由 Michael Ross 與 James Taylor 所撰。當企業每天必須對單一顧客、產品、供應商、資產做數百萬個決策時，這些**微決策（micro-decisions）**已不可能由人在試算表中完成。本章提供四種人機治理模式的框架。
從「決策」到「對決策的決策」#
微決策（borrowed from Taylor & Raden 的《Smart Enough Systems》）需要典範轉移：從「做決策」變成「做關於決策的決策」。
你必須在新的抽象層次上管理——透過規則、參數、演算法。這個轉移正在所有產業、所有決策類型中發生。
微決策需要自動化——但人扮演什麼角色？#
微決策的本質——尤其是即時、高量決策——必須透過演算法（規則、預測、限制、邏輯）自動化，這些常被稱為 AI。關鍵問題是：人類經理該如何管理這類演算法系統？
「方向盤」的比喻：完全自駕車（沒有方向盤）很單純——告訴它去哪就好。但一裝上方向盤，問題來了：
- 何時告知駕駛該介入？
- 如何介入？
- 多早通知？
- 該呈現什麼資訊以協助合理介入？
微決策也一樣：只要有人類參與，就必須仔細設計人機之間的有意義互動。
四種管理模式#
四種模式構成一個光譜，依「人類介入的程度與性質」變化：
1. Human in the Loop（HITL，人在迴圈）#
人由機器輔助——人做決策，機器只提供決策支援或部分自動化。也稱智能放大（intelligence amplification）。
案例：Fortune 500 廢棄物處理公司
派遣車輛的服務工單影響因素眾多：天氣、噪音法規、停車場格局、閘鎖、回收類型、傾倒地點、駕駛可用性、卡車能力。
一個新開發的 bot 爬遍多系統工單，主動標出影響特定停靠的所有可能問題（並在當天工單變動時即時重做）。派遣員監督系統運作，自動化處理數千個服務工單決策，釋出 20–25% 的工作日。
2. Human in the Loop for Exceptions（HITLFE，人在迴圈處理例外）#
多數決策自動化，人只處理例外——當系統需要人類判斷或輸入時才介入，人也控制「哪些算例外」的邏輯。
案例：美妝品牌的促銷預測
用機器學習預測各類促銷的銷售提升，多數情況準確；但偶有極端失敗造成大量銷售損失。資料科學家檢視後發現：演算法對特定類型促銷預測能力不足。
解方不是放棄專案，而是把機器對自身預測的「信心水準」編碼，當信心低時才交給人類審查——這正是 HITLFE。
3. Human on the Loop（HOTL，人在迴圈之上）#
機器由人輔助——機器做微決策，人回顧結果並可調整未來決策的規則與參數。進階版中，機器也能建議規則變更供人類核可。
案例：歐洲外送平台
原本用試算表管理單車外送員的「delivery slots」並用激勵金平衡供需——手動且不精確。
公司開發完全自動化系統與手動方式對照，發現有時人贏、有時機器贏。後來才意識到：問題框架錯了，真正的問題是「如何讓人機協作」。
第二版設計：管理者不再管到單一駕駛層級，而是設計控制參數讓他們在風險、成本、服務之間取捨——既承認系統的動態本質，也讓工作保持有趣！
4. Human out of the Loop（HOOTL，人在迴圈外）#
機器由人監視——機器做每個決策，人只透過設定新的限制與目標來介入。改進也是自動化的閉環，依人類回饋自動調整。
案例：Mayflower 自主船
用雷達、GPS、AI 攝影機、數十個感測器、多台邊緣運算裝置在世界海洋探索——但沒有船員。AI 船長必須自主感知環境、預測航向、辨識危險、套用碰撞規則、遵守海事法。岸上人員只告訴它「去哪裡」。
怎麼選對模式？#
這些系統會隨技術、組織對更精細決策的渴望、管理層對自動化的信心而演進。沒有標準答案。
要評估的是：
- 多大程度的人類管理是可能且可取的？
- 你對風險與迭代的胃口有多大？
不論採用哪種模式，作者強調：把 AI 放上組織圖、放進流程設計——確保人類管理者對其輸出負責。
隨著更自主的系統、即時消費需求、即時供應鏈協調與遠端自動化環境匯聚，AI 在組織內擴張無可避免。要成功，你必須理解與 AI 互動的不同方式，並為每個 AI 系統挑出對的管理模式。