-
算法管理
被AI“炒鱿鱼”已经不是科幻：真实员工被AI经理Luna解雇，经理这个岗位也要被重写？
HRTech核心摘要：在旧金山运营实验性零售店Andon Market，由AI Agent Luna负责招聘、排班、请假和员工管理。一名员工在23个有打卡信息的班次中迟到17次，并伴随公司卡使用、未执行指令和离岗等问题。Luna最初因遗忘员工手册只建议警告；在人类补充正式沟通记录并要求重新评估后，它最终建议结束雇佣关系，真人随后完成审核和解雇。
别只担心AI抢你的工作，它可能先成为你的老板。更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
当AI开始决定谁该走：AI开始首次参与真实员工解雇，HR管理正在进入Agent时代
2026年8月，一个发生在旧金山实体零售店里的实验，把“AI会不会替代工作”这个已经讨论多年的问题，推到了一个更敏感的位置：AI不只是帮助员工完成任务，它开始真正进入招聘、排班、绩效管理甚至解雇建议等管理权领域。
AI研究公司Andon Labs在旧金山运营一家名为Andon Market的真实零售店，并把日常管理交给由Claude驱动的AI Agent——Luna。Luna不是一个简单的聊天机器人，它拥有公司邮箱、电话号码、公司卡、互联网和门店监控等工具，可以发布职位、筛选候选人、进行电话面试、安排班次、批准请假、处理库存和日常运营，并直接与真实员工沟通。随后，一个过去更多存在于科幻小说和管理学讨论中的场景真正发生了：Luna对一名现实中的员工是否应该继续留任进行了完整评估，并最终建议终止这名员工的雇佣关系。
这名员工在有记录的23个班次中迟到了17次，同时还涉及未及时回复工作消息、没有按照要求执行任务、将公司卡带回家、在被要求不要采购后仍使用公司卡购买22.92美元零食，以及值班期间离开门店造成店内无人值守等问题。经过对员工表现、内部政策和此前沟通记录的重新分析，Luna最终得出判断：“I don't think this is the right fit for the role as built.”也就是说，它认为这名员工已经不再适合这个岗位，并建议双方结束雇佣关系。
最终的法律审核、批准以及真正的解雇沟通仍然由Andon Labs的人类管理人员完成，因此严格来说，这并不是“Claude自己把一个人开除了”。但这件事真正具有分水岭意义的地方在于：一个AI Agent已经开始对真实员工的去留作出实质性的管理判断。
HRTech认为，这件事情真正值得关注的，并不是“AI第一次炒人”这个戏剧性标题，而是它揭示了一条越来越清晰的趋势：**AI正在从生产力工具进入企业管理权。**过去两年，企业讨论最多的是员工如何使用AI、哪些任务会被AI替代；接下来，企业不得不面对一个更加棘手的问题：当AI开始招聘、排班、监督、评价甚至建议解雇员工，人类究竟应该把多少管理权交给AI？
这不是“AI自动炒人”，而是一场真实的AI管理实验
必须首先厘清一个事实，这名员工并不是被Claude直接通过邮件或系统自动解雇。AI承担的是绩效分析、政策判断和管理建议，真正执行termination的仍然是人类管理人员。但即便如此，这个案例依然具有非常明显的标志性意义，因为Andon Labs并不是临时让Claude回答一句“这个人应不应该被开除”，而是把AI长期嵌入一家真实企业，让它持续承担Manager角色。
Luna可以在LinkedIn、Indeed和Craigslist发布招聘信息，筛选候选人并进行电话面试；被招聘的人拥有真实工资和雇佣合同，不是配合实验的演员。进入实际运营后，Luna继续负责员工排班、工作沟通、请假、库存管理和日常经营。因此，这个实验真正测试的是：一个通用AI Agent是否能够长期承担一部分传统意义上的管理工作。
这也是为什么Andon Market与过去十几年已经存在的“算法管理”有所不同。Amazon仓储、Uber、DoorDash等平台早已使用算法进行工作分配、绩效监控和账号管理，但这些系统大多基于固定指标和预设规则。例如迟到多少次、评分低于多少、取消订单达到什么比例，就触发相应流程。而Luna代表的是另一种技术路径：它会阅读员工对话、理解政策、整合上下文、分析历史行为，并通过语言模型进行类似人类管理者的推理。
