這週讀到 Nautilus 刊登的一篇文章〈The Trouble with Cancer Screening〉，作者是醫師 Rahul Parikh 與 Jonathan Mates。文章討論癌症篩檢的效益與限制，也提出一個值得延伸思考的問題：我們是否經常把「獲得更多資訊」直接等同於「做出更好的決定」？
多數人直覺上會認為，癌症當然是越早發現越好，檢查越完整也就越安全。然而，癌症篩檢並不只是單純地增加資訊。當檢查技術變得更敏感，確實可能發現更多病灶，但其中有些病灶生長緩慢，甚至一個人終其一生都不會因它產生症狀或受到威脅。這類情況稱為「過度診斷」（overdiagnosis）。
文章以韓國的甲狀腺癌篩檢為例。韓國過去大力推廣甲狀腺癌篩檢後，診斷數量增加到原來的十五倍，但甲狀腺癌死亡人數並未相應下降。換句話說，檢查確實找出了更多癌症，卻沒有因此挽救更多生命。後續的醫療建議也因此有所調整，不再鼓勵一般民眾例行接受這類篩檢。
問題在於，一旦檢查結果顯示異常，患者通常很難選擇什麼都不做。接下來可能是進一步檢查、切片、手術、藥物治療，以及長期追蹤。原本不會影響生活的病灶，反而可能因為被發現而帶來身體負擔、心理壓力與醫療成本。
這並不是說篩檢沒有價值，而是提醒我們，發現更多問題不等於改善了健康結果。資訊本身並不會自動轉化為更好的決策，關鍵仍在於如何理解資訊、評估風險，並判斷是否有必要採取行動。
從確定性轉向清晰度
文章中最值得延伸的觀念，是醫療真正能提供的往往不是 certainty，也就是絕對的確定性，而是 clarity，也就是對現況與下一步的清晰理解。
醫療很難保證一個人百分之百沒有問題，但好的醫療判斷可以協助患者理解目前發現了什麼、相關風險有多高、有哪些處理方式，以及每種選擇可能帶來的代價。這種清晰度未必能消除不確定性，卻能讓人即使面對不確定性，仍然知道如何做出合理的下一步決定。
這個觀念不只適用於醫療，也適用於專案管理、企業決策，以及我們日常使用人工智慧的方式。
AI 提供的答案，也只是需要判讀的訊號
現在人們可以很容易地向 AI 詢問各種問題，例如某個專案是否會成功、哪個方案比較適合、客戶是否可能購買，甚至某項投資是否值得進場。AI 通常能迅速產生一個完整、流暢而且看似有自信的答案，但「有答案」並不等於「掌握真相」。
這和癌症篩檢的情況有相似之處。檢查發現異常，只代表某個地方值得進一步確認，並不代表問題已經被完整定義，更不代表一定需要立即採取高成本的處置。AI 產生的內容也應該被視為一種待判讀的訊號，而不是可以直接取代判斷的結論。
在專案管理中，假設儀表板突然出現一個紅色警示，第一反應可能是認定專案出了問題。但更穩健的做法，是先確認這個指標究竟代表什麼，了解誤報的可能性，評估立即處理所需的成本，並比較暫時不處理可能承擔的風險。同時，也要判斷目前是否已經擁有足夠資訊，可以做出下一個決定，還是需要先補充資料。
如此一來，數據就不再只是用來宣告「出了問題」，而是協助團隊判斷下一步的依據。真正重要的不是對每一個異常都立即反應，而是理解異常的意義，並在成本、風險與可取得資訊之間做出適當取捨。
資訊增加，也可能增加不必要的行動
我們常常假設，資訊越多，就越能看清楚情況，因而做出更正確的決策。但在某些情境下，資訊增加也可能帶來更多疑慮、焦慮與不必要的處置。
當我們不斷追蹤每一個指標、放大每一個異常，或要求 AI 對所有問題都給出明確答案，可能會誤以為自己正在降低不確定性，實際上卻只是增加了需要處理的訊號。過多資訊不一定能改善判斷，反而可能讓人把注意力放在低重要性、低可信度或不需要立即處理的問題上。
因此，好的決策並不是消除所有不確定性，而是在仍然存在不確定性的情況下，清楚理解目前知道什麼、不知道什麼，以及為什麼選擇下一步行動。
在 AI 時代，取得答案的成本已經大幅降低。真正稀缺的能力，可能不再是找到答案，而是判斷哪些答案值得相信、哪些訊號值得追蹤，以及什麼時候不需要採取行動。這也是資訊判讀與決策能力的重要性日益提高的原因。
本週精選文章
The Trouble with Cancer Screening
Rahul Parikh & Jonathan Mates｜Nautilus
2026/08/13
閱讀時間約 12–15 分鐘。
原文：
https://nautil.us/the-trouble-with-cancer-screening-1283638
這篇文章表面上談的是癌症篩檢，實際上也提醒我們重新思考資訊、風險與決策之間的關係。無論是在醫療、專案管理，或是使用 AI 時，我們都不應只追求更多資訊，而應該進一步確認：這些資訊是否可靠、是否具有決策價值，以及它是否真的改變了我們應該採取的行動。