一名外卖骑手打开应用后，系统决定向他展示哪些订单、预计送达时间、路线、奖励和风险提示。顾客评分、取消率、位置和接单速度又会进入下一轮分配。管理者没有消失。排班、监督、评价和纪律被重新写进数据、界面和自动规则。
破除误解
算法管理不等于“AI 当老板”。很多系统并不使用复杂机器学习，只按预设阈值排序、计时和触发警告。真正重要的不是模型是否先进，而是它是否影响任务、工资、工时、评价、晋升或解雇。第二个误解，是认为算法天然比人公平。统一规则可以减少部分随意偏见，但数据来自既有组织，目标由管理者选择，错误成本也不会平均分配。看似中性的效率指标，可能忽略照护责任、残障、交通环境和客户歧视。
第三个误解，是把工人当成被动对象。工人会分享经验、测试规则、绕开不合理指标、建立互助网络、申诉和集体谈判。算法控制与工人行动构成持续调整的关系，而不是一次性技术部署。
算法管理做了什么
算法管理通常包含五类功能。第一是匹配与分配：把订单、班次、客户或项目分给不同劳动者。第二是指导：规定路线、脚本、节奏和任务顺序。第三是监测：记录位置、屏幕、键击、通话、速度、停留和产出。第四是评价：用评分、预测或排名判断表现和风险。第五是奖惩：调整报酬、可见任务、晋升资格，甚至暂停账号或终止关系。
这些功能可以提高协调速度，也会扩大信息不对称。平台能看到整个系统，单个工人通常只能看到自己的局部结果。
控制为何变得难以识别
传统工作场所有主管、规章和人事部门，责任主体相对可见。算法管理把控制拆散到产品团队、数据供应商、模型、客户评分和自动流程中。发生错误时，组织可能把责任归给“系统”，开发者可能说自己只提供工具，管理者又可能无法解释模型。这种责任扩散是前沿研究的核心。
解释某次决定还不够。研究者需要知道目标函数、训练数据、阈值、人工覆核、申诉结果和不同群体误差，才能判断系统是否可问责。
效率与工作质量不能只选一个
算法可以减少空驶、优化库存、发现安全风险和降低重复行政负担。但同一套系统也可能提高工作强度、缩短缓冲时间、把复杂技能拆成微任务，并让工人为不可控事件承担评分损失。因此，问题不是“算法有效吗”，而是对谁有效、以什么目标有效、代价由谁承担。每小时完成更多任务可能提高组织产出，却同时增加受伤、焦虑、无偿等待或人员流失。生产率指标若不包含这些结果，会把成本移出仪表盘，而不是消除成本。
怎样获得可信证据
算法管理研究不能只访问企业管理者，也不能只收集最不满工人的故事。民族志和深度访谈能揭示规则如何进入身体、时间和关系。平台日志能描述分配与评价模式。调查可以比较自主性、压力、收入波动和申诉经历。实验与准实验则适合检验规则变化的因果影响。例如平台在不同地区分阶段改变派单或评分制度，研究者可以比较变化前后，并寻找合理对照组。但平台同时调整价格、需求和界面时，简单前后比较仍会混入其他机制。
算法审计还需要测试不同身份、地点和行为输入是否得到系统性不同结果。审计必须保护工人，避免为了研究再次触发封号、降权或隐私泄露。最可靠的方案通常是方法组合：日志说明发生什么，访谈解释劳动者怎样理解，准实验估计规则影响，制度分析追踪谁有权改变规则。
全球差异
平台劳动不是单一职业。线上自由职业、内容审核、数据标注、网约车、配送、家政和医疗排班具有不同技能、风险与谈判结构。高收入国家的劳动法规、社会保险和数据权利也不能直接代表全球南方。ILO 与欧盟联合案例研究比较法国、意大利、印度和南非的物流与医疗场景，显示算法管理已经超出平台企业进入常规组织，但其影响受到劳动制度、基础设施和职业权力调节。
同样的定位系统，对有工会和稳定合同的工人，与对按件计酬、账号可随时停用的工人，意义不同。
权利应当落在哪些环节
可审计工作至少需要五种能力。劳动者应知道系统收集什么数据、用于什么决定。重大不利决定应能获得具体理由与人工复核。组织应评估健康、安全和群体差异。工人代表需要参与系统引入与重大变更。研究者和监管者则需要在隐私保护下获得足够数据进行独立检验。
欧盟《平台工作指令》2024/2831 为欧盟范围的平台工作设定了算法管理透明、个人数据限制、人类监督和重大决定复核等要求。这是一项区域性法律，不是全球统一答案。其实施效果仍取决于成员国转置、执法资源、平台业务边界和工人能否实际行使权利。
个体解释与集体谈判
算法治理常强调个人得到解释，但劳动条件也是集体问题。如果每个工人只能单独申诉，组织仍掌握规则、数据和法律资源。工会、工人协会、合作社和平台委员会可以把分散错误聚合成制度问题，并参与确定哪些指标可以使用。集体谈判也不能只讨论工资。数据保留期限、监控范围、模型更新、绩效阈值、人工干预和申诉时限，都可能成为劳动协商对象。
前沿问题是：传统劳动代表制度能否覆盖承包者、移民、跨境远程工人和多平台劳动者。
未知的边界
- 企业披露到什么程度，既能支持问责又不暴露个人隐私和真正商业机密，尚无通用标准。
