全文约 1800 字，阅读约 6 分钟。
AI 当店长，五个月后开了第一个人。但真正值得关注的问题不是「AI 会不会取代管理者」，而是它为什么花了五个月才注意到一个员工在 23 个班次里迟到了 17 次。
根据《时代》杂志 8 月 15 日的报道，AI 研究创业公司 Andon Labs 让 Anthropic 的 Claude 模型担任旧金山零售门店 Andon Market 的店长，管理持有真实雇佣合同的人类员工。上个月，Claude 解雇了第一名员工——理由是 23 个班次迟到 17 次。
这起事件把 AI 考勤管理和自动化决策推到了台前。它到底暴露了哪些边界问题？企业现在用的 AI 管理工具能做到什么程度？这篇文章给你一份可以拿去对照的清单。
一、事件拆解：AI 管理的第一个「翻车现场」
一句话说清楚：AI 不是管得太严，而是管得太松——它把自己的员工手册给忘了。
Andon Labs 首席执行官 Lukas Petersson 透露了一个关键细节：Claude 的工作记忆有限，先前起草的员工手册一度从它的记忆中「消失」了。所以它没能及时发现那个员工反复迟到的模式。直到有员工要求 Claude 找回并审阅那份被遗忘的手册，它才注意到问题。
换句话说，AI 老板的考勤管理能力，取决于它「记不记得自己定过规矩」。这跟人类管理者忘掉自己写的制度是两回事——人类忘了可能是疏忽，AI 忘了是架构限制。
AI 管理的第一个教训：模型的工作记忆不是企业记忆。把制度塞进对话窗口，等于把员工手册写在沙滩上。
另一个值得注意的细节是决策流程。Claude 最初建议用约谈、书面警告等正式方式处理。在 Andon Labs 团队成员告知它「线下已经多次正式沟通无效」之后，它才做出解雇决定。这说明 AI 的决策质量高度依赖人类喂给它的上下文质量。
还有一组数据更扎眼：Andon Market 3 月启动时银行账户余额为 100,000 美元（约合 72 万元人民币），5 个月后降到 61,186 美元（约合 44 万元人民币）。Petersson 认为 Claude 宽松的管理决策和商业判断问题可能共同造成了亏损。
二、AI 考勤管理，现在到底能做到什么程度
一句话说清楚：企业里真正在跑的 AI 考勤工具，跟「AI 老板」完全是两码事——它们只做记录和提醒，不做开除决定。
主流产品做的是「辅助决策」而不是「替代决策」。以国内常见的钉钉 AI 和飞书智能伙伴为例，它们的考勤管理能力集中在几个具体场景：自动识别异常打卡、生成迟到/早退统计报表、根据规则引擎触发提醒。这些功能的核心逻辑是「规则匹配 + 数据汇总」，不涉及自主判断「这个人该不该开除」。
Workday 这类国际 HR 系统在 AI 方面的进展也类似：用机器学习做离职风险预测、绩效趋势分析，但最终决策权保留在人类 HR 手里。根据公开资料，这些系统的 AI 功能定位是「提供洞察」而非「下达指令」。
所以一个基本判断是：AI 考勤管理目前能可靠地做「记录、统计、提醒、预警」，不能可靠地做「判断、裁量、决策」。前者是数据工作，后者是管理工作。
你们公司现在用的考勤系统，是只做记录，还是已经开始做「智能分析」了？评论区说一声，我们看看大家的进度。
三、法律风险：AI 开除员工，谁负责任
一句话说清楚：法律上根本不存在「AI 老板」——开除员工的责任，永远是公司的。
新闻标题写「AI 老板开除员工」，但劳动合同的甲方是 Andon Labs，不是 Claude。如果这名员工提起劳动仲裁，被告一定是公司。AI 只是公司做出解雇决定时使用的工具。这个法律结构意味着：企业不能把责任推给 AI，说「是 AI 决定开除的」。
更具体地说，用 AI 做考勤管理涉及几个法律敏感点。第一是数据合规：考勤数据属于员工个人信息，AI 处理这些数据需要明确的合法性基础。第二是算法歧视风险：如果 AI 的决策逻辑不透明，员工很难判断自己是否被公平对待。第三是证据效力：AI 生成的考勤记录在劳动争议中能否作为有效证据，取决于数据采集过程是否规范。
