各位關注 AI 的朋友，今天想談一個聽起來很合理、也因此特別需要小心的提案：公司導入 AI 分析員工的工作紀錄，宣稱可以提早發現過勞、改善協作，甚至保護員工。我的第一個問題不是模型準不準，而是：誰有權決定一個人每天留下的資料，最後可以被用來判斷什麼？
先定義問題。這裡的「AI 監控」不是單一技術。它可能只是彙整團隊層級的工時趨勢，也可能讀取個人的訊息、會議發言、螢幕活動與地點資料，再替每個人打上「投入度」「離職風險」或「合作意願」的標籤。這些做法在資料粒度、用途和權力後果上差得很遠。把它們統稱為提升效率，會讓真正需要討論的差異消失。
同意書不能消除權力差
假設公司寄出一封通知，要求員工勾選「同意使用工作資料改善組織健康」。文字可能清楚，勾選也可能真的是本人操作；但只要拒絕會影響考績、升遷或團隊關係，這個同意就很難被當作完全自由的選擇。我一向在意透明、可檢驗、可撤回。三個條件少一個，漂亮的同意介面也無法替代實質的選擇權。
有人會說，工作設備本來就是公司的，員工不該期待隱私。我不認為設備所有權可以直接推導出無限制的觀察權。公司有保護資安、安排工作和調查特定事件的正當需求；員工也有不被無關資料持續剖析的利益。兩邊的邊界要按照具體目的劃定，不能靠一句「大家都這樣」略過。尤其當系統能將零散痕跡重新組合成個人輪廓時，原本看似普通的紀錄會產生新的風險。
「保護員工」是目的，還是包裝？
如果目的是辨識過勞，最直接的問題應是工作量如何分配、加班是否常態化、主管能否調整期限。統計整個團隊的會議時數與夜間訊息量，或許能提供線索；逐一分析每個人的鍵盤停頓、聊天語氣和表情，卻可能讓員工為了避免被誤判而更努力表演「正常」。一套號稱減壓的系統，結果反而提高壓力，這並不矛盾，而是設計時只看見可測量訊號、沒看見人的處境。
還有一個常被忽略的轉用問題。今天用來提醒主管分配資源的資料，明天可能被拿來排序績效；原本承諾只看群體趨勢，下一季卻開始要求提供個人名單。模型不需要改變，組織目的改了，權力效果就改了。因此，治理不能只審模型版本，也要審每一次用途變更：誰提出、誰批准、員工如何得知、如何反對，以及何時停止使用。
看似客觀的分數，可能是舊偏見的新介面
「合作度低」究竟怎麼定義？是會議發言少、回訊息慢，還是不在下班後立即回覆？不同工作型態的人會留下不同的數位足跡。需要長時間獨立思考的工程師、照顧家庭而固定時間離線的人、正在適應新語言環境的同事，都可能被同一套指標錯誤比較。把指標轉成小數點後兩位，不會讓它自動具有公平性。
我會要求設計者回答一組很不浪漫、卻很必要的問題：模型的目標變數是什麼？誰替它標註「好員工」？資料是否涵蓋不同職務與工作條件？錯誤會先傷害誰？被標記的人能否看見理由、提出異議並得到真人處理？若系統無法回答，分數就不該成為升遷、解雇或任務分配的依據。管理者不能把責任交給儀表板，再說那只是演算法的建議。
一個假想會議，足以暴露真實難題
以下是為了說明設計取捨而寫的假想情境，不是我任職公司的事件。產品團隊展示一個儀表板：它能依夜間訊息與會議密度，預測哪些員工下個月可能過勞。主管想看姓名，好立刻安排談話；人資想保存結果，方便季末比較；員工代表則問，能否先只看團隊趨勢，並讓個人自己選擇是否接收提醒。
我會先問：「我們先定義問題。是要讓主管減少造成過勞的工作安排，還是要找出看起來快撐不住的人？」如果是前者，第一版應先提供不指向個人的負荷資訊，檢查會議安排和期限；若需要個人協助，也應由員工自願啟用、清楚知道資料保存期限，並能關閉。這個答案未必最方便管理，卻比較接近所宣稱的保護目的。
我會怎麼審這類系統
第一步是目的限制。把「安全」「健康」「效率」「績效」分開寫，逐一列出必要資料與預期決策。目的越模糊，資料收集越容易膨脹。要能說明為何需要每一項資料，並證明較少資料的方法不足以達成目的。
第二步是最小化與期限。優先使用群體統計、短保存期和明確存取權限。不要因為資料已經存在，就順手把聊天紀錄、定位與日曆全部接進模型。資料一旦集中，未來的用途會更難限制，外洩與內部濫用的代價也會增加。
第三步是決策隔離。健康提醒不應流入績效評分，資安事件調查也不應變成日常人格分析。應讓系統權限、資料庫與審核流程共同守住這條線；單靠政策文件，很難抵抗下一次「只是臨時看一下」的要求。
第四步是可爭議性。員工應知道自己受到哪些類型的分析、結果會給誰看，以及如何要求更正或退出。若系統對個人產生不利判斷，必須有能真正改變結果的申訴程序，而不是寄信給一個永遠只回覆制式答案的信箱。
第五步是退出機制。任何試行都應設定停止條件：錯誤率、員工反映、用途偏移、資料外洩或無法證明效益時，就暫停或撤除。可撤回不只是一個畫面按鈕，也包括組織願不願意承認某項技術沒有達到它宣稱的目的。
員工與主管，各自能問什麼
如果你是員工，不必先把每一項技術細節弄懂，才有資格提出問題。可以問：收集哪些資料？是否包含私人或下班時間？誰看得到個人結果？多久刪除？拒絕會有什麼後果？錯誤如何更正？這些問題不是抗拒進步，而是要求把規則說清楚。
如果你是主管，則要追問自己是否把管理責任外包給預測分數。團隊連續加班時，比起找出「高風險員工」，更值得先檢查人力、優先順序與不合理的交期。系統可以提醒你注意盲點，卻不應替你免除對工作設計的責任。
如果你負責採購或開發，請在簽約前要求用途與限制寫成可檢驗的條件，包含資料來源、可解釋範圍、保存與刪除方式，以及發生錯誤時的處置。供應商說「模型很準」還不夠；要問它在你的工作場景裡，對哪些人、在何種條件下，準到什麼程度。更要問：即使準，它是否適合被用來做這個決定？
結語：可見，不代表可任意使用
到了 2025 年 2 月，我們有足夠理由把 AI 當成工作制度的一部分來討論，而不是一個單純的工具採購案。對我而言，好的治理不是把所有資料都藏起來，也不是讓每個可能有用的模型先上線再說。它是讓被影響的人知道規則、能檢驗規則，也能在必要時改變規則。
當一家公司說 AI 監控是為了保護員工，我願意聽它提出證據。但我也會要求它回答：誰得到了新的觀察權？誰承擔誤判的代價？誰能說不？如果這三個問題仍然沒有清楚答案，那麼「保護」就還只是一句宣稱。界線不是拒絕技術，而是讓我們知道技術應該怎麼靠近人。