人機協作新框架：整合AI數據與人類直覺

很多人談與AI協作，常常只想到一種模式：把工作拆開，AI做它擅長的，人類做人類擅長的。例如：招募人才時，AI先篩履歷，人類再面試；投資專案時，AI先跑數據，人類再做最後判斷。這種方式叫「專業分工」。

但問題是，很多真正重要的管理決策，根本沒有那麼容易拆開。像是要不要錄用一位主管、要不要投資一個新產品、要不要和某家公司合作，這些決策往往牽涉到數據、經驗、直覺、現場感與未來不確定性。AI未必明顯贏過人，人也未必判斷得比較準。這時，該怎麼辦？

一篇發表於《管理期刊》（Journal of Management）的論文〈人機集成：何時能發揮作用？〉（Human-AI Ensembles: When Can They Work?），提出一種可能的解法：人機集成決策。意思是，人類和AI面對同一個問題，先各自獨立做判斷，再把答案整合起來。重點不是誰取代誰，而是透過不同判斷來源，讓錯誤相互抵銷，最後做出更準確的決策。

這篇論文採用規範性設計理論的研究設計，並提出一套如何設計「人機決策系統」的理論框架。

作者結合兩個重要概念：一是機器學習中的「集成學習」，也就是把多個模型的預測結果整合起來；二是社會科學中的「群眾智慧」，也就是多人判斷有時會比單一專家更準。論文背後的邏輯很簡單：如果不同人或不同模型的錯誤方向不同，整合後錯誤可能會彼此抵銷。

該論文也提出兩種資料。第一種是「Type I資料」，也就是AI可以讀取、編碼、訓練的資料，例如：履歷上的學歷、年資、技能、過去績效。第二種是「Type II資料」，也就是人類比較容易掌握、AI難以取得的資料，例如：面試時的語氣、肢體語言、團隊契合度、主管過去經驗形成的直覺。

這篇論文最重要的結論是：AI不一定要比人類更準，才值得與人類合作。只要AI和人類都比亂猜好，而且兩者的錯誤不一樣，人機集成的效果，就可能比單獨靠AI或單獨靠人來的更好。

這個發現很有趣。許多企業在導入AI時，只問「AI準不準」。但更好的問題其實是：「AI和人類是不是看見不同東西？是不是會犯不同的錯誤？」如果人類看的是情境、直覺與現場感，AI看的是大量資料與統計模式，那兩者就有互補的可能。真正的價值，不是AI取代人，而是AI補上人類沒有看見的盲點；人類也補上AI看不到的脈絡。

根據研究結果，該論文提出了以下建議：

1.企業要保留人類的Type II資料。人類的直覺不等於亂猜，有時候是長期經驗累積後形成的快速判斷。例如：面試時，一位主管可能從候選人的回答方式、反應速度與眼神中，看出履歷上沒有寫出來的東西。這些資料不容易被AI完整數位化，但可能對決策非常重要。

2.人機判斷要保持獨立。如果人類一開始就看到AI答案，很容易被AI帶風向；如果團隊裡大家都先聽主管意見，也容易產生群體迷思。人機集成要有效，最好是人類先獨立判斷，AI也獨立輸出，最後再進行整合。這樣才能保留差異，讓錯誤有機會相互抵銷。

3.要設計「聚合者」角色。也就是由第三方主管或明確規則，把人類專家與AI的判斷整合起來。這個人不是隨便投票，而是要理解不同來源的價值。AI擅長處理大量Type I資料，人類擅長補上Type II資料。好的決策制度，不是讓大家吵成一團，而是讓不同判斷有秩序地被整合。

4.不是所有任務都適合人機集成。如果任務高度標準化，資料也完全數位化，AI可能直接做就好；如果AI沒有足夠資料做分析，結果比亂猜好一點都做不到。最適合人機集成的，是那些AI有資料可學、人類也有現場經驗可補，而且雙方都有一定判斷力的決策情境。

最後，這篇論文還提出一個很反直覺的觀點：在人機集成中，最該被AI取代的，不一定是績效最差的人，而可能是那位「判斷最沒有差異的人」。因為集成的價值來自於「多樣性」。如果一個人的判斷和其他人高度重疊，他對團隊的新增價值就有限；反而是一位看法不同但仍有基本準確度的人，可能更加值得保留。

總結來說，未來的競爭力不只是看誰有最強的AI，也不是誰有最多的專家，而是誰能設計出一套好的「人機集成系統」。AI看數據，人類看脈絡；AI算模式，人類補經驗。真正好的決策，不一定來自單一最聰明的大腦，而是來自一個能讓不同判斷彼此校正的系統。

作者：羅凱揚（台科大企管系兼任助理教授）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Choudhary, V., Marchetti, A., Shrestha, Y. R., & Puranam, P. (2025). Human-AI ensembles: When can they work? Journal of Management, 51(2), 536–569. https://doi.org/10.1177/01492063231194968