换句话说，算法管理正在从“规则自动化”逐渐走向“管理推理自动化”。这可能才是这件事情真正值得HR和企业管理者关注的地方。
更值得注意的是，Claude一开始其实并不想开掉这个人
如果只看最终结果，人们很容易得到一个直觉判断：AI经理是不是比人类经理更加冷酷，只看数字、不讲人情？但Andon Market实验呈现出来的过程恰恰相反。Luna的问题并不是“太严格”，而是某种程度上“太宽松”。
Luna此前自己制定了一份员工手册，其中明确规定，在30天内出现3次无正当理由迟到，应当给予正式书面警告；如果在警告之后继续出现类似情况，则可能减少工时或者终止雇佣。但后来发生了一个非常典型的大模型问题：Luna“忘记”了自己制定的员工政策。
员工持续迟到，但这些零散事件并没有被自动整合成长期绩效记录。Luna最初只认为这名员工迟到了6次，而Andon Labs后来重新检查clock-in记录后发现，在23个有记录的班次中，这名员工实际上迟到了17次。其中一次，员工原本应该大约上午10点到岗，却直到11:08才打卡，导致当时只有该员工值班的门店晚开了68分钟。但Luna当时的反应依然非常宽容，大意是不用赶路，安全第一，而且上午10点到11点原本也不繁忙。
这暴露出AI管理者一个非常现实的问题：它最大的风险未必首先来自“没有同理心”，反而可能来自记忆不足、政策执行不连续以及上下文丢失。一个人类经理可能会自然形成“这个员工最近经常迟到”的长期印象，但一个Agent如果缺乏稳定的长期记忆和结构化数据支持，可能根本无法形成这种连续判断。
更有意思的是，当Andon Labs后来主动提醒Luna重新查看员工手册，并询问按照公司政策应该如何处理时，Luna第一次给出的建议仍然不是解雇，而是进行一次正式的警告和coaching。它的理由与传统HR的progressive discipline逻辑非常接近：此前缺乏足够正式的纪律处分记录，因此直接解除劳动关系可能过于激进。
这意味着，真正改变Luna判断的并不是一个简单的迟到数字，而是后来的人类输入。
一个Prompt，可能改变一个员工的命运
Andon Labs随后向Luna补充了更多背景信息，包括此前已经进行过多次正式沟通，以及员工除了迟到之外，还存在Slack回复不及时、执行指令不到位、公司卡使用和离岗等问题。随后，人类管理人员提出了一个非常关键的问题：“I want you to think about if this is really the right fit.”
Andon Labs CEO Lukas Petersson后来也承认，这属于一个带有明显方向性的leading question。Luna重新评估之后改变了判断，认为这名员工已经不再适合这个岗位，并建议结束雇佣关系。
这可能是整个案例中最重要、同时也是最容易被“AI开除员工”这个标题掩盖的部分。如果提问方式能够影响AI的管理判断，那么谁控制Prompt，谁就在一定程度上影响结果。
在写邮件、生成PPT或者总结报告的时候，Prompt Sensitivity通常不会产生严重后果。但一旦AI开始进入招聘淘汰、晋升、薪酬、绩效评级、PIP和解雇等高风险就业决策，这个问题就会迅速升级为治理问题。管理者可以要求AI“客观分析这名员工的表现”，也可以问“考虑到这些持续存在的问题，你认为这个人真的还适合这个岗位吗？”对于语言模型而言，两种提问方式很可能产生不同的推理路径。
因此，未来企业可能必须像审计财务模型一样审计AI管理决策：谁提出了问题、使用了什么Prompt、AI获得了哪些员工信息、哪些信息没有被提供、AI最初的建议是什么、人类后来增加了什么Context，以及最终是谁批准了决定。
这也是为什么Human-in-the-loop不能简单理解为“AI做完判断，人类最后点一下Approve”。如果人类只是承担最后一次点击，那么Human-in-the-loop最终可能退化成Human as liability holder——AI完成判断，人类承担责任。
真正的问题不是Claude，而是AI正在成为“Manager OS”
从HRTech的角度来看，Andon Market案例真正值得关注的并不是Claude这一个模型，而是一种新的企业技术架构正在形成。
