閱讀來源：Fritz 2025
核心論點
許多人主張，即使服從 AI 能可靠地做出對的行動，這樣的決策仍有缺陷：行動者沒有掌握使行動正確的理由，不是出於德性，也沒有道德價值（moral worth）。 Fritz 承認這些特徵可能有內在價值，也承認服從會失去它們。但他主張，只要行動者有正當理由相信，在辨認道德上正確的行動這件事上，AI 比她自己的判斷更可靠（Fritz 2025: 3829–3830），這些內在價值在「要不要服從」的決定上就沒有實踐份量（Fritz 2025: 3836–3838）。
理由來自 Enoch 2014（依 Fritz 2025: 3833–3834 的重建，Fritz 原文因為本人還在休學期間拿不到）：拒絕服從等於讓他人承受更高的被錯待風險，而為了追求典範式的決策過程去冒這種風險，是自我挫敗的。
問題的設定
Fritz 從這個案例開始（Fritz 2025: 3827）： Agnes 在社福部門工作，要判斷是否建議政府調查某個家庭有無虐童。她仔細看過案件，認為風險很低，追蹤調查既浪費又有侵擾性。她諮詢一個風險評估 AI，AI 卻估出很高的風險，而她無從得知 AI 的根據。她簽下調查建議。
這是強服從（strong deference）：Agnes 只根據 AI 的建議行動，沒有經過任何新論證或新證據。這裡的不透明性（opacity），指的是難以辨認、理解自動化系統得出結論所依據的理由（Fritz 2025: 3827）。 Fritz 採用 Burrell 的分類：不透明可能來自保密、來自使用者不懂技術，這兩種是偶然的；也可能來自複雜機器學習系統本身的規模與不可分解性（Fritz 2025: 3828–3829）。
反對強服從的文獻有兩類。一類擔心 AI 不夠可靠。另一類擔心即使可靠，決策過程仍有缺陷：O’Neill 等人、Howell、Purves 等人與 Grant 等人各自指出，服從會失去對理由的掌握、德性、道德價值，或對決策承受者應有的考量。 Fritz 把後者統稱為道德典範式決策（morally exemplary decision-making）：由完整道德行動者審慎考量、出於德性或義務、基於所掌握之理由的決策（Fritz 2025: 3832）。他處理的是後一類。
從道德證言借來的教訓
這種擔憂在 AI 出現之前就有。 Hills 舉過 Eleanor 的例子（Hills 2009: 94，引於 3832）。 Eleanor 一向愛吃肉，最近意識到其中有道德問題。她沒有再想下去，而是問了一位平常可靠的朋友，朋友說吃肉是錯的，她就接受了。許多人覺得這種服從有問題。 Fritz 指出，若問題出在「朋友在這個議題上未必可靠」，這個疑慮並不普遍適用。有些情形中，一個人確實可以有強證據相信另一個人在某個道德問題上比自己更可能對。
Enoch 的例子就是這種情形（Enoch 2014: 230，引於 3832–3833）。 Enoch 從長久的經驗得知，自己對戰爭倫理的判斷常被修辭與激情蒙蔽，起初支持的軍事行動，事後常認為不正當。同事 Alon 則往往一開始就看到 Enoch 冷靜後才得出的結論。新戰事爆發，Enoch 要投下決定戰爭經費的關鍵一票。服從 Alon 是他做對的最佳機會。
Enoch 承認，只憑 Alon 的話形成判斷會失去一些東西：他可能無法掌握相關的道德理由，無法出於自己的德性行動。這個案例涉及 Enoch 所說的不透明證據（opaque evidence）：
顯示原文與出處
evidence for the truth of a proposition that does not disclose that in virtue of which the proposition is true, or its truthmakers
支持某命題為真、卻不揭示它因何為真的證據
這段定義轉引自 Fritz（Enoch 2014: 237，引於 Fritz 2025: 3833）。
