执笔｜STEVE TU, Founder, GPES

摘要：欧盟委员会2026年10月14日发布的企业调查显示，人工智能与算法管理正在进入客户服务、绩效监测和人员排班，但多数企业仍处于有限应用或试验阶段。调查中的“90%由人决定”，并不意味着90%的企业已经建立有效人工监督；不同指标的统计分母也需分别辨认。本文核对官方报告、问卷和信息图，分析企业自报数据的证据边界，提出“算法采用—管理用途—人工介入质量—劳动结果”的研究框架，探讨其在劳动法、管理学、组织心理学与中国企业合规中的应用。

关键词：算法管理；人工智能；企业调查；人工监督；劳动风险治理；工作质量；因果推断

一家企业上线智能排班系统后，主管每天打开界面，查看系统生成的班次，再点击“确认”。员工的工作时间、休息安排和收入机会由此确定。如果问企业负责人“最后由谁作决定”，答案很可能是主管；如果问主管是否真正重新评估过每个人的工时、健康限制和调班请求，答案却可能复杂得多。人参与了流程，不意味着人充分理解并审查了结果；系统没有直接发出最终指令，也不意味着它没有实质塑造劳动安排。

欧盟委员会最近发布的人工智能与算法管理调查，把这一问题带入了更广泛的企业治理讨论。它提供的并非“机器全面接管人事管理”的图景，而是一种更加常见、也更值得研究的状态：技术逐步进入管理流程，企业保持对人工决策的强调，同时对技术用于人员事务仍存在明显疑虑。对于中国企业和研究者而言，值得追问的是，在人机共同参与的管理过程中，谁能够发现错误，谁有权改变结果，劳动者又能否有效提出异议。

一、先核对源头：这项调查测量的究竟是什么

欧盟委员会就业、社会事务和包容总司于2026年10月14日发布《Growing use of AI in European companies》，介绍相关调查结果。其对应的正式报告为Flash Eurobarometer 578，完整题名是《Workplace-related drivers and obstacles for the adoption of Artificial Intelligence and Algorithmic Management by SMEs and Mid-Caps》，重点研究中小企业及中型企业采用人工智能、算法管理的工作场所动因与障碍。它属于政府委托的企业调查，不能当作对企业系统实施情况的合规认证。

官方报告及信息图确认，调查于2026年3月20日至4月13日在欧盟27个成员国开展，采用计算机辅助电话访问方式，共完成12,826次访问，目标为拥有1—749名雇员的私营中小企业和中型企业负责人。因此，10月是结果发布节点，调查反映的主要是春季访问时点的企业回答，不是对10月技术使用状况的实时监测。（employment-social-affairs.ec.europa.eu）

理解调查结果，还必须先理解技术定义。报告所称算法管理，涵盖帮助管理者组织劳动、安排任务、工时、绩效和人员配置的数字系统，既包括自动作出决定的工具，也包括向管理者提出建议的工具，而且不要求这些工具一定由人工智能驱动。因此，“采用AI或算法管理”是一个较宽的组合口径，不能直接改写为“采用生成式AI”，也不能理解为这些企业都使用了自动招聘、自动处分或自动解雇系统。

这一区别具有实质意义。一个基于固定规则的排班程序、一个预测订单需求的模型、一个生成绩效评语的语言模型，以及一个自动筛选求职者的系统，可能都进入广义讨论，但它们处理的数据、影响的决定与产生风险的方式不同。研究若只询问“是否使用AI”，就容易把功能差异很大的企业放进同一个类别，最终得到难以解释的平均关系。

调查中的企业也是统计单位，而劳动者、岗位和具体决定并不是同一单位。一家拥有几名员工的企业与一家拥有数百名员工的企业，在企业数量统计中都属于一家企业，但它们覆盖的劳动者人数、每天生成的决定数量可能相差很大。由此不能从“多少企业采用”直接推算“多少劳动者受到影响”，更不能进一步推算某类决定占全部劳动决定的比例。

二、最容易误读的数字，恰恰决定了解读方向

官方发布页显示，42%的受访企业已使用AI或算法管理，另有21%计划采用，多数现有应用仍属有限或试验性质。两者可以描述当前采用与未来意向，却不能相加后写成“63%的企业已经使用”。采用意向也不等于已经安排预算、签订合同或者完成部署。

更需要修正的是应用场景的统计分母。完整报告说明，客户服务与客户关系47%、绩效与生产率监测36%、物流规划及人员排班30%，对应的是“正在使用或计划使用”相关工具的企业。这些比例同时包含当前用途和设想用途，不能全部解释为已经落地的管理活动，也不能直接写成全部受访企业中有36%已经实行算法绩效监测。