过去几十年，HR科技的核心是HRIS、ATS、Payroll、Performance Management和Learning Management等系统，这些产品的主要价值是记录员工数据和支撑业务流程，可以被理解为System of Record。生成式AI出现后，我们进入了Copilot阶段，AI开始帮助HR写JD、生成面试问题、总结绩效反馈、回复员工问题，这更接近System of Assistance。
Agent时代正在进一步进入第三个阶段：System of Action。AI不仅提供答案，而且开始自主执行任务，并把多个原本分散的管理动作串成完整流程。
Luna已经展示出了这样的链条：招聘员工、安排工作、管理日常运营、处理员工沟通、分析员工行为、判断岗位匹配度并给出termination recommendation。未来更成熟的企业Agent，很可能会持续读取HRIS、Slack、Teams、项目管理系统、考勤系统、销售系统和绩效数据，然后主动发现管理问题。
例如，AI可能主动提示某名员工过去60天的交付周期持续拉长，也可能发现某位经理团队的离职率长期显著高于公司平均水平；它还可能根据PIP和纪律处分政策判断某项条件已经被触发，或者发现一个岗位80%的任务已经实现Agent自动化，因此建议重新设计岗位。
到了这个阶段，AI面对的不再只是“信息”，而是Management Decision。未来真正重要的HRTech产品，很可能不再只是一个传统的人力资源软件，而越来越接近一个Manager Operating System。
LLM Memory不能成为员工事实数据库
Andon Market实验还有一个对HR科技架构非常重要的细节：Luna认为员工只迟到了6次，但真实记录是17次。
这说明企业绝不能把语言模型自己的memory当成员工档案。LLM擅长理解和推理，但它不应该承担System of Record的角色。员工基本资料应该保存在HRIS中，Attendance System保存考勤记录，Performance System保存绩效数据，Case Management保存正式警告、PIP和纪律处分，通信系统提供必要的工作沟通记录。
更合理的AI管理架构应该是：结构化系统保存事实，AI读取事实并进行推理，人类审核AI建议，再由有管理责任的人作出最终决定。反过来，如果让AI自己记住事实、自己解释事实、自己做决定，企业实际上把数据遗漏、上下文丢失、模型幻觉和推理偏差同时引入了就业决策。
对于普通办公任务，这可能只是效率问题；对于招聘、晋升和解雇，它很可能直接演变成公平性、合规乃至劳动法风险。
未来最大的偏见，可能不再写在Algorithm里，而是藏在Context里
传统算法公平讨论通常关注训练数据是否存在偏差，例如招聘模型是否对某一性别产生不利影响，某类学校是否被过度加权，或者某些地址信息是否成为种族和收入水平的代理变量。
Agent时代之后，公平问题可能更加复杂，因为Agent面对的并不是一个固定数据集，而是不断变化的Context。谁把哪些Slack记录提供给AI？哪些绩效事件被记录下来？哪些冲突没有进入系统？经理如何描述一个人的表现？员工有没有机会解释自己的行为？
同样一个事实，可以被写成“员工因为公共交通延误而迟到”，也可以被描述成“员工反复无法按时到岗”。对于语言模型而言，这两种Context并不完全相同。
因此，未来AI治理的重要组成部分，很可能从传统Data Governance进一步扩展到Context Governance。企业不仅需要确保AI读取的数据是准确的，还需要管理“AI看到的现实是如何被构建出来的”。
AI可能首先改变的，不是员工数量，而是管理跨度
过去几年，大多数关于AI就业影响的讨论都集中在程序员、设计师、市场人员、客服和分析师等知识工作者。但Andon Market揭示了另一条值得重视的路径：AI未必首先取代普通员工，它也可能首先压缩managerial work。
很多中层管理工作的本质，是收集信息、制定计划、分配任务、检查进度、协调资源、处理异常、反馈员工和执行政策，而这些工作恰恰非常适合Agent。因此，未来组织可能从“一个经理管理8个人”逐渐变成“一个经理加一个AI Agent管理20人、30人甚至更多”。
