當 AI 開始參與績效評估、人才排序與裁員名單，CIO 真正需要治理的，除了模型準不準，還包括技術如何看見人、如何計算人，以及這些計算最終如何改變人的現實。
文／林華庭（公共價值創造、創新生態系與 AI 治理研究者）
有 26 名 Meta 員工在 2026 年 7 月 13 日向美國加州北區聯邦地方法院提起訴訟，主張公司在裁員過程中使用內部 AI 助理、員工活動監測、AI 使用儀表板與演算法績效工具，對人員進行評分、排序與篩選。
依訴狀所述，正在休產假、育嬰假、醫療假，或接受身心障礙合理調整的員工，無法持續累積相同程度的活動、產出與 AI 使用紀錄。若系統未排除或調整這些期間，受法律保障的缺勤，便可能在資料中被轉譯為較低投入或較低績效。
Meta 否認相關指控，強調組織與人力決策均由人員作成，並非由 AI 決定。案件仍在司法與仲裁程序中，訴狀描述的系統運作、變數權重與實際影響，仍有待後續證據確認。
然而，Meta 的回應正好點出 AI 治理最難回答的問題。當人類保有最後簽核權，AI 卻已經決定主管先看見哪些資料、哪些人進入候選名單，以及哪些選項被排在前面，實質決策權在多大程度上仍掌握在人手中？
更根本的問題是，企業究竟在利用 AI 衡量員工，還是在透過技術重新定義何謂「有價值的人」？
當可見性被誤認為價值
企業很難直接衡量一個人的專業判斷、長期潛力、關係資本、知識傳承與組織承諾，因此常以登入紀錄、回應速度、程式碼提交、任務結案數、AI 工具使用量及 token 消耗等數位痕跡作為代理指標。這些資料即時、清楚，也容易比較，卻只呈現員工價值中最容易被記錄的一部分。
我曾在〈當 CRM 成為照妖鏡，CIO 敢不敢看？〉一文中提出「可見性不對稱」。數位系統擅長捕捉已發生、可記錄、可即時回饋的事件，卻較難呈現需要長期驗證、以避免損失為成果，或主要存在於關係與專業判斷中的價值。
這種不對稱進入人力管理後，後果更加直接。登入、回覆、AI 使用與程式碼提交容易留下紀錄；風險預防、同事培育、跨部門協調、健康恢復與家庭照顧，卻未必能被同等看見。當前者持續進入儀表板，後者持續留在資料之外，企業衡量的便只是員工價值中最容易被系統捕捉的部分。
資料本身甚至可能完全正確。員工在休假期間確實沒有登入，也沒有使用 AI 工具。真正的風險出現在資料意義的判斷。數據中的零，可能代表沒有工作，也可能代表依法休假、接受治療、長期思考、風險預防，或系統尚未具備觀測該項價值的能力。
當可見性被誤認為價值，數位痕跡便會從工作的證據，逐漸升格為人的代理。
企業正在設計一套隱形的人類價值函數
可見性處理的是企業看見什麼，價值函數處理的則是企業獎勵什麼。
每一套人力評分系統都隱含一項價值設計：哪些行為值得獎勵、哪些貢獻可以忽略、何種員工符合組織想像中的未來。這些判斷很少完整寫在企業使命或人才政策中，卻會被寫進資料欄位、指標權重、比較期間與排序規則。
當 AI 使用量成為「AI 原生能力」的象徵，企業可能逐漸把高頻使用工具的人視為更具轉型價值；當回覆速度成為投入程度的代理，深度思考與審慎等待可能被解讀為反應遲緩；當持續在線成為生產力的證據，休息、治療與照顧責任便可能轉化為職涯風險。
這套隱形的價值函數，往往比正式制度更能改變員工行為。企業口頭上重視多元、健康、創新與長期主義，系統實際獎勵的卻可能是持續在線、高度可見、快速回應與大量產出。員工也會逐漸學會迎合指標，增加可見活動、縮短思考週期，甚至延後休假與治療。
當人的複雜貢獻被壓縮成少數數字，情境往往最先消失。演算法或許降低了部分主管的主觀偏見，卻也可能把另一種偏差寫進統一的評分標準。企業表面上在追蹤 AI 採用，實際上可能正把工具使用頻率寫進人才價值的定義。
最後由人簽核，權威仍可能移轉
Meta 強調人事決策由人作成。這項說法觸及高風險 AI 最常見的治理防線，也就是「人類仍在決策迴路中」。只要最後仍有主管審查，組織便傾向認為人類判斷沒有被取代。
問題在於，AI 原生組織中的決策，早已不只發生在主管最後簽核的那一刻。系統在背景中持續蒐集資料、更新分數、評估風險、調整排序與縮小候選範圍。當名單送到主管面前時，許多認知與議程設定工作其實已經完成。主管所作出的，可能只是流程最後一段的選擇，未必是完整決策的起點。
AI 因而可能取得三種不容易察覺的權威。第一，「認知權威」決定主管如何看見員工，誰被呈現為高潛力、低績效或高風險；第二，「議程權威」決定哪些人進入裁員、升遷或績效改善的候選範圍；第三，「操作權威」則在分數與排名連結解僱、薪酬、福利與工作配置時，使模型輸出取得改變現實的能力。
我將這種現象稱為「演算法影子權威」。
AI 沒有正式職稱，也沒有法律上的解僱權，卻能透過控制現實表徵、候選排序與預設方向，實質塑造組織決策。人類仍保留形式責任，演算法則可能掌握決策生成過程中最關鍵的認知與議程權力。
判斷 AI 是否掌握權力，不能只看誰完成最後簽核，也要看誰生成了管理者所面對的現實。
如圖 1 所示，員工原本多元且難以完全量化的貢獻，在進入數位系統後，會被壓縮為登入紀錄、回應速度、程式碼提交、AI 使用量及其他代理指標。這些數位痕跡再經由 AI 評分、排序與候選名單，逐步取得認知、議程與操作上的影響力，最後轉化為裁員、升遷、薪酬、福利與工作配置等現實後果。
