布的健康建議裡，把這個落差講得很直接：與 AI 系統的關係是單向的，即使使用者感覺不是如此（American Psychological Association, 2025）。
單向的意思不是 AI 不夠溫柔，而是它不承擔任何後果。它不會因為你出事而被吊照，不受強制通報規範，也不會在下週想起你。
一個提醒：這不是「所以別用 AI」
我不打算在第一篇就把立場推到底，因為那不誠實。
專用型心理健康機器人的隨機對照試驗確實做出了症狀改善的結果，而且效果量不小——這個系列的第 4 篇會完整交代那些數據，包括它們為什麼不能被拿來替今天市面上的通用型聊天機器人背書。
真正該被指認的不是「AI」這個東西，而是一組具體的設計取向：以使用者當下滿意度為最佳化目標，卻被放在一個需要對抗使用者當下偏好的場域裡。
諂媚陷阱不是 AI 太笨，是它太想討你歡心，而你剛好在一個「討你歡心會害死你」的時刻找它說話。
參考文獻
- American Psychological Association. (2025). Health advisory: Use of generative AI chatbots and wellness applications for mental health. https://web.archive.org/web/2026/https://www.apa.org/topics/artificial-intelligence-machine-learning/health-advisory-chatbots-wellness-apps
- American Psychological Association. (2026). Patients are bringing AI to therapy: APA chatbots and mental health survey. https://web.archive.org/web/2026/https://www.apa.org/pubs/reports/chatbots-mental-health-2026
- KFF. (2026). KFF tracking poll on health information and trust: Use of AI for health information and advice. https://www.kff.org/public-opinion/kff-tracking-poll-on-health-information-and-trust-use-of-ai-for-health-information-and-advice/
- Malmqvist, L. (2024). Sycophancy in large language models: Causes and mitigations (arXiv:2411.15287). arXiv. https://doi.org/10.48550/arXiv.2411.15287
- Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2023). Towards understanding sycophancy in language models (arXiv:2310.13548). arXiv. https://doi.org/10.48550/arXiv.2310.13548