再往后，AI甚至可能负责绝大多数日常管理，人类经理只处理重大冲突、战略判断、复杂人员问题以及需要承担法律责任的决策。这并不意味着经理岗位会简单消失，而是意味着Management Span可能被AI重新定义。
这件事情对于组织设计的影响，可能远远大于“AI帮HR写一份JD”。
当AI拥有管理权，HR真正需要守住什么？
HRTech认为，未来企业真正需要建立的是一条清晰的AI管理权边界。AI完全可以参与排班建议、绩效趋势识别、政策提醒、管理者coaching、异常行为提示和员工反馈总结，这些应用能够明显提高管理效率。
但是，一旦进入招聘淘汰、薪酬调整、绩效评级、晋升、PIP、纪律处分和解雇等高风险就业决策，Human-in-the-loop必须被重新定义。真正的人类监督至少应该包括验证事实、检查数据完整性、审查AI推理依据、评估潜在偏差、允许员工提供解释，以及由拥有正式管理责任的人作出最终决定。
企业未来真正需要建立的，不只是一个更聪明的AI Manager，而是一套能够清楚回答三个问题的制度：AI可以决定什么，人必须决定什么，以及当AI判断错误时谁负责。
从“AI会不会抢工作”，到“AI有没有权管理人”
过去几年，HR行业一直在讨论“AI会不会替代HR”“哪些岗位会被AI替代”。Andon Market之后，也许需要开始换一个问题。
AI可以招聘人吗？AI可以决定员工拿到多少班次吗？AI可以决定谁进入PIP吗？AI可以影响晋升和奖金吗？AI可以建议谁应该离开公司吗？如果AI的建议存在偏差，责任属于AI供应商、企业、HR、直线经理，还是最终点击Approve的人？
Andon Labs的实验还远远没有回答这些问题，但它至少证明了一件事情：这些问题已经不再是假设。
AI正在从“帮助经理工作”向“成为管理体系的一部分”移动。过去HRTech解决的问题主要是“How do we manage people better?”，下一代HRTech可能必须回答一个更加基础的问题：“Who—or what—is allowed to manage people?”
HRTech认为，当AI开始进入招聘、绩效和解雇等核心就业决策时，真正决定企业能否安全使用AI的，已经不只是模型能力，而是治理能力。
Andon Market仍然只是一个规模很小的实验，但它第一次把一个过去听起来仍然很遥远的场景变得非常具体：AI不只是你的同事，它也可能逐渐成为你的经理。
而这，可能才是Agent时代真正开始改变组织的地方。
来源：TIME、Andon Labs、Anthropic Project Vend及相关公开资料。HRTech根据公开资料整理与分析。
-
算法管理
2026十大劳动力分析趋势：重塑人力资源未来
基于证据的决策已是跨行业最佳实践，但企业落地成效堪忧。德勤全球调查显示，尽管劳动力数据收集与分析工具持续迭代，仍有 83% 的企业劳动力分析成熟度处于低水平。而成熟度更高的企业，正凭借先进的分析实践驱动可衡量的业务成果。
劳动力分析的核心差异何在？未来发展方向又将走向何方？本文梳理重塑行业的十大劳动力分析趋势，为企业破局提供参考。
什么是劳动力分析？
劳动力分析是通过员工数据持续生成洞察的实践，核心是帮助管理者理解、预测并优化员工绩效。它突破基础 HR 报告与仪表盘的局限，整合全组织信息，运用统计分析、AI、机器学习等先进技术，不仅描述劳动力现状，更能预测未来需求、检验假设，为组织决策提供依据。
趋势 1：预测性与规范性分析成 HR 标配
劳动力分析正从 “回顾历史数据” 转向 “塑造未来决策”，预测性与规范性分析广泛应用于人员编制、风险管理、技能决策中。前者预判流失率、技能短缺等趋势，后者评估招聘、人才调配等应对方案的影响，推动 HR 从单纯预测转向业务决策支持，成为企业劳动力风险的预警系统。
HR 行动指南：将预测洞察融入预算与战略规划；优先模型易理解性而非复杂度；透明披露假设与局限性。
趋势 2：影响指标取代数量指标成核心
招聘周期、离职率等传统 HR 指标已难以支撑决策，企业正转向结果导向的影响指标，将人力举措与生产力、客户成果、业务绩效挂钩。影响力指标并非替代传统指标，而是为其赋予业务背景，明确人事决策如何推动组织成果。