“90%由人决定”同样需要拆开。报告中的统计对象是已经使用相关系统的企业，其中38%表示决定完全由人作出、AI不参与决定，52%表示系统提出建议而人始终作最终决定。二者合计构成90%。另有7%表示系统作决定、发生投诉时可能由人复核，2%表示完全自动化且没有人工介入。这里的2%是企业所报告的决策模式比例，不是对全部决定逐笔统计后得到的自动化决定占比。（employment-social-affairs.ec.europa.eu）

因此，不能把90%直接称为“已经实施人工复核的比例”。完全由人决定，与人审查系统建议，是不同过程；有投诉后可能复核，与决定生效前审查，也具有不同的风险结构。若一个排班结果先被执行，员工收入已经受到影响，数周后才通过投诉改变，事后纠正未必能够完全恢复其原有处境。

调查还显示，49%的企业不信任AI或自动化系统处理人员事务，49%将法律或监管不确定性列为采用障碍。两个数字虽然相同，回答的却不是同一个问题，不能据此认定是同一批企业，更不能推断法律不确定性已经被证明是不信任的原因。至于75%认为技术将改善工作质量，应当保留其“预期”性质，不能写成已经观察到的改善效果。

这些校正并非文字上的谨慎，而是证据推理的基础。分母改变，结论就会改变；计划与实践混合，技术普及程度就可能被高估；企业回答与决定记录混合，自动化程度也可能被误判。专业传播的价值，正在于让读者知道数字支持什么，以及它尚未支持什么。

三、从“有没有人”转向“人能不能改变结果”

调查能够记录企业如何描述决策模式，却不能凭这一回答判断人工监督是否有效。一个主管可能逐项核对证据后采纳系统建议，也可能在工作压力下批量确认，两种情况都可能被回答为“人作最终决定”。要区分它们，需要研究实际过程，而不能仅凭流程图上的人工节点作判断。

可以将人工介入理解为一种需要组织资源支持的能力。复核者首先要能够接触相关信息，知道系统使用了什么数据、哪些记录可能遗漏；其次要有适当能力，理解评分、推荐和预测的含义；还需要获得足够时间与实际权限，可以要求补充材料、暂停执行或改变结果。如果缺少这些条件，人工节点便可能只留下一个签名，而没有发挥纠错作用。

设想一名员工因系统统计的任务完成量较低，被列入绩效改进名单。主管若只能看到排名，无法看到任务难度、设备故障和临时支援记录，就很难判断低排名意味着什么。即使主管拥有“批准”按钮，信息结构也已经限制了其判断。若系统默认建议成为唯一可见方案，而否决建议需要层层解释，人作决定的形式仍在，实质选择空间却可能收窄。

本文据此提出，可以在研究和内部治理中区分自动生成结果、人工确认、人工实质复核、人工独立决定等模式。这是一种分析建议，并非本次调查已经建立的法定分类。它的用途，是迫使企业进一步说明：人在何时进入，有哪些资料，能够提出哪些问题，又能采取什么行动。分类本身不保证治理有效，但比统一标注“人工参与”更有解释力。

与此同时，人工实质复核也不能等同于经常否决算法。系统质量较高、任务较清楚时，人经过认真审查仍可能大多同意；系统存在问题时，也可能因为组织压力而很少被推翻。改判率可以成为观察线索，却不宜单独成为绩效指标。否则，企业可能为满足指标人为增加改判，或者反过来用低改判率证明系统优秀，形成新的形式主义。

更合理的评价，是结合独立抽查发现的错误、复核使用的材料、理由是否具体、纠正是否及时，以及劳动者能否补充信息。有效监督需要形成可检验的过程：原结果是什么，出现了什么疑问，复核增加了什么证据，最后为何维持或者改变。留下这些记录，也有助于识别反复出现的问题究竟来自数据、模型，还是管理规则。

四、从管理者自报到劳动者结果：调查研究还缺少哪些证据

企业负责人自报具有明确价值。负责人通常能够回答采购、部署意向、投资障碍和组织安排，跨国调查也能够勾勒较广的分布图景。但管理者对技术的了解可能来自供应商说明或内部汇报，对一线操作的认识未必完整；企业希望呈现规范治理形象，也可能影响回答。指出这些可能性，并不是认定受访者不诚实，而是说明任何测量方式都有边界。

