我請三個 AI 排同一份訓練課表，
答案都很有自信，也都在亂猜

九月初，我在高雄的國家運動訓練中心，帶了一場給退役、現在派駐學校與運動協會的教練們的工作坊。現場示範的第一件事，是把同一句話丟給 ChatGPT、Gemini、Claude 三個工具：「幫我替高中田徑隊安排八週訓練課表，每週三次，每次 90 分鐘，最後要參加比賽。」

三個工具都在幾十秒內生出一份完整課表：基礎期、專項期、賽前期、減量週，排得整整齊齊。但沒有一個先問我：選手是短跑還是長跑？程度到哪裡？場地器材夠不夠？有沒有人帶傷？它們全部直接開始猜，猜完就給答案，而且給得很有自信。

看起來越專業，藏的假設越多

我請現場教練們別急著看「哪一份排得比較漂亮」，而是回頭找：這份課表，AI 替你猜了哪些事？答案通常很多——選手能力、訓練史、器材數量、恢復天數，這些全部是模型自己補上去的，因為使用者只給了一句模糊的話。

這跟企業主拿到一份 AI 生成的「策略報告」是同一個問題：格式漂亮、邏輯通順，但底下的假設沒人查過，直接拿去用，風險比自己想像的大。教練的版本更具體——課表排錯，傷的是真人的身體。

正確的順序：先讓 AI 說出它不知道什麼

接下來的示範，我們換了一個做法。給 Claude 一份虛構的案例：一位帶 12 位選手的短跑組教練，手上有選手名冊、近三週訓練紀錄、場地時段表，8 週後要比賽。這次不是直接叫它排課表，而是先要求它做一件事：把已知條件、資料缺口、需要教練確認的地方，分成三欄整理出來，不准編數字，也不准先產出課表。

結果它抓出了幾個重點：兩位選手的資料裡有訓練限制，但附件不足以判斷是什麼狀況，這件事只能由教練現場判斷，不能讓 AI 用有限資訊去推論；近期訓練紀錄只有三週，沒辦法看出長期負荷；場地表上，雨天跟跑道臨時停用的替代方案，附件裡也沒寫。這些缺口如果沒有先被抓出來，直接生出來的課表看起來一樣完整，只是错的地方藏得更深。

選手資料能不能貼進 AI？先分顏色再決定

這場工作坊另一個重點，是教練手上的資料本來就比一般上班族敏感——姓名、傷病、聯絡方式，這些不是可以隨便貼進個人版 AI 工具的東西。我們用一個簡單的紅黃綠燈分級法，讓非技術背景的教練也能自己判斷：

• 綠燈，可以直接用——完全虛構的案例、公開賽事簡章、不含真人資料的計畫範本。
• 黃燈，先去識別再用——去掉姓名後的出席趨勢、年級與項目、團隊整體的訓練負荷摘要。
• 紅燈，不要直接貼進個人版 AI——姓名、身分證字號、電話地址；可識別的傷病、診斷、復健紀錄；未成年選手的家長聯絡資料。

案例裡的選手，我們全程只用代碼 A01 到 A12，不取名字，這不是示範上的小心機，是刻意示範一個習慣：練習的時候就用代碼，正式使用的時候才不會忘記換掉真名。

田徑只是示範，方法可以換到任何一種運動

整場工作坊用田徑短跑當案例，但方法不是只給田徑教練用的。同一套「先整理缺口、再談規劃」的順序，跟資料分級的判斷方式，換到游泳、羽球、舉重或任何團體項目，邏輯完全一樣——工具在變，但教練該保留的專項判斷，跟該守住的資料紅線，是不變的。

這也是我在企業內訓和顧問案裡一直強調的同一件事：AI 給出的第一個答案，永遠只是草稿，不是結論。差別只在於，教練的草稿如果錯了，代價是選手的身體，這讓「先問清楚、再動手」這件事，比在辦公室裡更沒有討價還價的空間。