本页讨论的是什么——又不是什么
替代问题,通常是以一种数量统计的方式被提出的:AI 究竟夺走了多少个工作岗位?这个问题很重要,劳动力替代:数据究竟显示了什么一文对此有所论述。而本页要问的是一个不同的问题:那些留存下来的工作岗位,究竟会发生什么变化?一名劳动者完全可能保住了薪水,却同时失去了对工作时间安排、工作节奏、判断裁量权,以及让这份工作本身变得有价值的那份尊严的掌控权。
本页所描述的这一机制——算法化管理——是已经被观察到、有据可查、真实存在的。但把当今零工经济与仓储行业的研究发现,直接投射到整个经济体之上,则是一种论证,而不是一项实测。本页会明确标注,哪些属于哪一类。
这一机制:算法化管理
Kellogg、Valentine 与 Christin 那篇被广泛引用的综述文章,将算法化管理定义为:由软件来执行本属于管理职能的工作——分配任务、监测表现、评估产出,并对劳动者施以惩戒或奖励(Kellogg、Valentine & Christin,《职场中的算法:控制权争夺的新战场》,《管理学会年鉴》,2020 年)。他们把相应的工具集归纳为六种机制——推荐、记录、评级、替换、奖励与惩戒——并指出,这片充满争议的战场本身并不是什么新事物。雇主一直都在设法用更少的报酬换取更多的劳动投入;真正发生变化的,是执行这一过程的系统所具备的颗粒度、速度与不对称性。
在实践中,这意味着:排班表是根据预测需求来设定的,而不是由一位知道你孩子还在上学的经理来安排的;生产力评分是根据按键次数、扫描次数或每项任务所耗秒数计算出来的;顾客给出的星级评价被当作绩效考核结果来对待;而一旦某项指标跌破某个阈值,解雇便会被自动触发,有时甚至完全没有人参与其中。劳动者所经历的,是一个始终在盯着自己、绝无商量余地、也根本无从申诉的「老板」——因为那里根本没有一个真实存在的人。
发展的方向
随着 AI 逐步吞并常规性的认知劳动,留给人类的工作会分流进两个类别。第一类,是机器目前还做不了的工作:在难以预测的实体环境中从事的技术性行业、复杂的人际谈判,以及真正意义上的创造性判断。第二类,则是人类之所以必须被「留下来」的工作——因为某项法律、某条责任规则,或客户本身的偏好,要求链条中的某个环节必须有一个真人存在,即便系统几乎能够完成其余的一切工作。
正是在第二类工作中,质量的下滑速度最快。如果一个人的存在,仅仅是为了满足某项要求,雇主的激励机制便会是:让这个「存在」变得尽可能廉价、尽可能受控——脚本化的裁量空间、被监控的合规行为、没有任何缓冲余地。劳动者就此变成了盖在机器产出之上的一枚「人形认可章」——对结果负责,却被剥夺了塑造这一结果的权力。一名被要求在十二秒内对每位患者「核准」AI 分诊结果的护士,并没有因此获得能力增强;她只是一个挂着听诊器的责任缓冲垫。
证据显示了什么——又没有显示什么
最有力的证据,来自那些算法化管理已经彻底渗透的场景。在零工平台上,研究人员记录了评级系统与不透明的账号停用规则,如何把风险转嫁给劳动者,同时又不让他们知道究竟是谁在做决定、又是依据什么做出的决定(Rosenblat & Stark,2016 年)。在仓储行业,精确到「每项任务所耗秒数」这一颗粒度的监控,在新闻报道与倡导性报告中,与更高的工伤率及人员流失率相关联,尽管经过同行评审的因果关系估计目前仍然十分有限。国际劳工组织关于生成式 AI 的全球分析明确指出,暴露于自动化之下,并不等同于失去工作,而工作质量层面的种种维度——任务强度、自主性,以及运用技能的机会——其变化轨迹,与就业岗位总数本身是相互独立的(ILO,2023 年)。