一个更深层的问题是，同一来源同时报告技术采用与工作改善，可能使二者产生共同的认知色彩。积极支持数字化的负责人，既可能更容易将企业界定为采用者，也可能更倾向于期待积极效果。如果研究直接用这些回答证明技术改善工作质量，就可能把态度的一致性误认为实际结果的一致性。

因此，后续研究适合采用多来源设计。企业管理者回答技术配置与制度安排，主管提供具体复核过程，劳动者报告能否理解和质疑结果，系统日志记录推荐、确认与改判，独立评估者则抽查决定质量。不同来源出现差异时，应当进一步解释差异产生的环节。例如，制度写明可以申诉，但员工不知道入口；主管说可以改判，但系统权限并未开放。差异本身就是有价值的治理证据。

工作质量的测量也需要细化。效率、收入、工时可预测性、自主性、隐私、健康安全和公平感，不一定同步改善。自动排班可能减少主管的行政负担，同时增加员工临时变班；绩效监测可能减少某些随意评价，同时加重对可量化指标的依赖。只有分别观察这些结果，才能判断谁获得收益、谁承担成本。

尤其不能把“没有投诉”解释为“没有伤害”。劳动者可能不知道决定由系统支持，也可能认为提出异议没有作用，或者担心影响后续机会。相反，申诉机制改善后，投诉数量短期上升，可能意味着原来隐藏的问题终于能够被表达。解释投诉数据，需要同时考察机制知晓度、使用成本、处理速度和实际纠正情况。

五、四层分析框架，怎样转化为科学研究

基于此次调查的问题结构，本文建议建立“算法采用—管理用途—人工介入质量—劳动结果”的四层框架。第一层识别企业使用了什么系统、部署到什么程度；第二层识别它参与什么管理活动；第三层考察人如何审查与改变结果；第四层测量对效率、收入、工时、健康和公平的影响。四层之间应当通过可观察变量连接，不能预先假定采用技术必然改善或损害劳动结果。

这一框架首先有助于改善变量构造。若只设置“是否采用AI”的二元变量，研究很难区分客服辅助和绩效处分建议。若进一步记录用途、决定后果、人工权限和实际执行，就能提出更具体的假设。例如，在影响较大的决定中，具有补充证据权限的复核，是否比单纯确认更能纠正数据错误？明确的问题有助于避免研究停留在宏观态度比较。

横截面调查可以描述这些因素之间的相关性，但因果解释仍需谨慎。管理基础较好的企业，可能既更容易采用技术，也更容易提供较好的劳动条件；经营困难的企业，也可能为了降低成本而集中采用监测工具。观察到采用企业的结果不同，不足以判定差异由技术造成。增加控制变量有帮助，却不能保证所有重要差异已经被处理。

若企业分批上线系统，可以收集上线前后的连续数据，比较不同部门或企业的变化。但采用双重差分等准实验方法时，需要检验处理前趋势，了解上线时间是否与业务危机、裁员或组织调整重合。部门间还可能共享人员与管理经验，导致未上线部门受到影响。方法名称本身不会自动提供可信因果关系，可信度来自设计与情境的匹配。

对于人工介入质量，更适合从低风险模拟任务开展随机实验。研究者可以让不同管理者审查相同案例，随机改变系统是否提供理由、是否显示不确定性、是否允许查看原始材料，再观察错误识别和最终决定。若要评价自动化依赖，应设置具有独立判定依据的案例，而不能把“是否同意算法”直接当作对错标准。

这类实验也应避免把劳动者权益变成试错成本。涉及招聘、工资、处分和解除等真实高影响决定时，不能为了研究效果而故意撤去必要保障。可以使用经过适当处理的历史案例、影子运行或者专家复核，在不直接改变劳动者待遇的条件下比较方案。研究伦理与识别质量相互关联：参与者若担心研究记录用于惩罚，回答和行为也可能随之改变。

六、劳动法、组织心理学与人机交互，可以怎样形成共同解释

劳动法关注决定的依据、程序和责任，管理学关注信息如何支持组织目标，组织心理学关注信任、公平和行为，人机交互研究则能够分析界面怎样引导注意与选择。算法管理研究的难点，恰好位于这些领域的交叉处。一个具有法律意义的人工复核要求，需要被转化为组织权限和界面功能；一个看似纯技术的默认设置，也可能影响劳动者能否获得实质救济。

例如，系统把某员工标注为“高风险”，即使最终决定由主管作出，这一标签也可能影响后续证据的阅读方式。研究可以比较先展示评分、先展示事实材料，以及暂不展示算法结论时，管理者如何判断。同样，若拒绝系统建议需要填写长篇说明，而接受只需一次点击，界面的操作成本便可能改变选择。这里提出的是可检验机制，不能凭一次企业调查认定其已经普遍发生。