從模型治理走向現實治理
我曾在〈從五層 AI 供應鏈到三層現實治理〉中，提出可知性、可計算性與可操作性三層治理架構。當治理對象從設備、流程與顧客轉向員工，這三層能力也形成三項新的治理要求。
首先，可知性治理要問，系統究竟看見了員工的哪些部分，又遺漏了哪些價值。登入、產出與 token 使用可以被記錄，專業判斷、信任建立、同儕支持、風險避免及依法休假的正當性，卻未必進入資料視野。資料邊界若沒有被揭露，管理者便容易把它誤認為現實邊界。
其次，可計算性治理要檢查資料如何轉化為比較、評分與排序。衡量期間、分母、權重、同儕群組與例外規則，都包含價值判斷。一位員工休假三個月，若仍以十二個月總產出與全勤員工比較，公式可以完全正確，治理結果卻失去現實有效性。
原告在 Meta 案件中要求釐清休假、合理調整及相關代理變數，是否影響評分與裁員選擇。這提供了一項值得企業採用的方法：先排除休假期間、調整比較基礎，再進行反事實重算。若重算後的排序出現重大變化，企業就必須重新檢查原本的價值定義與資料設計。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
刪除性別、懷孕、疾病或身心障礙等敏感欄位，無法自動證明模型中立。活動量、連續出勤、token 消耗、回應速度與程式碼提交等代理變數，仍可能重新建構相同差異。
最後，可操作性治理要檢查模型輸出如何進入真實行動。AI 建議若只用於探索與提醒，錯誤仍有較大的修正空間；若直接連結裁員、升遷、醫療保障、股權或工作簽證，治理標準就必須提高。模型與不可逆後果之間的連結愈緊密，獨立複核、申訴與暫緩執行機制就應愈完整。
美國國家標準與技術研究院 （National Institute of Standards and Technology，NIST）於 2023 年發布的《AI 風險管理架構》（AI RMF），提供企業一套跨產業、可依使用情境調整的自願性風險治理方法，並將治理、情境盤點、風險衡量與風險管理視為貫穿 AI 生命週期的持續工作。這也提醒企業，AI 治理的對象不能只停留在模型，也應涵蓋組織如何使用模型、如何配置責任，以及模型如何影響個人、組織與社會。
如何定義「有價值的人」
當董事會、經營團隊與人資部門沒有先回答何謂績效、潛力、忠誠與長期價值，資料團隊只能從既有欄位尋找代理指標。AI 使用量可能被當成轉型能力，登入活動被當成投入程度，產出件數被當成整體價值。
表面上是資料科學團隊在建立模型，實際上卻是技術團隊替組織完成一項尚未被承認的價值判斷。定義「有價值的人」是經營治理問題，不能以需求訪談的方式外包給 IT，也不能等模型完成後才交由法務補救。CIO 需要協助經營團隊看見資料與技術的邊界，同時拒絕替組織決定人的價值。
AI 放大決策影響的速度，也不能超過治理責任成熟的速度。價值定義、例外規則、覆核權力與救濟機制尚未成熟時，模型不宜過早制度化，更不應直接連結不可逆的人事決策。
CIO 必須守住五道治理閘門
第一，定義價值。
企業必須先釐清系統要衡量的是活動、產出、績效、潛力，或長期價值。這些概念不能互相替代，AI 使用量也不能直接等同員工價值。模型開發前，經營團隊與人資長應明確說明衡量目的、不能被犧牲的價值，以及資料不得跨越的用途邊界。
第二，校正情境。
產假、育嬰假、醫療假、身心障礙合理調整、家庭照顧，以及公司指派的特殊任務，都會改變資料生成條件。系統應調整衡量期間、分母與比較基礎，使正當缺勤不會被重新編碼成低績效。
第三，追蹤權威。
誰決定資料欄位、誰設定權重、誰產生名單、誰可以推翻結果、誰承擔最終後果，都應留下可稽核紀錄。責任若只落在最後簽核的主管身上，真正塑造選項的系統、設計者與校準程序便容易隱身。
第四，反事實重算。
企業應移除休假期間、調整比較群組或排除特定代理變數後重新計算。若員工是否進入裁員名單，主要取決於受保障缺勤或資料缺口，模型就不適合支配高風險決策。
第五，保留否決。
對重大人事行動，員工應能確認資料、補充情境、申請人工複核並暫緩不可逆處分；主管也必須真正擁有推翻系統建議的權限與組織支持。
企業甚至可以追蹤主管推翻 AI 建議的比率。若一套高風險系統從未被推翻，可能代表模型表現卓越，也可能表示組織已經失去挑戰模型的能力。
真正被自動化的，可能是企業對人的想像
Meta 案件最終如何認定，仍有待司法與仲裁程序釐清。這起事件已提醒所有企業，AI 帶來的組織風險未必源於模型算錯。更棘手的情況，是模型精確執行了一套過度簡化的價值定義。
當數位痕跡被視為完整的人，當活動量被提升為貢獻，當 AI 使用量成為人才價值，企業便可能在追求效率的同時，逐步排除那些需要休息、承擔照顧責任、從事隱性工作，或以不同方式創造價值的人。
企業可以讓 AI 協助看見人的部分表現，可以讓 AI 整理資訊、提示風險與支持決策，卻不應把定義人的權力悄悄交給演算法。
CIO 真正需要守住的最後一道防線，是不讓「可被系統看見的人」，悄悄取代「真正對組織有價值的人」。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
