AI正在接管技术工作,运动表现从业者如何保持不可替代?

文献出处：Malone, S., & Buchheit, M. (2026). If artificial intelligence is writing your report, why are you required? Defending the CRAFT of performance support in the ever-growing age of automated analysis. Sport Performance & Science Reports, 317, 1–7.

图1. CRAFT模型。AI辅助运动表现报告的五阶段工作流程。各阶段的责任归属如图所示：其中3个阶段由专业人员主导，1个阶段由机器主导，1个阶段为共享，并构成流程的责任底线。

数据清洗、统计计算、可视化、信息汇总和报告初稿，正在成为生成式AI最先接手的一批工作。这些任务规则清晰、重复度高，也便于核验，在技术环节变快之后，问题也随之改变：真正需要讨论的已不只是“岗位会不会被替代”，而是运动表现支持的专业价值会落到哪里。

报告本身不再是价值的终点，真正决定它能不能进入训练决策的，是输出审查、情境解释、信息框架化、与教练团队协商，以及对最终建议负责。CRAFT模型关注的正是这条工作链，说明了AI可以在哪些环节提速，专业人员又必须在哪些环节留下。

一、AI引发的并非简单替代，而是专业价值重构

运动分析、伤病风险评估、训练计划和报告生成，已经能看到AI和机器学习的身影，由于大型语言模型处理量大、规则清晰、可以反复核验的任务尤其高效，过去耗时的技术工作被明显压缩。随着这种变化，报告正从“最终交付物”变成“决策对话的基础材料”，专业人员的工作重心也开始向知识转化和决策支持移动。

效率提高后，最容易出现的误区是把“模型更准”直接等同于“决策更好”。运动伤病预测模型仍普遍存在偏倚风险，即便经过良好校准和外部验证，模型也不能独立解释训练情境、判断信息优先级，更无法替代与教练团队的协商。模型能识别数据发生了变化，但训练现场到底发生了什么、为什么会变、要不要调整训练，仍要靠情境性知识来判断。

人和AI放在一起，也不会自动形成更好的决策。现有证据显示，AI在内容生成和表达优化上能提高效率，但到了最终决策环节，如果专业人员缺少模型之外的知识，或没有能力识别错误，人机组合甚至可能不如其中表现更强的一方。流畅、合理且具有高置信度的输出，并不意味着结论必然正确。

长期依赖自动化，专业能力可能在不知不觉中变弱。职业早期如果很少亲手清理原始数据、识别异常、到训练现场观察，专业模式识别能力的机会将随之减少。运动员的生理、医疗和健康数据还涉及数据治理与隐私保护，训练调整、参赛决策和风险升级也都需要有人对专业判断负责。保密、问责和最终责任归属不能由通用AI系统替代。

二、CRAFT模型：基于任务属性划分人机职责

CRAFT把一份报告从提出问题到最终沟通，拆成背景（Context）、检索与简化（Retrieval and Reduction）、评估（Appraisal）、框架构建（Framing）和传递（Transmission）五个阶段。它不按“人做还是机器做”简单二分，而是看任务本身：规则清晰、结果可核验、错误容易发现的任务更适合交给AI，需要判断、背景和责任的任务仍由专业人员掌握。

• C — 情境（专业人员主导）：明确报告服务的决策、利益相关者及其关注点，并评估可行的协商空间。情境先于分析，若分析结果不会改变任何决策，报告本身的必要性即需要重新评估。

• R — 检索与压缩（AI主导）：适用于数据清洗、合并、聚合、常规统计计算、滚动指标、第一版可视化与初稿生成。专业人员负责预先规定指标、阈值和比较窗口。

• A — 评估（专业人员主导）：将AI输出与真实训练过程进行核对，重点检查异常值、缺失数据及高后果指标。

• F — 框架化（共享）：AI可用于生成替代表达、压缩文字、减少术语并优化结构；信息选择、重点排序和最终表述仍由专业判断决定。

• T — 传达（专业人员主导）：涉及面对面交付、协商、让步、形成共识和事后复盘。AI可用于准备简报和预判反对意见，但不能替代关系基础上的沟通与问责。

三、人机协同的边界：哪些任务适合交给AI?

任务是否适合交由AI处理，可以通过四项判断进行约束。

第一，专业判断是否会改变输出。如果不同情境下均原样接受AI结果，流程实质上属于依赖而非监督。

第二，错误是否能够被识别。显性计算错误通常较易发现，而由标识符不匹配、数据遗漏或合并失败形成的静默错误更需要人工检查点。

第三，最终责任是否仍由专业人员承担。凡是将进入教练或运动员决策链条的内容，关键结论均应能够由专业人员独立解释、核查并提供依据。

第四，输入内容是否满足可披露性和数据治理要求。涉及可识别的生理、健康或医疗数据时，应以明确的数据处理安排、权限边界和组织治理为前提。

这四项判断共同指向一个原则：AI可以承担计算与生成责任，但不能自然继承专业责任。当任务具有高后果、错误不易察觉或高度依赖现场信息时，人工评估不应被视为可选环节。

四、交叉曲线：技术能力由差异化优势转向职业底线

CRAFT模型背后的另一核心概念是“交叉曲线”。自动化分析和生成式工具越成熟，技术执行仍然必要，但它不再那么稀缺，技术执行的边际价值会逐渐下降，情境评估、框架化、协商和责任承担反而越来越重要。

图2. 交叉曲线。随着自动化分析和生成式工具能力不断增强，技术执行的边际价值下降，而情境评估、框架化、协商和问责的边际价值上升。从可辩护性的角度看，从业者角色的核心正由作为“产物”的报告转向作为“对话”的报告。

资源较充足的团队运动环境可能已经越过这个交叉点，以编程能力和统计技术作为主要筛选标准时，就有可能高估一个边际价值正在下降的维度。技术胜任力正逐渐成为岗位准入的基础条件，真正拉开差距的，是情境判断、知识转化、沟通协商与责任承担。

这并不是削弱技术能力本身，而是只有看得懂技术，才有能力审查AI输出，只是技术正在从“区分度”回到“基本功”。自动化增加了技术执行的供给，却不会自动带来更高质量的判断、更稳固的信任关系和更清晰的责任承担。

五、结论

当数据整理、统计计算、可视化和报告初稿逐渐被自动化，运动表现支持并不会因此失去位置，它的价值重心会从“做出报告”移到“让报告真正进入决策”。情境评估、信息框架化、沟通协商和责任承担，因而更能体现专业人员难以被替代的价值。

CRAFT把这种变化落实到五个阶段：AI负责规则明确、结果可核验且任务量大的部分，专业人员负责情境判断、关键审查、关系管理和最终问责。技术胜任力仍然是基本功，但专业价值不再只看会不会算、会不会做图，而更看能否把数据转化成可信、说得清、做得到、有人负责的训练决策。CRAFT目前仍是专家提出的实践框架，它在不同运动项目和组织里的实际效果与适用边界，还需要进一步检验。