诚实起见,必须划清这样一条界限:这些研究所衡量的,是一些受到高强度监控的特定工作场所。把它们类推到整个经济体,是一种类比性的论证,而不是一项实测。一部分留存下来的工作岗位会变得更好;一些监控手段会失灵,或产生反效果;一部分劳动者更愿意接受由应用程序中介的灵活性,而不是选择那个通常等于「一无所有」的替代方案。真正站得住脚的论断范围更窄,但依然分量十足:凡是劳动者被违背雇主本意地留在工作流程之中的地方,默认的经济压力方向,都指向「加强控制」,而非「扩大自主」。
有三个信号可以显示出一个工作场所正朝哪个方向发展:劳动者能否看到并质疑用于评估自己的数据;是否有任何拥有实际权力的人能够推翻系统的判断;以及生产力目标,是否会随着软件不断学习「表现最佳的班次是什么样子」而自动被不断上调。第三点,才是真正的破绽所在。一个随着劳动者不断适应而不断抬高门槛的系统,不是一个用于组织工作的工具;它是一台压榨式的棘轮装置,其上限由人的生理极限决定,而不是由判断力决定。
互补性的问题
AI 究竟是增强了一个留存下来的岗位,还是让它变得更糟,并不是由技术本身决定的。而是由谁来选择相应的设计方式决定的。同一个分诊模型,既可以让一名护士把时间真正花在最需要她的病人身上,也同样可以被用来给她设定工作定额。同一个编程辅助工具,既可以处理掉那些样板化的代码,让一名初级开发者得以学习架构设计,也同样可以被用来当作理由,让一个人监督四名初级员工,而不是雇用两名资深员工。
| 设计取舍 | 增强型结果 | 退化型结果 |
|---|---|---|
| 由谁设定节奏 | 劳动者掌控工作顺序 | 系统设定定额,劳动者疲于跟上 |
| 由谁看到数据 | 劳动者获得绩效反馈 | 雇主实施监控,劳动者无法查阅 |
| 判断权归谁所有 | AI 提供建议,人类附带理由做出决定 | 人类只是盖章确认,责任却仍由人类承担 |
| 出错后会发生什么 | 复核与再培训 | 自动降级或解雇 |
真正的决定因素,是制度层面的,而不是技术层面的:议价能力、可执行的标准、劳动者能否查阅并质疑相关数据,以及在算法之上,是否有人同时拥有权力与激励去推翻它的判断。
有一种不对称性值得特别强调。当「增强」被许诺时,承诺的受益者是劳动者本人;而当「退化」真正发生时,受益者却是成本这一栏。这种错位意味着,举证责任理应落在部署这套系统的组织身上:如果一个系统真的带来了增强效果,其设计者就应当能够展示出被保留下来的裁量空间、可供查阅的数据,以及保持稳定的各项目标。当「人类始终留在工作流程之中」这句话里,那个人类唯一被允许采取的行动只是「继续执行」时,这句话本身就算不上增强效果的证据。
政策与谈判层面的应对
工作质量,是一个劳动标准层面的问题,而不仅仅是一个转岗援助层面的问题。对于一名新工作岗位本身就受到算法节奏控制、算法评分、算法解雇的劳动者而言,再培训项目起不到任何作用。真正相关的工具,反而是一些更古老、也更直接的手段:关于用于评估自己的数据的知情权、在做出不利决定之前的通知与人工复核、对下班时间监控的限制,以及能够为排班与工作节奏设定底线的行业性集体谈判。国际劳工组织关于工作条件与职业安全的各项公约,提供了既有的制度背景——即把工作强度与监控问题当作一项标准议题来对待,而不是留给每个人单独去谈判的一项额外福利(ILO,工作安全与健康)。
这一切并不需要把 AI 当成某种独一无二的邪恶存在来看待。它所需要的,只是拒绝接受这样一种预设框架:似乎唯一的选择,只能在「工作岗位数量」与「一无所有」之间二选一。面对工作质量下滑的劳动者,所面对的问题,与分配经济学和权力集中:为何只有少数实验室举足轻重两篇文章中,那些面对岗位替代的劳动者所面对的问题,其实是同一个问题:收益究竟流向了那些被系统监视着的人,还是只流向了那些拥有这套系统的人。个人可以通过职业与收入多元化在家庭层面做一些对冲,但真正的标准建设,是一场集体层面的斗争,而且值得在第二类工作成为常态之前,就着手去打这场仗。