★ FEATURED ARTICLE 1. 那个让我必须表态的深夜一个排班系统引发的冲突1.1 系统给出了“最优方案”但它没法替我说“我负责”几年前我参与过一个仓库智能化改造项目一开始大家都很兴奋新上线的排班与任务调度系统能预测未来三天的订单波峰波谷自动生成人力安排把设备使用率、人员工时成本还有订单履约时效全部揉进一个目标函数里。上线第一个月效果确实明显主管们不用再对着Excel表反复调人系统每天凌晨自动把排班表推到每个人手机里。但有一天深夜我收到仓库现场主管的电话。系统把一位老员工排到了凌晨三点到岗理由很理性按照历史数据这位员工在凌晨时段的差错率比平均值低百分之二十而且他负责的区域紧邻冷链区深夜订单往往集中在那边。主管说“我知道系统算得对但这位员工已经连续三周上夜班了再安排凌晨班他家里孩子和老人没人照看。可如果我手动改掉就违背了系统建议万一月底绩效考核不达标算谁的”那一刻我意识到所谓“决策”早就不是技术问题了。系统不是在给我答案而是在把一个选择题推到我面前效率与公平、规则与例外、全局最优与个体代价。系统算得越精确越显得我的“拍板”笨拙、主观、缺少依据。但恰恰是这种笨拙的主观才是不可推卸的东西——因为最终承担后果的不是模型是那个具体的人。1.2 为什么这种冲突不是偶发事故而是结构性常态后来我陆续接触过即时配送平台、客服质检系统、制造车间的柔性调度项目发现同样的事情一而再再而三地出现。大家总以为算法带来的是确定性实际上算法把原来的“隐性权衡”变成了“显性冲突”。过去主管排班凭的是对人的了解和对现场节奏的体感他会在心里默算“这哥们儿家里刚添了孩子这周不能排晚班”这种权衡很模糊也很少被记录下来。算法不一样它会亮出严格的代价函数如果你要照顾某个人的特殊情况你就得舍弃多少件订单的处理量、多付出多少成本。于是每一个例外都变成了一次需要别人站出来表态的“决断”。这种冲突无法靠优化算法消除。你换了更聪明的模型它只会更清楚地告诉你照顾一个人就必然在另一个指标上留下痕迹。只要劳动还是由具体的人来完成只要劳动者还有生活、有身体、有家庭效率和公平之间就永远存在需要人去裁决的灰色地带。问题不在于人工智能太强而在于我们长期养成了一种习惯以为技术可以替我们“算出”正确的选择。但伦理恰恰不是计算出来的它是在必须选择的时候由人站出来说一句“这样决定我来承担”。2. 劳动现场正被算法悄悄改写它改变了什么又没改变什么2.1 从“人调度机器”到“算法调度人”三个典型的劳动场景要理解这场伦理重构先得看清劳动现场发生了什么变化。我把自己接触过的场景归纳成三种典型形态第一种是仓储物流里的排班调度。以前是人拿着纸质单据指挥叉车、分拣员和打包台机器只是被动的工具。现在系统实时感知订单量、库存位置、人员位置直接向每个人推送下一步动作。人还在干活但“干什么、什么时候干、干多快”很大程度上由算法定。第二种是即时配送的派单逻辑。骑手打开客户端看到的是一个又一个由系统计算出的订单路线被规划成一条看似最省时间的折线系统还会根据你的接单率、送达时间不断调整后续派单强度。骑手不再需要丰富的地面经验反而学会了一件事服从系统的节奏。哪怕前面路口在堵车、哪怕这单的收件人备注了“只放到前台不要打电话”系统都不会把这种例外算进时间预算里。第三种是客服中心的语音质检。过去主管随机听几条录音凭经验判断接待是否规范。现在算法把每通电话转成文字、情绪曲线、关键词命中率自动生成绩效分数。员工关心的问题不再是“我到底哪里做得不好”而是“为什么这个模型认定我态度消极”——没人能给出准确的解释于是申诉变得异常困难。这三个场景的共同点是劳动者越来越多地被算法“安排”而他们曾经引以为傲的经验、直觉、随机应变正慢慢失去用武之地。2.2 消失的不仅是体力活还有中间层的微判断我们通常把自动化理解为“体力活被机器替代”但在智能系统介入之后真正被替代的其实是“中间层的微判断”。以前一个熟练的派单员会知道雨天要留出额外时间、知道某个写字楼的电梯经常排队、知道哪个骑手今天状态不好不适合接爬楼单。这些判断很小而且说不清一整套逻辑但它构成了劳动中的人性部分。现在算法把这些统统压缩成数据特征天气、历史配送时长、骑手近期效率。它能复现大部分规律却把例外场景变成了死角。问题在于即便规则细节被剥夺一线劳动者依然对最终结果负有责任。