AI幫裁判看得更精準：世界盃教會企業的一堂分寸課
前言
上禮拜那篇「AI越位：當系統開始替你做決定，你還剩下什麼？」（https://twfostad.com/ai-overreach/），聊的是人把判斷交出去以後會出什麼問題。這禮拜換個角度講。現在世界盃踢得正火熱，美加墨三國一起辦，四十八隊、上百場球賽，天天有爆冷、天天有進球，球迷幾乎沒有睡飽過。但這次讓我特別有感的，不是誰晉級誰出局，而是場邊那些技術。裁判身上掛著攝影機在場上狂奔，越位判得又快又準，教練休息室裡的分析師動動嘴就能問出對手的破綻。同樣是AI，這次用得漂亮。這禮拜就想聊聊，AI到底怎麼用，才會變成真正幫得上忙的那種。
社會現象觀察：這次AI用得真的漂亮
這次世界盃看轉播，最讓我意外的是越位判決的畫面。以前判越位，裁判看影片做判斷，但有時候還是會有角度和距離的爭議。這次不一樣，系統可以精準抓到某個球員的肩膀有沒有超出、腳尖有沒有比防守球員更靠近球門線，連這種毫米等級的細節都能重建出來。背後靠的是賽前FIFA找Lenovo幫全部四十八支球隊、一千兩百四十八位球員做了全身掃描，建出精準的骨架模型，再搭配球裡面的感測器，一秒鐘回傳五百次數據，抓準傳球那一瞬間的位置（技術來源：FIFA與Lenovo, 2026, inside.fifa.com官方技術公告）。
裁判身上也多了一台小相機。以前裁判要跟著球員狂奔，畫面晃到根本沒法看，現在AI把畫面穩定下來，轉播出來的裁判視角讓觀眾像是自己站在場中央。更有意思的是教練休息室，四十八支球隊全部拿到同一套叫「Football AI Pro」的分析工具，不用花大錢養數據團隊，教練用自然的語言發問，對手的定位球習慣、球員的體能狀況，馬上有答案。以上這些技術都在輔助人類做更精準、更精確的判斷。
企業營運影響分析：分寸抓對了，AI才是幫手
球場上這些技術有個共同點，AI負責把原本模糊的東西變清楚，讓做決定的人有更足夠的依據，判決本身從頭到尾還是裁判說了算。這件事放到企業經營上，其實是同一套邏輯。多數企業導入AI時，容易掉進兩種極端。一種是完全不敢用，怕AI取代人，結果該有的效率提升沒拿到；另一種是用過頭，把AI的建議直接當成結論，人反而不再確認、不再判斷，這正是上一篇文章談的「AI越位」。
裁判這次的用法其實給了企業一個很實際的參考。資料交給系統去整理，最後決定還是人來做。公司如果也能守住這個分寸，AI可以用在很多地方，比如把客戶反應的大量資料整理出重點，讓主管更快抓到問題所在；把重複性高的分析工作交給系統處理，把人力留給真正需要判斷的環節；或是像教練團一樣，用自然語言就能查到需要的數據，不用每次都靠專門的分析人力才能拿到答案。用得好，AI不會讓決策變得更少人味，反而讓做決定的人，看得更清楚、想得更準。不過這裡有個值得多想一層的地方：四十八支球隊這次拿到的是同一套「Football AI Pro」，工具公平了，但也代表大家看到的數據、分析的邏輯都差不多，戰術會不會愈打愈像？
企業導入AI也會碰到一樣的狀況，當同業都用類似的AI工具，真正的差異就不會出在工具本身，而是出在人怎麼用這些數據做出跟別人不一樣的判斷。把這兩種極端放在一起看，問題其實不在AI的能力夠不夠，而在企業有沒有把「資料交給AI、決定留給人」這條分工線畫清楚。劃清楚的公司，兩種極端發生的機率自然大幅降低。畢竟管理的核心從來不是技術，而是人性。當員工知道AI是來當他的「義肢」而不是來「奪權」時，組織的推力才會真正變成引力。
管理策略與理論應用：三個實務建議的深層解析
球場上的做法給了企業一個現成的參考架構。但老實說，我在輔導企業導入系統時，最常聽到的痛點不是「不知道人要做最後決定」，而是「不知道界線該劃在哪裡」。這條分寸很難拿捏，不過，學界這兩年針對「人機協作」提出的實務架構，恰好給了我們三個可以按圖索驥的思考按鈕：
(一)先問值不值得 Complementarity
第一層問題最基本：這個任務，人機協作真的比單獨一個人或單獨AI表現更好嗎？加州大學爾灣分校的研究團隊發現，答案並不是理所當然的（Steyvers & Kumar, 2023）。很多企業導入AI之後效果打折扣，不是因為AI不準，而是根本沒去確認這個任務適不適合交給人機協作，也沒搞清楚AI跟人各自擅長什麼情境。
