AI 加速职场监控：看得更多为何未必做得更好

从收银员有没有说“请”和“谢谢”，到司机路线、仓库扫描、每分钟击键和客服语调，AI 正把员工监控变成低成本的标准工具。但现有研究没有证明“看得越细，绩效越高”。文章把监控的商业承诺与行为研究、员工压力、法规差异和少数成功案例放在一起，追问什么条件下数据才可能服务于工作，而不是制造一个充满猜疑的组织。

1. AI 让逐分钟、逐动作的员工监控迅速普及

• 汉堡王推出了嵌入员工耳机的 AI 聊天机器人 Patty：它会记录收银员是否忘记说礼貌用语，也会在饮料机快空时提醒。摄像头、传感器和追踪软件还能记录员工位置、电话时长与内容、每分钟击键次数，甚至客服对话的音高和语气。
• 包裹和披萨司机日益受到 AI 系统监视，亚马逊仓库员工则被手持扫描器、工牌刷卡和工位软件持续追踪。领导者相信这些数据能找出高绩效者、提升效率或改善安全；任何规模的雇主都能像下载 Spotify 一样，从 Amazon Web Services 提供的数千种监控软件中选一个，把员工每分钟的行为变成数据流。
• 尽管效果证据薄弱，全球员工监控技术市场预计在 2026 年超过 40 亿美元。2022 年《纽约时报》调查发现，美国十大私营雇主中有八家会追踪个人生产率指标，而且往往实时进行。美国邮政员工甚至形容自己“精确到秒”地被 GPS、扫描、脚步和停留记录，连上厕所或复查包裹也可能遭到询问。

2. 大规模研究没有发现监控与绩效之间的稳定联系

• 萨尔大学心理学研究者科内利乌斯·柯尼希在 2025 年《组织心理学与组织行为年度评论》中回顾相关研究，几乎没有发现电子监控能改善绩效。他认为，监控的实际作用远小于雇主想象：员工可能短期提高表现，却很快习惯监控并回到原有节奏；即便是高风险场景中的警用随身摄像机，长期看也没有显著改变警察或公众行为。
• 监控还可能产生反效果。2020 年一项研究发现，被电子监控的卡车司机较少超过每日驾驶时限，却更容易发生事故。新墨西哥大学管理学研究者丹尼尔·拉维德在 2022 年汇总实验室、呼叫中心、办公室和巡警等超过 2.3 万名参与者的研究，也没有发现监控程度与员工绩效相关。
• 单纯安装监控技术并不会自动带来生产率，因为指标会改变行为，却未必捕捉到真正的工作质量。员工也会主动寻找规避方法，例如午餐读书时定期敲一下键盘，以重新获得被夺走的自主感。

3. 监控最稳定的结果，是压力上升与尊严受损

• 拉维德的元分析发现，不论监控隐蔽还是公开、偶发还是侵入式，通常都会增加职场压力。2024 年一项覆盖加拿大 3500 多名员工的研究同样显示，自认为在工作中受监视的人报告了更大压力、更少自主权和隐私。
• 圣安德鲁斯大学管理学研究者柯斯蒂·鲍尔把这种冲动放在“数据化”时代理解：系统收集人的行为数据，已经成为现代组织办事方式的一部分。但关键问题常被忽略——测量的真是管理者以为的对象吗？数据是否按收集目的被正确解释，还是只因“技术做得到”便开始收集？
• 很多公司最后只得到硬盘里的数 TB 数据，却没有与商业战略相连的使用计划。高级技术不会把绩效测量变成完美科学；管理者仍需通过人的判断和对话，为数据补上情境。

4. 法律保护和软件责任没有跟上监控技术

• 格罗宁根大学就业法研究者米凯莱·莫莱指出，欧盟有较强的员工隐私法律，意大利、西班牙、法国和德国还有额外保护；美国员工的保障弱得多，更容易受到全面监视。
• 2023 年，科罗拉多州三名现任或前任亚马逊送货司机提起集体诉讼，称 AI 辅助监控和配送配额让必要休息变得困难，司机被迫在瓶中小便。亚马逊要求仲裁，并强调这些司机受雇于与亚马逊签约的外部配送服务商，而非亚马逊本身；案件仍在进行。
• 现成监控软件还把员工数据交给外部供应商，而雇主可能无法定制工具，也不清楚数据将被怎样使用。莫莱因此主张，劳动法不仅要约束使用监控的雇主，也要约束技术提供商，要求供应商与公司和员工共同解释技术，并围绕具体目标定制产品。

5. 有益监控依赖明确目的、透明度与良好管理

• 监控并非注定有害。澳大利亚一家矿业公司用监测脑电波的头带识别疲劳，把疲劳相关事故降到接近零。2024 年一项 Upwork 远程工作研究发现，表现最好的员工在无说明地关闭监控软件后，生产率下降近 20%，说明软件在某些情境中可能有用。
• 但同一批高绩效员工若被告知，因为产出优秀而获得免受监督的机会，生产率便没有下降。研究者据此认为，把钱花在优秀管理者身上，可能比购买监控软件更有效。拉维德的元分析也发现，当员工清楚知道如何被监控、数据将如何使用时，他们比缺少解释或同意的员工更有公平感和工作满意度。
• “好的监控”必须建立在相互信任上：员工感到被重视，收集的数据有明确用途，系统为改善所有人的工作条件而设计。如果公司仍以“装上工具就会见效”的方式对待 Patty 及后来者，最终很可能只是让员工更加怀疑和困惑，而雇主依然得不到实质收益。

思想框架

文章先展示 AI 如何降低监控门槛，并用市场规模和大型雇主实践说明其普及程度；接着通过综述、元分析和具体事故反驳“更多监控自然提高绩效”的直觉。论证随后转向压力、尊严、数据误读与法律滞后，解释失败不只来自技术精度，而来自组织缺少目的和情境。最后以矿业安全和 Upwork 研究保留条件性的可能：监控只有嵌入透明、信任和良好管理时才可能产生收益。