所以典範式決策的損失，在沒有 AI 的情形也會出現。
Enoch 的回應是：只為了「修練」自己甚至任何他人的道德理解，就容忍錯待他人的更高風險，是一種自我挫敗（Enoch 2014: 249，引於 3833）。他用憐憫來類比。憐憫有內在價值，但為了讓自己有機會發揮憐憫而讓別人受苦，背叛了憐憫本身的核心承諾：他人的苦難很重要。同理，為了讓自己出於正確理由行動而提高錯待他人的風險，也背叛了道德更根本的承諾：避免錯待他人。
套用到 AI
Fritz 把這個教訓用在 AI 上（Fritz 2025: 3834–3835）。假設行動者有正當理由相信某個 AI 比自己的一階推理更能辨認正確行動。那麼拒絕服從、保住典範式過程，就是明知地提高錯待他人的風險。
拿掉人在迴路中的角色，結論也一樣。軍官可以選擇部署自主武器（AWS）到敵後，或親自依自己的推理指揮。若有充分證據顯示 AWS 更可能做出合乎許可的決定，即使部署意味著攻擊不會出於正確理由、也沒有完整道德行動者進行考量，拒絕部署仍等於讓他人承受更高的被錯待風險。回到 Agnes，若 AI 比她更能保護兒童，為了讓官僚有機會去合理避開 AI，就是錯的。
工具價值與去技能化
Fritz 處理了一個複雜點：典範式過程除了內在價值，也可能有工具價值（Fritz 2025: 3833–3835）。有德性、能掌握理由的人，日後比較能可靠地善待他人。 Enoch 舉的例子是父母有時要「拆掉輔助輪」，讓孩子在遊戲場上冒著傷到別人的風險學習，因為這是讓孩子長大後善待他人的最好方式。證成這個決定的，仍是「讓孩子將來善待他人」。
去技能化（deskilling）的擔憂也分兩種（Fritz 2025: 3835–3836）。一種擔心長期可靠性：完全依賴人工倫理助理（AEA）的人，可能失去察覺 AI 價值被竄改的能力；只剩去技能化成員的軍隊，可能無法監督自主武器。這種擔憂可以構成不服從的理由，但它是經由工具價值。另一種主張失去道德技能本身就值得哀悼，Fritz 認為這沒有份量。他說，任何決策群體只為了讓世界上有更多具備道德技能或德性的人，就把可靠的 AI 工具擱在一旁，也是應受非議的（Fritz 2025: 3835–3836）。
反駁與回應
第一個反駁是不對稱的案例（Fritz 2025: 3836）。可靠的 AI 建議發動一場看似不許可的攻擊時，服從就顯得可疑。 Fritz 認為這種不對稱來自風險結構，和典範式過程無關。吃一頓有 5% 機率輕微消化不良的美食是合理的，吃一頓有 5% 機率致死的美食則不合理。同樣地，攻擊計畫通常需要比不攻擊更強的證成。沒有 AI、沒有服從時，也會出現這種不對稱。
第二個反駁來自 Grant 等人：我們對決策承受者負有行動者考量的義務（duties of agential consideration），不親自審議本身就可能錯待他們（Fritz 2025: 3836–3837）。 Fritz 承認這種義務可能存在，甚至可能形成兩難：服從與不服從都會以不同方式錯待同一群人。他用兩個互相衝突的承諾來類比：能問朋友就問他要你守哪一個，不能問就推測他比較重視哪一個。大多數情形中，人們更在乎決定的結果正確，而不是決定經過親自審議。連 Grant 等人的典範例子（法官、軍官），也正是 Enoch 用來論證應當服從的例子。
Fritz 承認的界線
Fritz 承認，有些脈絡中，用自己的推理做決定比結果好壞更重要（Fritz 2025: 3837）。他舉親密關係為例：「我的朋友可能更在乎我是憑自己的判斷替他挑禮物，而不是禮物最後挑得好不好」；伴侶也可能更在乎調情是你自己想的。但他認為，此時證成自己判斷的是真誠、不經中介的人際關係（Skarsaune 2016; Mogensen 2017），不是典範式道德過程。他的結論範圍因此綁在錯待上：我們永遠不能只為了追求更具道德典範性的推理過程，就加諸更高的錯待風險（Fritz 2025: 3837）。