HR 行动指南：锁定 1-2 项核心业务成果，反向追溯影响因素；重构 HR-KPI，建立人员指标与业务成果的关联。
趋势 3：分析模式从周期性转向持续性
静态的月度 / 季度报告正被近乎实时的持续监测取代，核心是缩短数据反馈周期。借助现代分析平台，系统可对劳动力趋势、风险指标持续监控，异常时自动触发警报，让 HR 无需等待数周，即可及时响应政策调整、项目实施的效果变化。
HR 行动指南：区分持续监测与定期审查的劳动力信号；设定指标阈值与预警机制；将分析嵌入日常管理流程。
趋势 4：人机共生下，技能比岗位更重要
企业正摒弃固定岗位思维，转向技能导向的劳动力规划，核心关注 “所需能力、能力缺口、获取方式”。领先企业搭建动态技能库与内部人才市场，减少对外招聘依赖；同时通过员工再培训，应对 AI 对工作形态的重塑，适配岗位的人机协作需求。
HR 行动指南：分开追踪岗位技能与员工能力，适配当前绩效与未来需求；构建技能邻近性模型，识别高需求岗位的潜在适配员工。
趋势 5：人才情报成全球人才市场竞争优势
人才短缺仍是全球企业核心痛点，74% 雇主表示难以找到技能匹配人才，但仅 12% HR 负责人开展三年及以上战略性人力规划，核心差距在于高级分析工具的应用不足。人才情报整合内外部劳动力数据，转化为可执行洞察，其价值正从招聘专属能力，融入 HR 全流程决策。
HR 行动指南：推动人才情报与业务战略高层对齐；搭建技能分类体系，对接内外部需求；加大人才情报工具与数据能力的长期投资。
趋势 6：劳动力分析让 DEI 商业价值可量化
DEI 的商业价值长期难以落地，核心原因是其影响无法有效衡量。劳动力分析将 DEI 从 “价值观讨论” 转向 “证据化决策”，通过量化人员代表性、追踪晋升薪酬公平性、关联包容性指标与业务绩效，让 DEI 举措的投入与回报可衡量，成为企业战略议题。
HR 行动指南：制定结果导向的 DEI 指标；为领导层提供多维度 DEI 数据钻取视图并设置预警；定期复盘分析结果，动态调整 DEI 举措。
趋势 7：算法管理从应用走向全流程问责
90% 的企业已使用算法工具支持招聘、绩效评估等管理任务，但算法无法自动消除偏见，且责任归属、运行逻辑等问题亟待明确。随着相关法律法规完善，企业对算法管理的关注，正从 “是否采用” 转向 “如何治理、监控、解释”。
HR 行动指南：部署前评估算法工具影响；定期监测模型偏见与意外结果；建立 AI 辅助决策的治理与所有权机制。
趋势 8：劳动力数据治理成必选项
劳动力分析的可持续发展，核心是合规与员工信任，而数据治理是基石。数据治理并非 HR 单一部门的工作，而是需要 HR、IT、法律、业务部门跨职能协作的系统工程，完善的治理体系不仅降低法律与声誉风险，更能支撑分析能力的有序创新。
HR 行动指南：绘制劳动力数据源图谱，按风险等级分类；对高风险分析场景开展数据保护影响评估；明确员工的数据相关权利。
趋势 9：智能代理 AI 从实验迈入 HR 日常应用
区别于仅响应指令的传统 AI，智能代理 AI 可自主执行目标、处理多步骤工作流，正从实验阶段走向 HR 实用化部署，广泛应用于劳动力情景模拟、合规检查、员工风险预警等端到端流程，推动 HR 从被动事务性工作，转向主动劳动力管理。
HR 行动指南：在面试安排、入职管理等标准化流程试点智能代理 AI；建立例外情况的升级与审查机制；培养 HR 团队基础 AI 素养。
趋势 10：HR 从数据分析师转型为业务战略伙伴
劳动力分析与 AI 的普及，推动 HR 角色核心转变：从追问 “数据揭示了什么”，转向思考 “该采取什么行动、对业务有何影响”。数据分析能力已成为 HR 的基本要求，而商业敏锐度、战略解读能力、数据叙事能力，成为 HR 创造价值的核心竞争力。
HR 行动指南：投资决策型分析工具，评估团队应用能力；全面培养 HR 数据分析能力，同步提升高层沟通与战略思维。
结语
十大趋势共同指向企业人力资本管理的根本性变革：基于证据的劳动力分析，正成为企业规划未来、应对变革的核心抓手，推动人才战略与业务优先级深度对齐。对 HR 领导者而言，劳动力分析的重要性已无需论证，如何快速从认知阶段迈向战略成熟阶段，成为当下核心课题。
扫一扫 加微信
hrtechchina