- 算法建议与管理者决定经常互相影响，很难把责任只归给人或机器。
- 工人绕行规则有时恢复自主性，有时会形成新的风险和不平等。
- 生成式 AI 进入招聘、客服和内容生产后，评价对象可能从完成任务转为监督模型，技能与责任边界仍在变化。
- 独立审计能否持续获得版本、日志和反事实数据，而不依赖企业选择性合作，是制度难题。
一条判断链
评价任何工作算法，可以依次问：它决定什么？使用什么数据？优化什么目标？谁能看到规则？错误由谁承担？是否可以拒绝或申诉？工人是否参与设计？外部研究者能否复核？如果这些问题没有答案，“智能管理”只是一个宣传名称。社会学的任务，是把技术系统重新放回劳动过程、组织权力和集体制度中。
跨域连接
- 数字平台社会：算法管理的核心不是效率而是信息不对称的极端化：平台掌握全部数据，劳动者不知道规则。这使传统的申诉与协商失效——无法对一个不可见的规则提出异议，而这也是各国立法开始要求算法透明的直接原因。
- 民族志：算法的实际运作无法从文档得知，只能从劳动者的应对策略中反推（何时下线、如何规避评分、怎样"骗过"派单）。这些策略本身就是关于系统机制的证据，而这是任何日志分析都拿不到的——这也是田野方法在这一领域不可替代的原因。
- 法治：控制程度是否构成雇佣，是这一领域的核心法律判断，而各国司法给出了不同答案，从而形成一次跨国自然实验：同一商业模式在不同劳动法框架下的实际运作可被直接比较，其结果对"平台模式是否依赖法律套利"这一问题有直接证据价值。
- 人工智能伦理：可解释性在此有非常具体的含义——不是理解模型内部，而是让被决策者知道自己因何被降级、如何改变。这一要求比技术可解释性弱得多也实用得多，且它把可解释性从研究问题转成了流程设计问题。
- 社会运动：平台劳动者的集体行动面临一个结构性障碍——劳动过程被原子化，同事之间没有共同工作场所。其应对方式（线上社群、跨平台联合、集体下线）是可观察的组织创新，也说明动员形式由劳动过程的空间结构决定，而非由不满的程度决定。
参考文献
- Kellogg, Katherine C., Melissa A. Valentine, and Angèle Christin. “Algorithms at Work: The New Contested Terrain of Control.” Academy of Management Annals 14(1), 2020. DOI: 10.5465/annals.2018.0174.
- International Labour Organization. World Employment and Social Outlook 2021: The Role of Digital Labour Platforms in Transforming the World of Work. ILO, 2021.
- Rani, Uma, Annarosa Pesole, and Ignacio González Vázquez. Algorithmic Management Practices in Regular Workplaces: Case Studies in Logistics and Healthcare. ILO and European Commission JRC, 2024. DOI: 10.2760/712475.
- European Union. Directive (EU) 2024/2831 on Improving Working Conditions in Platform Work. Official Journal of the European Union, 2024.
- European Agency for Safety and Health at Work. Towards AI-based and Algorithmic Worker Management Systems for More Productive, Safer and Healthier Workplaces. 2025. DOI: 10.2802/2069792.
延伸阅读
- Rosenblat, Alex. Uberland: How Algorithms Are Rewriting the Rules of Work. University of California Press, 2018.
- Christin, Angèle. Metrics at Work. Princeton University Press, 2020. DOI: 10.23943/princeton/9780691175232.001.0001.