L7- 讓 AI 預測，讓人判斷. 把決定交出去之前，主管要先分清楚的兩件事
週一早上，信用管理部的怡君收到系統通知：AI 模型建議把一位老客戶的信用額度調降三成。她打開報告，理由很充分：這家公司最近兩季的付款天數拉長，產業景氣也下滑，模型估計的違約風險從 2% 升到 6%。
數字沒有錯。但怡君知道一些模型不知道的事：這位客戶和公司合作了二十年，金融海嘯那年也沒有拖欠過；他們正在轉型，老闆上個月才跟業務主管說，明年希望把訂單集中給兩家供應商。現在調降額度，風險是降低了，但可能也把這位客戶推給了競爭對手。
她拿著報告去問主管。主管看了一眼：「模型不是我們花了很多錢建的嗎？照它的建議就好。」
這位主管不是不負責任。他只是沒有分清楚：模型回答的是「這位客戶違約的機率是多少」，而怡君問的是「我們願意為這段關係承擔多少風險」。前者是預測，後者是判斷。
決策可以拆成兩半
多倫多大學的 Ajay Agrawal、Joshua Gans 與 Avi Goldfarb 在《預測機器》（Prediction Machines，2018）中提出一個很有用的拆解：一個決策至少包含「預測」與「判斷」兩個部分。
預測是回答「會發生什麼」：這位客戶違約的機率、這批貨會不會延遲、這位應徵者入職後的績效。判斷則是回答「我們在乎什麼」：違約的代價有多大、失去客戶的代價有多大、這兩者怎麼取捨。同一個 6% 的違約率，對一個以風險控管為優先的部門和對一個正在搭市占率的部門，可以導出完全不同的決定。
他們的核心論點是經濟學的：AI 讓「預測」變得便宜。而當一樣東西變便宜，與它互補的東西就會變得更有價值。判斷，正是預測的互補品。預測越準、越快、越多，「知道自己在乎什麼」就越重要。
這本書是以經濟學推論為基礎的著作（證據等級 C），實際的決策通常不會拆得那麼乾淨。但這個區分給了主管一個很實用的問題：這個決定裡，哪一部分是「會不會發生」，哪一部分是「我們在乎什麼」？
Deloitte：依決策的影響設定 AI 的自主程度
Deloitte《2026 全球人力資本趨勢》有一章專談「AI 與人類決策的未來」。報告指出，60% 的高階主管已經常態使用 AI 來輔助決策；Deloitte 芬蘭的新聞稿則補充，只有 5% 的領導者認為自己把這件事管得好。使用已經很普遍，管理卻還很少。
報告提出幾個方向：在整個決策過程中確保品質、問責與人的能動性；把決策本身當成一門需要經營的專業；訓練員工與 AI 協作；以及最重要的一點，依照決策的影響，審慎地定義 AI 的自主程度。
這是顧問公司的問卷與建議（證據等級 B 至 D），但「依影響設定自主程度」和「預測與判斷」的區分可以接在一起：影響越小、價值取捨越清楚的決策，越可以讓 AI 自己決定；影響越大、價值取捨越複雜的決策，AI 就越應該停留在「提供預測」的位置。
兩個陷阱
陷阱一：自動化偏誤。 人因工程學者 Parasuraman 與 Manzey（2010）回顧了航空、醫療等領域的研究發現，當人有自動化的決策輔助時，常會過度依賴它的建議：系統建議錯了也跟著做，系統沒有發出警示就不去檢查。Goddard 等人（2012）對臨床決策支援系統的系統性回顧也有類似的發現（證據等級 A）。開場的主管說「照它的建議就好」，就是這個偏誤在管理層的樣子。我們在〈越用 AI，越不敢完全信它？〉一文討論過信任的另一端：過度信任與不信任，其實是同一個問題的兩面。
陷阱二：把價值判斷偽裝成技術預測。 這個陷阱更隱密。AI 模型看起來只是在「預測」，但它的建議裡其實已經包含了判斷：違約率超過多少就要調降額度？「好客戶」的定義是什麼？保守與成長之間怎麼權衡？這些門檻與權重，常常是由資料團隊在建模時設定的，很少被拿到經營會議上討論。於是，一個本來應該由主管做的價值判斷，穿上了技術的外衣，從此不再被質疑。
這並不表示人的判斷就比較可靠。Kahneman、Sibony 與 Sunstein 在《雜訊》（Noise，2021）中提醒，不同的人、甚至同一個人在不同時間，對同一個案件的判斷常常差異很大。所以重點不是「人比 AI 好」，而是把預測交給擅長預測的工具，把判斷交給該為價值負責的人，並讓人的判斷也有結構、可以被檢視。
心理動力的解讀：把判斷交出去的魅力
以下是作者的觀點，而非上述研究的發現。
為什麼主管會說「照它的建議就好」？除了信任模型，可能還有另一個更深的理由：做判斷是會讓人焦慮的。