客户投诉配送延误公司首先找的是骑手员工被投诉服务态度质检首先怀疑的是员工。算法可以解释为“根据历史数据预测”但面对具体的人时承担怒火的永远是另一个具体的人。这种“判断与责任分离”的状态就是伦理需要重新奠基的根本原因。劳动伦理在过去建立在一种朴素的统一性上谁做事谁就知道自己为什么做谁决定谁就承担后果。现在算法介入了它既不做事的实体也不承担后果却插在了“判断”和“责任”之间把一条完整的链条切成两截。2.3 被保留的恰恰是责任算法永远把后果留给决策者我在项目里反复看到一种荒谬系统给出了建议一线管理者决定采纳或否决但出了问题时组织会同时把责任推给两边——对上级说“系统建议的”对员工说“你已经确认过了”。仿佛算法是没有任何人格的保险谁碰它谁就沾上风险。这说明算法技术并没有替代人的伦理责任只是把责任重新分配、重新隐藏。它会制造一种“退出判断”的幻觉如果我完全按照系统输出执行我就不需要为自己的选择负责。但真实世界不吃这一套代价总会落回某个具体的人身上。被压榨的劳动者、被裁掉的冗余岗位、被系统误判的绩效所有这些后果没有一个由模型承担。所以我才说智能时代的伦理必须从“决断”出发。因为技术越发达人越容易想躲在数据背后。伦理要做的恰恰是把人拽回来逼着你说出那句“这是我决定的”。这听起来很吃力但它是唯一能让责任重新落地的路径。3. 决断为什么成为伦理的起点一场“无主责任”的突围3.1 传统伦理的失效规则覆盖不了的灰度地带我们习惯以为伦理问题可以靠规则解决劳动法规定了工时上限公司制度规定了排班原则职业道德要求我们一视同仁。聪明的人只需要把规则翻译成算法代码仿佛伦理问题就自动消解了。但智能系统的本质是不断逼近边际。规则设定“连续工作不得超过一定小时”系统就把排班精确地控制在恰好卡在线上仿佛只要不超时疲劳就不存在规则要求“安排工作要考虑员工意愿”系统可以将意愿量化成一个权重但真正面对一个单亲家长的特殊请求时权重无法表达“这件事对我有多重要”。传统伦理就像一本写好的字典假设每个情境都能查到一个对应的答案。可智能系统把情境变得高度动态、高度个性化字典永远跟不上新的词条。规则不是没有用而是只能覆盖一部分剩下的大量决策需要在具体语境中做出。这个“剩下的部分”就是我们说的决断。3.2 “我决定了”是一种能力也是一种负重伦理学家们从不同方向讨论过决断的意义但落到劳动现场它没那么玄决断就是一个人愿意用自己的名字去为一件事的结果作担保。系统可以说“模型准确率达到百分之九十五”但它不敢说“我保证这位员工不会因为连续夜班而生病”。只有主管敢说或者说只有主管应该说出“我权衡过了这个例外必须开”。但这恰恰是很难的一件事。因为现代职场训练我们回避责任凡事都讲流程、讲制度、讲数据支撑。独自承担一个非标准决定意味着你要面对质疑可能要写说明报告还可能因为“不服从系统”而被贴上“不专业”的标签。我在项目里见过很多这样的瞬间主管盯着屏幕上的弹窗提示一边是系统冷冰冰的“建议”一边是员工期待的眼神。最后他们大多选择了照抄系统不是因为他们真的认同而是因为照抄系统最安全——出了问题至少可以指向屏幕“是系统让我这么做的。”这种“向算法交出判断权”的过程非常自然也异常危险。3.3 重新奠基的三层地基个体判断、组织担当、系统透明把伦理重新奠基在决断上不是说每个具体决定都要靠个人硬扛而是要在三个层面同时重建支撑结构。个体层面每一位劳动者和一线管理者都要恢复“判断感”。系统输出的东西至少要通过一道内在审查这个建议合理吗它与我知道的现场情况冲突吗我能不能说出自己调整的理由当你说不出理由时你可以选择服从但服从也必须是“确认过的服从”而不是糊里糊涂地执行。组织层面必须建立保护决断的制度。当一线管理者基于现场判断修改了系统建议组织不应该处分他反而要鼓励他把理由写进系统形成一条“例外日志”。这样决断不再是私下的冒险而是组织学习和修正模型的重要输入。系统层面设计算法时要预留人文变量和解释通道。排班模型不应该只有成本和效率也要把连续工作时长、个体疲劳水平、个人特殊申请频率作为显式的数据项而不是藏在黑箱里。同时对于每一个影响劳动条件的决策系统至少要给出可理解的解释让人能够反驳而不是只给一个分数。这三层地基拼在一起伦理才算真正“重新奠基”了——它建立在人的决断上而不是建立在算法的结果上。