算法管人，边界在哪里？

如今，企业把工作搬进各类协同平台或企业IM（即时通讯），留下的数据已经相当丰富。消息发送量、会议时长，知识库里谁写了文章、获得多少阅读和点赞……近年来，这类协作软件还推出了能够汇总群聊、识别待办事项、生成日报周报摘要的AI助手。

这很容易让管理者产生一个念头：员工写的日报周报，难免挑有利于自己的事情说，既然系统有记录，何不让AI直接整理，甚至据此评价表现？当人们讨论AI会替代哪些岗位时，企业内部已经发生了另一种变化：AI开始参与主管原来做的工作，帮助分配任务、检查进度、汇总表现，甚至提出考核建议。

员工呢？他们可能欢迎算法按公开规则排班、分配资源，却对算法根据消息数量、在线时长和任务记录评价自己十分抵触。为什么同样一套技术，有时让人觉得公平，有时却引发不满？这里需要先分清两件事：算法实际上是否公平，以及员工是否觉得它公平。

前者要检查数据、规则与结果，后者涉及员工对决策过程的理解。行为决策研究尤其关注后一层，管理实践中也应当如此，因为员工怎样看待算法，直接影响他们对AI管理的接受程度。

一算法为何被视为更公平

？假设一个部门要分配春节值班，主管临时安排，员工可能猜测谁会更受照顾，来值班时甚至由于这份猜测而导致消极工作；另一个例子，配送订单按公开的距离和时效规则，自动分配，员工能够了解分配依据，也有机会核查执行是否一致，所有人按规则“打怪升级”。

企业从提高效率的角度考虑，当然希望借助AI减少人为偏私。但事情没有那么简单。大量行为科学领域的实验和学术研究，体现了其中的复杂性，也揭示了其中的机制。研究人员曾在一座仓库进行了为期15天的现场实验。

他们随机安排拣货员工从算法或从人工分配员处领取任务单，两组背后实际使用同一套分配规则。结果，领取算法任务单的员工明显认为分配过程更公平，同时这批员工的拣货效率也相应提高。这说明，人们对公平的感知不仅取决于规则本身，也可能取决于谁在执行规则。

管理学所说的“程序公平”，关心的是一项决定是怎样作出的。这一概念的经典表述列出了六条标准：规则是否一致、决策者有没有偏见、所依据的信息是否准确、出了错误能否纠正、受影响的人能否表达意见，以及程序是否符合基本的伦理规范。

算法的优势集中在前两条：它可以稳定执行同一套规则，也较少让人联想到主管的私人好恶。围绕算法管理的争议，则集中在第三到五条，这也是本文后面几个部分的线索。当决定面向整个群体时，人们更倾向于选择算法。

这是因为，群体决策使人们更关注公平，更为重要的是，人们认为算法会给予每位群体成员同等程度的考虑。不过当群体成员的偏好更为同质，或决策针对群体成员逐一作出、而非针对群体整体作出时，这种偏好差异会减弱。

算法在这里赢得的信任，来自人们相信它会同等地考虑每位成员。接下来的问题是，一视同仁的规则落到每个人身上，是否仍然公平。

二、当算法遇到个体差异统一的统计标准如何反映个体表现，往往也会引发争议。2020年，英格兰取消A-level考试，改用教师评估与统计模型确定成绩。模型参考学校历史成绩、学生此前的学业表现等信息，试图控制不同学校之间的评分差异，却导致部分学生的成绩低于教师评估，引发强烈争议。

最终，英格兰改按教师评估成绩与模型计算成绩中的较高者确定最终成绩。算法能否获得信任，很大程度上取决于它如何处理群体规律与个体情况之间的差异。企业也是如此。统一按签约金额评估销售，容易忽略开拓新客户比维护老客户耗时；

统一按工单数量评估客服，也可能让接手复杂投诉的人吃亏。算法在减少偏私方面赢得信任，能否准确评价不同人的工作，肯定需要另外检验。从员工角度，当决定影响自己的收入和前途，员工通常希望有人了解具体情况。

比如一位销售连续三个月没有签单，可能是效率低，也可能正在谈一个周期很长的大客户。行为决策研究把这种担心称为“独特性忽视”。比如在医疗AI领域，实验发现，即使实验告知参与者AI的准确率与医生相当，甚至更高，人们仍可能担心机器无法考虑自己的特殊病史和身体状况。