组织公平研究则可以帮助区分结果接受与程序评价。劳动者可能不满意最终排班，却认可自己获得了陈述机会；也可能表面接受决定，实际认为申诉无用。研究应分别询问是否知道依据、能否纠正事实、是否得到回应，以及提出异议是否带来不利后果，避免以一个“满意度”问题概括整个程序。

课堂教学可以围绕一个完整案例展开：排班系统依据历史订单配置人手，主管批量确认；一名员工因健康原因提出调整，却被系统识别为可用时间不足，随后获得更少班次。学生需要沿着数据进入、规则运行、人工确认和异议处理逐步分析，而不能仅凭最后谁点击按钮判断责任。这样的案例能够把技术流程与劳动权利具体连接起来。

七、中国企业的转化重点：让人工介入形成可检查的制度能力

对中国企业而言，欧盟调查最有用的启示，是推动内部检查从“采购了什么工具”延伸到“工具参与了什么决定”。同一款系统可能由业务部门采购、由技术部门维护、由人力资源部门使用，最终却影响工资与岗位安排。若缺少完整流程视图，各部门都可能只掌握其中一段，出现有人使用、无人说明责任的状态。

现行中国法律已经提供相关规范基础。《个人信息保护法》第二十四条对利用个人信息进行自动化决策提出透明、公平、公正要求，并对通过自动化决策作出重大影响决定规定了说明和拒绝仅通过自动化决策的权利；第五十五条将利用个人信息进行自动化决策列入事前影响评估事项。具体劳动管理系统是否符合相应构成与适用条件，仍需结合功能、数据和后果判断，不能仅凭产品名称下结论。

企业可以据此建立与风险程度相适应的检查机制。对一般辅助信息，重点核验准确性和使用范围；对影响收入、岗位和劳动机会的建议，明确复核人、资料权限和暂停执行条件；对出现争议的决定，保存必要理由与纠正记录。上述安排属于治理建议，不意味着所有记录都应无限保存。记录内容、访问权限和保存期限，同样需要遵循必要性与个人信息保护要求。

供应商关系也应进入治理范围。企业若不能了解系统输入、更新和异常处理方式，内部复核就容易停留在表面。采购与服务协议可以围绕错误纠正、版本变化、日志获取和争议协助明确安排。但合同约定不能替代企业对自身管理决定的判断，更不能向劳动者简单解释为“系统算出来的，我们也无法改变”。

从劳动风险治理角度看，事前应识别用途和可能后果，事中应监测实际运行与人工介入，事后应支持事实纠正和救济，并将问题反馈到系统及规则调整。三者相互连接，才有可能避免同类错误反复发生。企业若只在争议出现后增加一个人工签名，往往无法解决原来缺失的信息、权限和组织激励。

这项调查没有证明人工智能已经普遍改善工作，也没有证明人工参与只是形式。它提供了一幅需要继续验证的企业认知图景。真正值得推进的工作，是把“人仍在决定”转化为能够观察和检验的事实：人看到了什么，审查了什么，能够改变什么，以及劳动者在错误发生时能否获得及时回应。

结 语

欧盟最新企业调查表明，AI与算法管理的采用、用途和信任需要分别分析。场景比例包含计划采用者，“90%由人决定”来自两类不同决策模式，不能等同于有效复核已经实现。中国研究与企业治理可进一步连接制度文件、系统日志、管理者行为和劳动者体验，评价人工介入是否具备信息、时间、能力与权限，并以实际劳动结果检验治理效果。

文末关键词：企业自报；统计分母；人工复核；工作组织；组织公平；多来源研究；算法可审计性

参考来源：

[1] European Commission, DG EMPL. Growing use of AI in European companies. 2026年10月14日。

[2] European Commission. Workplace-related drivers and obstacles for the adoption of Artificial Intelligence and Algorithmic Management by SMEs and Mid-Caps. Flash Eurobarometer 578, 2026. DOI：10.2767/6183475。本文核对了调查定义、应用场景分母及人工决策模式。

[3] European Commission. Drivers and obstacles for the adoption of AI and algorithmic management in the workplace. Flash Eurobarometer 578信息图。DOI：10.2767/7314329。

[4] 《中华人民共和国个人信息保护法》，重点参见第二十四条、第五十五条。

文章标签：#欧盟企业调查 #人工智能 #算法管理 #劳动风险治理 #人工监督 #科学研究方法 #劳动管理合规 #GPES