AI 開始幫公司管人了：當一切都被演算法管理，你真的知道底層邏輯嗎
AI先抓住機會與誰能看，再判斷下一步要不要照做。
AI 拿來管理員工，不必然是壞事，但「合不合理」不能只看它有沒有提升效率。真正該檢查的是四件事：收集的資料是不是真的和工作相關、評分邏輯有沒有對員工說明、重要決定有沒有人能覆核與負責、被評的人能不能申訴與補充脈絡。
本文將讓你學到
- 一個紅箭頭、零句說明：員工能懂AI監控評分嗎？
- 「演算法管理」是什麼：把人交給看不見的規則來打分
- 公司要效率、員工要知情，這條界線該畫在哪
- AI 管理界線檢查表：必要性、透明度、人工覆核、申訴救濟
- 收到 AI 績效通知時，員工和主管各該問哪幾句話
- 常見問題
- 最後提醒：回到那個紅箭頭，你該要求的不是分數，是規則
本文適合這些人看
- 公司開始用 AI 監控、評分、篩選或排班，卻不知道界線在哪的員工
- 怕自己被一套看不見的模型評價，又沒有申訴或說明機會的上班族
- 正在導入或考慮導入 AI 管理工具，想避免踩到信任與合規地雷的主管
- 負責制度設計、需要平衡效率與員工權益的 HR、法遵與經營者
一個紅箭頭、零句說明：員工能懂AI監控評分嗎？
品叡的不安，其實不是因為公司績效AI系統給他的分數低。分數低可以改，他怕的是「不知道怎麼改」。
一個沒有解釋的分數，比一個明確的差評更讓人焦慮。
明確的差評至少告訴你問題在哪；而一個只有紅箭頭、沒有理由的數字，會讓人開始亂猜：是不是回訊息太慢？是不是會議發言太少？是不是某個我自己都沒注意到的行為被記了一筆？
這正是 AI 管理最容易出問題的地方：它讓「被評價」這件事，從一場可以對話的溝通，變成一個無法追問的結論。
品叡真正缺的是知道這個分數背後的規則，而知道規則，本來就該是被管理的人的基本權利。
「演算法管理」是什麼：把人交給看不見的規則來打分
要看懂品叡的處境，得先認識一個概念：演算法管理（algorithmic management）。
它指的是用軟體與資料，
自動或半自動地分派工作、監測表現、給出評分或建議，
取代過去由主管親自觀察與判斷的角色。
外送平台用它派單，客服系統用它算回應速度，
越來越多公司用它整合員工的訊息回覆、會議出席、文件產出，算出一個「表現分數」。
它的好處很實在：快、即時、看起來一視同仁，能幫公司找出流程瓶頸。
但它有一個內建的風險，叫做黑箱（black box）：
輸入了一堆資料、輸出了一個分數，中間的計算邏輯卻不對被評的人公開。
當管理者是一個人，你還可以走過去問「為什麼」；
當管理者變成一套模型，那個「為什麼」常常連設定系統的主管自己都答不上來。
再加上模型可能帶有偏誤，例如把「安靜做事、少在群組發言」
誤判成「投入度低」，錯誤就會被一個看似客觀的數字包裝起來，反而更難反駁。
所以「AI 管理合不合理」這個問題，問錯了方向。
真正該問的不是「AI 能不能管人」，
而是「這套 AI 管理，有沒有讓被管的人知道規則、有沒有留下糾錯的縫隙」。
同樣一套系統，公開透明、可申訴，就是管理工具；
黑箱、不可問、無法改，就成了另一種更難對抗的控制。
差別不在科技，在制度設計。
公司要效率、員工要知情，這條界線該畫在哪
品叡和公司之間的這條張力，兩邊也都站得住腳。
公司與主管的邏輯是效率與一致：
AI 可以讓管理更即時、更標準，減少主管憑印象打分的主觀偏誤。
這合理，系統化的資料確實能幫忙發現「某個流程卡住了」「某類工作普遍超時」這種靠肉眼難以察覺的問題。
它的盲點在於：
如果只給結果、不給說明，也沒有申訴管道，員工會覺得自己被黑箱評價。
而一旦員工不信任這個分數，效率的初衷反而會被恐懼和內耗抵銷。
員工的邏輯是知情：
我需要知道自己被哪些資料判斷、用什麼邏輯算分。
這也合理，透明和申訴，本來就是信任的基礎，你總不能要求一個人改善，卻不告訴他要改什麼。
但這一邊也有盲點：
如果完全拒絕任何資料化的管理，把所有量化都當成監控，
可能也會錯過真正能幫助改善流程、甚至替自己平反的機會（有時資料反而證明你沒問題）。
所以界線不在「要不要用 AI 管理」，而在一個可以反覆檢驗的問題：
這套 AI 管理的規則，是不是也對被管理的人公開？
規則公開、可問、可改，界線就守得住；規則藏在系統裡，誰都問不到，界線就已經越過去了。
AI 管理界線檢查表：必要性、透明度、人工覆核、申訴救濟
不論你是收到通知的員工，還是要導入系統的主管，都可以一條一條問下去。
| 檢查項 | 要問的問題 | 沒做到會怎樣 | 可以採取的動作 |
