
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


