三個答案，可能只開了一扇窗。

意見變多，來源未必跟著變多

如果三個朋友都聽同一個人說某家店快要搬走，再分別轉告你，消息看起來來自三個方向，源頭仍然只有一個。你可以相信他們沒有故意說謊，但仍然需要知道最初的消息從哪裡來。

問不同 AI 也值得做類似的檢查。它們可能用了相近的資訊，也可能一起接受了提問裡沒有被檢查的前提。模型名字不同，並不會自動讓每份回答成為獨立證據。

Kim 等人在 2025 年發表的研究，於所測試的模型與任務中觀察到模型錯誤之間的相關性。這不能推成任何三個模型都必然一起錯，卻提醒我們：一致，本身還不是查證完成。

先看看你把什麼答案，藏進了問題

想像你問：「這個地點人潮這麼多，開咖啡店應該有機會吧？」回答很容易沿著你提供的街景往下展開。但「人潮多」是什麼時段？經過的人是否會停下？房租和座位條件如何？這些未必真的被確認。

可以把問題拆回可檢查的部分：「目前我只在週末下午看過這條街。哪些資訊還不足以判斷？」再要求對方分開列出已知、推測與待查。

如果想比較不同回答，先讓它們各自處理同一份原始資料，避免一開始就把前一份漂亮結論貼過去請下一個點評。這有助於看見不同切法，但仍不能保證它們的錯誤彼此獨立。

別只數有幾個答案，也看看有幾條路真的通向證據。

把分工放在證據上，別只放在立場上

叫一個支持、一個反對，可以增加討論的角度。只是反對得很有力，也可能沒有多一份事實。兩邊都有漂亮修辭，最後仍可能只是在替空白配音。

另一種分工，是讓一份回答檢查原始資料，一份找出必要但缺少的條件，再用實際紀錄確認最關鍵的數字。談店面，就需要相應的觀察與條件；談一份文件，就回到原文；談算式，就把計算重做一次。

AI 可以幫忙找到該查哪裡，也可以幫忙發現前後不一致。等它指出了一扇窗，你仍得確認窗外究竟有什麼。這一步，才把對話重新接回正在討論的世界。

讓一致成為線索，讓差異成為問題

三份回答相同，可以先記下共同理由，再追問它們是否依賴同一個前提。三份回答不同，也不用立即投票；可能只是各自把成本、時間或風險放在不同位置。

有時候，比完之後最有用的成果，不是一個獲勝的模型，而是一句更精準的待查問題：「如果平日人潮不到週末的一半，原本的方案還成立嗎？」接下來就知道該收集什麼。

多開幾個對話視窗，確實能增加思考的空間。只是當所有視窗都看向同一面牆，最值得做的那一步，也許是離開螢幕，去找一份它們還沒有看見的資訊。