当医疗AI被描述为能够提供个性化服务，或者作为医生的辅助而非替代者时，这种抗拒会减弱。员工不仅希望自己的特殊情况得到考虑，也希望自己的解释被认真对待。对企业来说，这提示我们，提供解释渠道之外，还应关注员工是否感到自己的解释得到了认真理解和回应。

三数据能否代表真实贡献

？回到开篇的问题：企业IM记录的数据，能不能用来评价员工？答案是，记录准确与评价准确之间确实还有一段距离。比如一个项目经理一天发了几十条消息，可能说明他协调了大量工作，数字背后的工作价值需要结合具体情境判断。

再设想一家科技公司，把代码提交次数、邮件回复速度和项目节点纳入考核。一名资深架构师忙于底层系统重构，花了大量时间比较方案、排查长期风险，代码提交反而少了。系统给出低评级，主管却知道，这项工作可能关系到未来几年的产品稳定性。

学术界将这种顾虑称为“算法化约主义”：人们担心复杂的个人表现被过度量化，工作的具体情境遭到忽略。现实中的算法管理系统，也确实会遗漏工作细节。2026年8月，海外媒体采访美国部分沃尔玛门店员工，有人反映AI估算补货时间时，没有充分考虑检查保质期、处理破损商品、清理污渍等工作。

沃尔玛负责员工工具的副总裁在采访中表示，门店可以灵活使用工具，公司不会因员工没有遵循技术指引而处罚。如果企业过度相信可记录的数据，员工也会跟着调整行为。只看沟通数量，大家可能增加无用的消息；

只看工单完成速度，复杂问题就容易遭到推诿。原本用来观察工作的指标，一旦直接变成绩效目标，员工就可能把精力花在让数字更好看上。这正是社会科学中的“坎贝尔定律”：量化指标越是被用于重要的考核与决策，就越容易受到人为迎合或操纵，并可能扭曲原本希望衡量的行为。

管理者应该警惕这种情况，尤其需要分清哪些记录能够说明工作成果，哪些只能说明员工在系统里留下了多少痕迹。统一的评价标准可以减少人为偏私，但如果标准本身无法充分反映工作价值，也可能产生新的不公平。

四、企业如何划定算法管理的边界？AI进入管理，是企业眼下很容易采取的一步。它能整理会议纪要、追踪待办事项，也能把原来需要主管反复翻看的信息汇总出来。但企业在决定怎样使用这些能力时，最好把“系统能看到什么”和“系统有权决定什么”分开考虑，并沿着授权、判断、复核与规则修正几个环节，划定边界。

首先，明确算法的决策权限。例如排班、工时核算、标准工单流转，在规则明确、数据可靠且设有异常处理渠道时，可以让算法承担更多日常工作；涉及复杂绩效、晋升、岗位调整和处分，AI提供的数据与建议应当进入管理者的判断，最终决定需要有人负责。

运行中，管理者还应要求AI把异常变成需要核查的问题。比如系统发现员工一周内回复消息明显减少，可以提示主管了解原因。决定作出后，复核必须有实际作用。员工可以补充项目背景、提出异议，主管应有权查看证据并改变结果。

贯穿这些环节的，是清楚的数据使用规则：员工需要事先知道企业收集了哪些数据、准备用来做什么。系统统计知识库阅读量，本来可能是为了改善知识共享；如果企业后来把“阅读不够多”用于处罚，就改变了数据的使用目的。

涉及个人评价时，数据范围、评价依据、查询权限、申诉渠道都应当讲清楚，管理者也要定期检查不同岗位是否因为统一指标而受到系统性误判。最后，把复核反馈用于规则修正。如果多位员工都反映某个考核指标不合理，企业就该检查指标设计。

AI已经开始帮助主管搜集和核对信息，一些企业甚至准备让它参与考核；管理者也因此需要重新考虑怎样评价员工。AI可以帮助企业减少人情干扰、发现管理盲区，但在评价一个人的贡献时，管理者仍要确认记录是否完整、指标是否适用，听取当事人的解释，并承担最终责任。

真正有效的AI管理，不仅要让规则公平地对待每个人，也要让每个人的独特情况得到公平的对待。（作者李希琳，系长江商学院市场营销学助理教授；王小龙，系长江商学院案例研究部高级研究员）