4. 可落地的“决断工具箱”给劳动者和一线管理者的四个步骤4.1 第一步区分“规则内审批”与“规则外决断”很多人站在决策点前第一反应是焦虑。我给一线主管们一个很简单的入门工具先把眼前的处境分类问自己两个问题。第一有没有明文规定可以覆盖这个情况比如工时超过法定上限、排班违反约定协议这些不用讨论规则已经给了答案直接按规则执行并向上反馈这不是决断而是守规矩。第二如果规则没有覆盖或者规则之间有冲突那就进入“决断区”。比如系统建议排一个人去危险区域工作但那个人明确说自己今天身体不舒服劳动安全制度说要保护员工健康生产指标又说要优先出勤率——这就是规则与规则的冲突算法没有办法给你一个“无痛”答案。只有承认自己进入了决断区你才会认真做后面的几步而不是假装“只要按系统就没问题”。我在培训中经常让人做一个小练习让每个人从过去一个月的工作里找出三个“当时有点犹豫”的决定然后统一打分——是规则明确能解决的还是真正需要判断的。结果大多数人发现自己把大部分本该决断的时刻都当成“系统说了算”给混过去了。4.2 第二步画一张利益相关方图承认进入了决断区之后别急着选方案。先别碰模型给出的“最优”先画一张图把所有会被这个决定影响的人列出来。每个方案至少影响四类人具体的劳动者本人、他的同事、组织的管理者、最终接受服务的用户。不要只用抽象词“公司”“客户”一笔带过要具体到“某个员工明天早上要送孩子上学”“另一位同事会因此多顶一个晚班”“某个客户可能会因为这场调整多等十分钟”。把利益写下来尤其要标记出哪些损失是不可逆的、哪些只是临时的不便。比如排班冲突里如果照系统执行老员工可能连续熬夜导致健康受损这是不可逆风险如果改排班其他同事临时顶班可能只是几天的不便订单履约效率可能短暂下降但这个损失是可以承受的。利益相关方图不负责给你答案它只负责让你看到全貌避免你被系统的单一指标牵着走。这一步也适用于劳动者自己。当你面对不合理的算法派单时可以试着用同样的方法分析如果按系统要求去做我自己的安全、体能、精神状态会受到多大影响对方客户真正的诉求是什么公司考核指标要的是什么把各方利害梳理一遍你的判断就有了坐标系不再只是凭一股情绪在对抗。4.3 第三步用最坏情况倒逼选择很多时候我们不敢决断是因为贪心想既保住效率又照顾到每一个人。机器优化可能给你一个“帕累托最优解”但现实往往不允许。这时候我推荐一个笨办法把每种选择的最坏结果写出来然后问自己——哪个最坏结果是我最不能接受的。照系统执行的最坏结果可能是某位员工因为连续熬夜倒在地下后面引发一整个班组的不满和罢工改回人工排班的最坏结果可能是这个月订单延误率上升被区域经理批评。把两个“最坏”放在天平上大多数人立刻就知道自己该往哪个方向倾斜。这不是精致的利益计算而是提前为自己的决定画出一条底线有的事再怎么说也不能做。这个方法对普通劳动者也有用。面对系统派单如果接受最坏的结果可能是安全事故如果拒绝最坏的结果可能是扣绩效。当你发现自己连“扣绩效”都能接受但你无法接受自己因为疲劳而出事的时候答案其实已经出来了剩下的是怎么用语言把它表达出来。4.4 第四步把理由写出来让决定可以接受质疑最后一步很关键不要把决断留在一句“我凭直觉觉得不行”上。你可以在系统里备注也可以在日报里写一段说明内容只需要回答三个问题我看到了系统没看到的信息是什么我为什么认为这个信息更重要如果最后结果不好谁应该承担什么责任这个“决策日志”不是为了事后甩锅而是为了给组织提供一个修正模型的样本。我在项目里发现系统之所以越来越“不近人情”恰恰是因为它在优化过程中根本看不到“例外”的存在。当管理员把一条条人工调整的理由记录下来积累到一定量之后你就能反过来给算法团队提需求你们应该把“连续夜班次数”和“个人申请例外次数”都纳入输入特征而不是让它拍脑袋。对一个劳动者来说写下来的理由还是你的“话语权凭证”。当你提出申诉时一句“因为系统没有考虑我需要去医院照顾家人”是模糊的但如果你能写清楚这件事的频次、发生时间、以及系统规则如何与你的正当需求冲突协调人会更容易重视你的诉求。决断不是沉默的对抗它是可以被检视、被讨论的公共行为。5. 从个人到组织如何让“决断”成为可持续的制度实践5.1 在公司里建立“算法影响评估”的流程单独的个人决断是脆弱的如果没有组织制度支持它很快会在绩效压力下被碾碎。