在前幾篇，我提出了一個觀點：AI for Social Good 的核心，不是讓 AI 完成更多工作，而是降低人做出正確決策的成本。

要理解 AI 在高風險場域中的價值，必須先理解一個更基本的問題：為什麼這些場域的決策特別困難？

這幾年接觸運動科學、醫療照護與災害應變等不同領域的產品，我發現這些場域雖然面對的任務完全不同，卻共享一個非常相似的工作環境：資訊大量湧入、事件快速變化，而人的注意力始終有限。他們不是沒有資訊。恰恰相反，是資訊太多，而且沒有足夠時間處理所有資訊。

運動教練可能同時面對選手的訓練、身體狀況與比賽表現；醫療人員需要處理病歷、檢驗、用藥與即時事件；災害應變人員則可能同時收到不同地區、不同來源的災情回報。

於是問題開始從「如何取得資訊」，變成：在這麼多資訊裡，我現在到底應該注意什麼？

我認為高風險場域共同面對的，有三個核心挑戰：
資訊超載 Information Overload、時間壓力 Time Pressure，以及認知負荷 Cognitive Load。

而三者最後指向的，其實是同一個更根本的問題：
專注力管理 Attention Management——人要如何把有限的注意力，放在真正重要的事情上。
這是我們在使用 AI 搭建高風險領域的產品時，需要特別注意的不同之處。

Information Overload：問題不是資訊太少，而是不知道什麼重要

數位化之後，我們已經很少缺少資料。

感測器可以持續收集資訊，系統可以保存大量歷史紀錄，每一次操作、每一項指標、每一筆事件都可能被數位化。但資料越多，並不意味著能夠更快產生決策。

以運動科學為例，一位教練可能同時看到選手的訓練量、心率、睡眠、傷病紀錄，以及過去的比賽表現。

這些資料都可能有價值。但教練真正需要解決的問題，並不是把每一項資料都看過一次，而是：現在有哪些訊號值得我注意？

例如某位選手的訓練量與過去差不多，但睡眠明顯下降，心率恢復也出現異常。真正有價值的不是再增加一張圖表，而是讓教練更快注意到：這些變化可能代表什麼？

醫療現場也是一樣。當病歷、檢驗結果、用藥資訊、系統提醒與各種通知全部同時出現在眼前時，系統雖然提供了更多資訊，卻也把一部分工作轉嫁回使用者：由使用者自己判斷什麼值得看。
所以 Information Overload 的問題，並不只是「資訊太多」，更精確地說，是：資訊太多，讓人的注意力必須在更多訊息之間不斷做選擇。

因為人注意力是有限的，不可能同時平均分配給所有事情。
因此，一個好的系統不應該只是**「把資訊全部呈現出來」。**
它更應該幫助使用者理解：什麼重要、什麼不重要，以及什麼現在值得關注。

Time Pressure：當時間變少，注意力就必須更精準

如果使用者有足夠時間，也許還能慢慢閱讀、比較與分析，但高風險場域往往沒有這個條件，時間本身就是限制。
災害發生後，現場資訊會持續進來；醫療狀況可能在幾分鐘內改變；比賽進行時，教練不可能停下來閱讀完整分析報告，再決定下一個戰術。

這時候，使用者面對的不只是大量資訊，而是：大量資訊必須在很短的時間內被理解。
這也是為什麼 Decision Latency 是高風險系統設計中的關鍵。
從事件發生，到真正採取行動，中間通常會經過：
資訊收集 → 確認 → 理解 → 判斷 → 行動
而每一個階段都可能產生延遲。

例如在災害應變中，當不同來源的回報同時湧入，團隊需要先確認哪些資訊可信、哪些區域最需要支援、哪些事件應該優先處理。如果大量時間都花在「找資訊」和「確認資訊」上，那麼真正用來判斷的時間就會變少。更麻煩的是，高風險場域中的情況往往會持續變化。當使用者終於整理完資訊時，情境可能已經不同了。

所以 Time Pressure 真正帶來的問題，不只是「做事速度要更快」，而是：當時間有限時，使用者必須更快速地把注意力放到最重要的事情上。

Cognitive Load：最昂貴的，不一定是工作，而是注意力切換

當資訊很多、時間又很少，第三個問題就會出現：認知負荷 Cognitive Load。
人並不是一個可以無限處理資訊的系統。我們的注意力、工作記憶與理解能力都有上限。更重要的是，人在工作過程中，注意力很容易被不斷打斷。
例如醫療人員可能正在處理一位病人的狀況，途中突然收到系統提醒，又需要回應團隊成員的訊息，接著另一位病人的狀況發生變化。每一次切換，看起來只是一個很小的中斷。但重新回到原本的工作時，他都必須重新確認：
我剛剛在做什麼？
現在發生了什麼？
哪件事情最重要？
我接下來要做什麼？