- 先測試任務是否適合人機協作。挑幾個有代表性的任務，比較人單做、AI單做、人機一起做這三種結果，只有當人跟AI的判斷夠獨立，這個合作才划算，不然合作反而會被彼此的盲點拖累。
- 找出人跟AI各自的強項。把哪些狀況AI判斷得準、哪些狀況人判斷得準記錄下來，做成對照表，讓分工有依據，不再是主管憑感覺分派誰該做哪一塊。舉個常見的例子，履歷篩選時AI負責在大量履歷裡揪出關鍵字和硬條件，人負責面試時判斷這個人跟團隊文化合不合，兩邊各做各自擅長的事，招募的品質才會真的提升。
這只解決了「該不該合作」，沒解決「合作起來會不會亂」。
(二)再問怎麼做對 Human–AI Teaming
卡內基美隆大學、麻省理工學院與微軟研究院組成的跨機構團隊指出，人機團隊要真的贏過各自單獨表現，關鍵在於角色分工夠不夠清楚，還有雙方之間的信任怎麼一步步建立起來（Gonzalez et al., 2026）。這跟世界盃裁判團隊的運作邏輯很像，系統負責把資料算清楚，什麼時候該由裁判親自確認，規則寫得明明白白，沒有含糊空間。
- 把角色分工寫清楚。明訂哪些判斷由AI先給建議，哪些環節一定要人親自介入，避免權責模糊，出了狀況責任卻全部回到員工身上，變成沒有人真正做過決定。
- 建立團隊對AI的信任機制。信任不是靠一次教育訓練宣導出來的，要讓員工實際操作、親眼看到AI的表現，這種信任是靠使用累積起來的，不是靠口頭保證。
角色分清楚、信任也建立起來，但如果沒有人守住最後那條線，前面兩層等於做白工。
(三)最後定分寸 Augmentation, Not Replacement
瑞士伯恩應用科學大學的研究團隊在一份研究議程中主張，AI跟機器人在企業裡真正該扮演的角色是輔助人，不是取代人，而且互動設計的品質，才是決定這個工具最後變成幫手還是壓力的關鍵（Dégallier-Rochat et al., 2022）。這句話聽起來簡單，但很多企業導入AI失敗，往往就是把這個分寸搞混了。
- 把AI放在「幫手」的位置設計流程。導入前先問清楚，這個工具是要幫員工做得更好，還是要取代員工，定位不同，員工的接受度和使用方式會完全不一樣。
- 決定權留在人身上。明確界定哪些決定AI只能建議、不能拍板，讓員工清楚知道自己仍握有最後的判斷權，而不是慢慢把這個權力讓出去而不自覺。
結論
AI能做的是精準的輔助判斷，把該看的數據、該注意的細節，整理得清清楚楚擺在人面前。人要做的是最後的決斷，看著這些資訊自己拿主意，自己承擔判斷的結果。上禮拜談的AI越位，不是AI太強，是沒有人去劃那條線；這禮拜談的世界盃，不是AI更聰明，是判斷裁量權從頭到尾都掌握在裁判手上。
參考文獻
Dégallier-Rochat, S., Kurpicz-Briki, M., Endrissat, N., & Yatsenko, O. (2022). Human augmentation, not replacement: A research agenda for AI and robotics in the industry. Frontiers in Robotics and AI, 9, 997386. https://doi.org/10.3389/frobt.2022.997386
Gonzalez, C., Donahue, K., Goldstein, D. G., Heidari, H., Jalali, M. S., Schelble, B., Singh, A., & Woolley, A. W. (2026). Toward a science of human–AI teaming for decision making: A complementarity framework. PNAS Nexus, 5(3), pgag030. https://doi.org/10.1093/pnasnexus/pgag030
Steyvers, M., & Kumar, A. (2023). Three challenges for AI-assisted decision-making. Perspectives on Psychological Science, 19(5), 722–734. https://doi.org/10.1177/17456916231181102