我参与过的相对成功的项目几乎都有一个共同点在引入智能化系统之前先做了一轮“算法影响评估”而不是上线之后才去救火。这个流程不必复杂我给出一个可以直接用的五步版本。第一步定义范围说清楚系统要影响哪些岗位、哪些决策环节。第二步梳理数据模型会用到劳动者的哪些数据是否涉及健康、家庭、住址等敏感信息采集过程有没有事先告知。第三步识别风险把可能发生的损害列成清单包括但不限于过度疲劳、收入波动、申诉困难、歧视性结果。第四步让利益相关方参与至少要找几个一线操作工和基层主管来讨论而不是只在管理层办公室里做推演。第五步设定复盘节点上线一个月、三个月、半年之后回头检查当初预测的风险发生了多少有没有出现新的问题。这套评估听着像大公司合规部门干的活儿但实际上一个小团队也能做。关键是它能把“决断”从私人事件变成组织流程的一部分让每一个选择都有机会被提前讨论。5.2 劳动者的异议通道申诉不是反抗而是补全信息算法系统有一个天然缺陷它看不到被它伤害的人的表情。要弥补这个缺陷唯一有效的办法是建立能真正起作用的申诉渠道。这个渠道不能只是设一个投诉邮箱。我在项目里见过太多“假申诉通道”邮件发过去自动回复“感谢您的反馈”然后石沉大海。真正有效的通道至少要满足三个条件一是独立申诉不能由业务部门直接判罚否则等于让运动员当裁判二是可见员工提交异议后能清楚看到处理到哪一步、由谁在处理三是有时限任何申诉都要在规定时间内得到一个由人给出的答复哪怕答复是否定的也必须附上理由。更重要的是组织的心态。当员工对系统决策提出异议不要本能地解读为“不服从管理”而要把它当成一条免费的信息补全渠道。员工往往掌握着数据模型没有记录的现场信息比如某个路段因为学校放学常常堵车、某位老员工其实有旧伤不能久站。这些信息比任何特征工程都珍贵让异议流动起来模型才有机会变得更合理。5.3 培训不只是学操作更要练判断很多公司在智能化改造时给员工做培训内容不外乎“怎么登录系统”“怎么查看排班”“怎么确认接单”全是操作层面的东西。但真正需要训练的是决断力——在系统建议与现场情况冲突时你怎么判断、怎么沟通、怎么承担。我建议把培训改造成案例研讨的形式。挑出真实发生过的灰色事件改成完全匿名的文字材料让学员分组讨论如果你是当时的主管你会不会改这个排班为什么你的理由怎么向同事和上级解释如果系统后来因为你修改建议导致指标波动你如何应对追责讨论过程不需要有标准答案重要的是让每个人开口说出自己的权衡过程。这类练习做得越多个体在真实场景里的“决断肌肉”就越有力量。不要相信什么“决断能力是天生的”它更像一种可以训练的机能需要的是在安全环境里反复试错。否则等到真正要扛事的时候大多数人只会本能地缩回“系统让我这么做的”这个壳里。6. 我在几个项目里沉淀下来的判断原则个人收尾6.1 原则一谁承担后果谁有权最终拍板在任何一个劳动相关的算法决策里我都会先问一句如果这个决定错了最惨的人是谁如果答案是“一线那个具体劳动者”那么不管数据模型多漂亮、不管上级领导多认可都必须让最接近现场并且愿意负责的人来拍板。权力跟着责任走责任是决断的基础。没有承担后果意愿的人不配替别人做决定。6.2 原则二技术建议是“论据”而不是“指令”我可以负责任地说任何算法给出的输出本质上都只是在说“如果你在乎这些指标那么这是最优解”。它建立在若干假设和目标权重之上而这些假设本身就需要人来审查。把系统建议当成论据你会认真判断它的前提是否成立把它当成指令你就彻底放弃了判断。两者之间的差距就是人性所在。6.3 原则三宁可慢一点也要保留让人说“不”的入口很多智能化系统追求极致“无人工干预”试图把每个环节都自动掉。但我在实际项目里吃过亏以后越来越坚持一件事算法再高效也要在关键节点留一个允许人说“不”的入口。这个入口可能只是改一个排班、跳过一单派送、撤掉一条自动扣罚但它一旦消失整条系统就会变成一座没有窗户的房子。人在里面待久了会忘记外面还有天空。如果你现在也在做智能系统、也在管理一群被算法安排的人或者你自己就是那个被算法安排的人我建议你都从“决断”开始思考那些模型之外的灰色地带。技术解决不了的问题最后还是要靠一个具体的人认真地、权衡地、有勇气地说一句“这件事我这样决定。”那才是劳动与伦理重新接轨的地方。
阅读完成 · 觉得有帮助？