真正消耗認知資源的，很多時候不是某一個任務本身，而是注意力一直被迫重新分配。
這也是為什麼在高風險系統設計中，「專注力管理」比單純談「資訊管理」更重要。
資訊系統可以保存很多資料，但它無法自動解決一個更困難的問題：人的注意力到底應該放在哪裡？

高風險場域最稀缺的，其實是注意力

把這三件事情放在一起看，就會發現它們其實是一個連續的問題。Information Overload 讓需要處理的資訊變多。Time Pressure 讓我們處理這些資訊的時間變少。Cognitive Load 則讓人的認知資源被大量消耗。
最後造成的結果，就是：注意力被分散。
當注意力被太多訊息、太多任務與太多切換所瓜分時，真正重要的事情反而可能沒有得到足夠的關注。
這也是高風險場域和一般產品很不一樣的地方。
在一般產品裡，使用者漏看一個通知，可能只是不方便。但在醫療、運動競技或災害應變中，漏掉一個真正重要的訊號，可能就代表錯過一次關鍵的處置時機。
因此，我開始把問題重新定義成：高風險場域的設計，不只是資訊管理，更是注意力管理。

AI 的價值，不是讓人看到更多，而是幫助人注意到對的事情
當我們從「注意力」重新看 AI，很多事情就開始變得不一樣。
我們常問：
「AI 可以幫我們生成什麼？」
「AI 可以自動化什麼？」
「AI 可以分析多少資料？」

但在高風險場域，我認為更重要的問題是：AI 可以怎麼幫助人分配注意力？
當資訊太多時，AI 可以協助辨識出值得關注的異常與關鍵訊號，而不是把所有資訊重新塞回使用者眼前。
當時間太少時，AI 可以協助把原本需要大量閱讀與整理的資訊，轉換成更容易快速理解的情境。
當認知負荷太高時，AI 可以幫助維持必要的脈絡，減少使用者自己回頭搜尋、整理與重新理解的成本。
換句話說：AI 不一定要替人做出決策。
它可以先幫人把注意力放到正確的地方。
這其實是一個很大的轉變。
從：AI 幫我做更多事。
變成：AI 幫我更快知道，現在什麼事情最值得我的注意。

好的 AI，不應該製造更多注意力競爭

這也讓我開始重新思考現在很多 AI 產品的設計方式。
當我們把摘要、通知、推薦、分析、提示全部交給 AI 生成，表面上看起來是降低資訊成本，實際上卻可能產生另一種問題：AI 生成更多內容，反而讓使用者需要注意更多東西。
如果每一件事情都被標記為「重要」，最後其實就等於沒有任何事情真正重要。
所以高風險 AI 的設計，不能只追求「資訊更完整」。
它更應該追求：資訊更有優先順序。
不是告訴使用者所有事情，而是協助他判斷：現在最值得看的，是哪一件？哪一個訊號需要立即注意？哪些資訊可以稍後再處理？

從資訊管理，到注意力管理

因此，如果要重新理解高風險場域中的 AI，我會把它想成一個逐漸往前移的過程。
過去的資訊系統，主要解決的是：怎麼保存資訊。
之後的數位產品開始解決：怎麼呈現資訊。
而 AI 時代，我認為更重要的問題是：怎麼幫助人把有限的注意力，放在最需要的地方。
因為我們不可能讓資訊停止增加。
也不可能讓高風險工作的時間壓力消失。
更不可能讓人的注意力變成無限。
真正可以被設計的，是資訊與人的注意力之間的關係。

高風險 AI 的下一步：支持人的判斷，而不是搶走人的注意力

這也回到我最初談的 AI for Social Good。
如果 AI 的目標只是讓系統完成更多事情，那麼我們很容易把成功定義成：更快、更自動、更大量。

但在高風險場域裡，我認為真正重要的指標可能是：

人有沒有更快看到重要的事情？
有沒有更少被不重要的資訊干擾？
有沒有把更多注意力留給真正需要專業判斷的地方？

因為 AI 最終要支持的，不是「工作完成」本身。而是：人在複雜、快速變動的環境裡，依然有能力做出可靠的判斷。

所以對我來說，高風險場域中的 AI，不只是 Automation。它更像是一種 Human Decision Support System。而這個系統真正要管理的，也許從來都不只是資料。而是人的注意力。

下一篇，我會帶大家從 HCI 研究透過實驗數據看使用者的實際行為與策略：人開始無法判斷時，會用什麼策略與配合方式來依賴 AI？