|---|---|---|---|
| 必要性 | 收集的資料（訊息、定位、螢幕時間）是不是真的和工作目的相關？ | 過度收集無關資料，踩到隱私界線 | 要求說明每項資料對應到哪個工作目的，無關的請求停止收集 |
| 透明度 | 員工是否知道資料來源、評分邏輯與用途？ | 變成黑箱評價，無從改善 | 要求提供評分項目與權重的書面說明 |
| 人工覆核 | 升遷、調薪、淘汰這類重要決定，有沒有真人能說明與修正？ | 把人生大事完全交給模型，出錯無人擔 | 要求重要決定須有人覆核並具名負責 |
| 申訴救濟 | 員工能不能查詢、補充脈絡或提出異議？ | 被誤判卻無法平反 | 要求建立可申訴、可補件、有回覆期限的管道 |
用這張表回看品叡的處境就清楚了：
那封信至少在「透明度」和「申訴救濟」兩格直接掛零，他不知道分數怎麼算，也沒有任何地方可以問。
這不是他表現的問題，是這套系統的設計缺了該有的環節。
這張表的用法一句話：
遇到任何 AI 管理措施，先別急著焦慮或反彈，
照這四格逐一檢查，再把缺的那幾格，當成你向主管或 HR 要求說明的具體依據。
收到 AI 績效通知時，員工和主管各該問哪幾句話
同一套界線，員工和主管問法不同，但指向同一件事：把規則攤開。
如果你是員工，收到像品叡那樣的通知，可以這樣問（語氣是請教，不是對抗）：
- 問依據：「想了解這個分數主要看哪幾個指標、各佔多少比重，這樣我才知道往哪裡改善。」
- 問脈絡：「這週我有兩天在處理一個延燒的客訴，這部分系統有沒有納入考量？我可以補充說明嗎？」
- 問救濟：「如果我覺得某個數據不準確，有沒有可以提出異議或請人覆核的管道？」
如果你是主管或 HR，導入或回應這類系統時，這樣自問能避免踩雷：
- 自問必要：「我們收的每一項資料，都能說出它對應哪個工作目的嗎？有沒有純粹因為『系統能收』就收的？」
- 自問可釋：「如果員工問分數怎麼來，我或我的團隊答得出來嗎？答不出來，就不該拿它做重大決定。」
- 自問擔責：「這個由系統建議的決定，最後是哪個人具名負責、能對員工解釋？」
這裡必須誠實提醒：本文不提供法律意見。
AI 管理涉及的個資、勞動權益等規範，台灣與各地的法制仍在發展，
具體該怎麼主張權利，請以你所在地的現行法規、公司內部規範與專業法律諮詢為準。
這張表幫你的，是把模糊的不安，整理成可以開口、有依據的問題。
常見問題
Q1：公司用 AI 監控、評分員工，本身合法嗎？
這要看資料種類、收集方式、有沒有事先告知與同意，以及所在地的法規，無法一概而論，本文也不提供法律結論。可以先做的是用「必要性」與「透明度」兩項自我檢查：公司收的資料是否與工作相關、有沒有清楚告知用途。若有疑慮，依公司規範循內部管道反映，必要時尋求專業法律諮詢。
Q2：分數很差，但我覺得系統誤判了，我能做什麼？
先別急著接受或全盤否定。具體做法是：請對方說明評分依據與指標，補充系統可能沒納入的脈絡（例如你那週在處理特殊任務），並詢問有沒有人工覆核或申訴管道。把焦點放在「要求說明與補件」，比單純抱怨「不公平」更有機會推動修正。
Q3：身為主管，我想用 AI 提升管理效率，又不想破壞信任，怎麼平衡？
關鍵是讓規則對被管理的人公開。導入前先過一遍四格檢查：資料是否必要、邏輯能否說明、重要決定有沒有人覆核、員工能否申訴。把評分項目與權重攤開來談，並承諾重大決定一定有真人具名負責。透明本身不會降低效率，反而是讓員工願意配合的前提。
Q4：是不是只要拒絕所有資料化管理，就最安全？
完全拒絕量化，可能讓你錯過用資料替自己說話的機會，有時候數據反而能證明你的工作量被低估了。比較務實的態度是：不反對被衡量，但堅持衡量的規則要透明、可問、可申訴。你要爭取的是知情與糾錯的權利，而不是「永遠不被看見」。
最後提醒：
回到那個紅箭頭，你該要求的不是分數，是規則
品叡後來沒有對著那個紅箭頭繼續猜。
他把那封信存下來，寄了一封禮貌的信給主管，問了三件事：
這個分數主要看哪些指標、
那週他處理客訴的時間有沒有被算進去、
如果覺得數據不準能不能請人覆核。
主管的回覆其實也支吾，因為系統是新導入的，連他自己都沒完全弄懂計算邏輯。
但正是品叡這幾個問題，讓 HR 開始補上原本缺漏的說明文件和申訴流程。
一個紅箭頭，意外推動了整套制度往透明的方向走了一步。
AI 管理會不會合理，最終不取決於它演算得多精準，而取決於被它管理的人，
能不能知道規則、能不能提出異議、出錯時有沒有人負責。
所以下次再收到一個沒有說明的分數，記得：
你真正該要求的，從來不是更高的數字，而是看見那條算出數字的規則。