判斷意味著取捨，取捨意味著可能犯錯，而犯錯的時候，決定的人要承擔後果。如果怡君的主管決定維持額度，而客戶後來真的違約了，他就要解釋「為什麼沒有聽模型的」。反過來，如果他照模型的建議做，而客戶流失了，他可以說「這是系統的建議」。兩種錯誤的代價對組織來說可能差不多，但對個人來說完全不同。
「是系統建議的」是一個很有效的防衛。它把「我的判斷」轉換成「客觀的預測」，讓做決定的焦慮有了一個出口。我們在〈責任不能外包給演算法〉與〈橡皮圖章主管〉兩篇文章中，從問責與審核的角度談過這件事。這裡想補充的是：這個防衛在個人層次是可以理解的，但當它變成組織的習慣，組織就會慢慢失去做判斷的能力。判斷力和其他能力一樣，不用就會退化。
怎麼做：先分清楚預測與判斷
一、用「決策拆解表」分清楚預測與判斷。 選一個團隊經常做、且已經有 AI 參與的決策，用一張表拆開它：這個決策需要哪些預測？哪些由 AI 提供？需要哪些判斷？每個判斷代表什麼取捨？這些取捨現在是誰在做的？以信用額度為例，「違約機率」是預測，「客戶關係的策略價值」與「可接受的風險水準」是判斷。很多團隊做完這張表才發現，有些判斷早已被寫進模型的門檻裡，而沒有人記得是誰決定的。
二、說清楚判斷由誰做、依什麼價值，並依影響分級。 參考 Deloitte 的建議，把決策依影響分成三級：影響小且規則清楚的，可以讓 AI 直接決定，定期抽檢；影響中等的，由 AI 建議、人決定；影響重大或涉及關係、公平與策略的，由人決定，AI 只提供預測與資訊。每一級都要寫明判斷的負責人，以及他要依據的價值優先順序。「我們在乎什麼」說得越清楚，判斷就越不會被偏好或恐懼左右。
三、決策檢討看判斷的品質，而不只看結果。 一個好的判斷也可能帶來壞結果，一個隨便的判斷也可能剛好幸運。如果只看結果，主管就會學會「照系統的做最安全」。決策檢討可以問：當時的預測是什麼？我們做了哪些判斷？這些判斷是否依照我們說好的價值？有沒有我們當時沒看到的資訊？這樣的檢討，讓「敢不跟模型」的主管不會因為一次壞運就被懲罰。
給人資與 OD 的提醒： 主管的 AI 訓練大多談「怎麼用工具」，很少談「怎麼做判斷」。建議在主管發展課程中加入決策拆解的練習，用公司自己的案例，讓主管練習說出「這個決定裡，我在乎的是什麼」。判斷力是 AI 時代主管最重要的能力之一，也是最容易在不知不覺中退化的能力。
結語：AI 越會預測，主管越要會判斷
AI 讓「會發生什麼」變得容易回答，但「我們在乎什麼」仍然需要人來回答。把決定交出去之前，主管要先分清楚兩件事：哪一部分是預測，可以交給 AI；哪一部分是判斷，必須留在人手上。AI 越會預測，主管就越要會判斷。
留給你的問題： 你最近交給 AI 的決定裡，有沒有一個其實是價值判斷？
延伸閱讀
參考文獻
- Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.（證據等級 C：經濟學論述）
- Deloitte. (2026). AI and the future of human decision-making. In 2026 Global Human Capital Trends. 摘要見：https://www.deloitte.com/uk/en/services/consulting/perspectives/human-capital-trends-2026.html（證據等級 B：顧問公司問卷調查）
- Deloitte Finland. (2026, April 21). Työntekijä kohtaa 15 muutosta vuoden aikana [Press release]. https://www.deloitte.com/fi/fi/about/press-room/tyontekija-kohtaa-15-muutosta-vuoden-aikana.html（證據等級 B）
- Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127.（證據等級 A：系統性回顧）
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment. Little, Brown Spark.（證據等級 B：學術著作）
- Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410.（證據等級 A：文獻回顧）
慧培國際相關服務
更多資訊請見慧培國際網站 whitespace-leadership.com。