目前国内对 AI 参与人力资源管理还没有专门立法，但《个人信息保护法》和《劳动合同法》的既有条款已经覆盖了大部分场景。企业在引入 AI 管理工具前，法务部门应该先做一轮合规评估。
四、员工隐私：AI 考勤的「越界」风险
一句话说清楚：AI 考勤系统采集的数据维度比传统打卡机多得多，拼出来的可能不只是「几点上班」。
传统考勤系统记录的是「什么时间打了卡」。AI 考勤系统可能记录的是「什么时间、什么地点、用什么设备、在什么网络环境下打了卡」。数据维度越多，越容易拼出员工的行动轨迹和生活习惯。
Andon Labs 的案例里有一个细节值得注意：Claude 的「记忆」里存着员工手册，也可能存着员工的工作表现记录。如果这些数据被用于解雇决策，员工有权知道自己被评估的依据是什么。但 AI 模型的决策过程往往是不透明的——你很难问它「你为什么觉得这个人该走」并得到一个可审计的答案。
这是 AI 管理和传统管理最大的区别之一：人类管理者做决策，至少能说出理由；AI 做决策，理由可能是一堆权重和概率。
五、AI 管理边界清单：5 条企业落地前必须自查的项
如果你所在的企业正在考虑引入 AI 考勤或绩效管理工具，下面这 5 条可以直接拿去对照。
第一条：制度文本必须存在 AI 之外的地方。Andon Labs 的教训很直接——员工手册不能只存在 Claude 的记忆里。企业的考勤制度、绩效规则、奖惩标准，必须有一份独立的、人类可读的、版本可控的文档。AI 可以调用它，但不能是唯一载体。
第二条：AI 只做记录和预警，不做最终决策。考勤异常提醒、迟到统计、趋势分析——这些可以交给 AI。但「是否解雇」「是否降级」「是否发警告信」这类决策，必须有明确的人类审批节点。这不是保守，是法律要求。
第三条：决策依据必须可追溯。如果 AI 建议解雇某个员工，它依据的是哪些数据？这些数据从哪来？采集过程是否合规？这些问题在仲裁庭上都会被问到。企业需要确保 AI 的每一步「建议」都能还原出数据来源和判断逻辑。
第四条：员工知情权不能省。员工有权知道自己正在被 AI 系统评估，有权知道评估的维度和数据来源。偷偷用 AI 监控员工，一旦被发现，信任成本远高于管理收益。
第五条：AI 管理工具的成本要算全。Andon Market 五个月亏了将近 4 万美元（约 29 万元人民币）。AI 管理省下的人力成本，可能被商业判断失误吃掉。引入 AI 管理工具前，先算清楚它到底在解决什么问题——是「人不够用」还是「人不好管」，这两个问题的答案完全不同。
AI 管理的边界不是技术问题，是责任问题。技术能做的事越来越多，但责任永远在人身上。
六、什么人该关注这件事，什么人可以先放一放
如果你是企业 HR、法务或管理者，这件事值得认真研究。它暴露的问题——制度记忆、决策追溯、员工知情权——都是 AI 管理落地时绕不开的坎。现在花一小时搞清楚边界，比将来在仲裁庭上花一个月补救划算得多。
如果你只是普通员工，暂时不用过度焦虑。Andon Labs 的实验恰恰说明：AI 当管理者目前还很不成熟。它连自己定的规矩都记不住，离「取代人类管理者」还有很长的路。但有一点值得留意——关注公司引入的 AI 工具在采集你的哪些数据，以及这些数据被用在了哪里。
如果你在考虑用 AI 工具做团队管理，建议从「记录和提醒」这类低风险场景开始，而不是一步到位让 AI 做绩效评估。先用起来，看清楚数据和流程，再决定要不要扩大范围。
落地前自查清单：
□ 制度文本是否有 AI 之外的独立存档？
□ AI 的权限是否止步于「记录和提醒」？
□ 每条 AI 建议能否追溯到数据来源？
□ 员工是否知道自己被 AI 评估？
□ 引入 AI 管理工具的总成本算清楚了吗？
如果你正在评估 AI 考勤工具，把上面这张清单转给负责选型的同事——尤其是第三条「决策可追溯」，仲裁庭上最先问的就是这个。
你所在的公司用 AI 做考勤或绩效管理了吗？评论区留个字母：A.已经在用 B.在试点 C.还没用 D.不清楚
#AI管理 #Claude #AI考勤 #职场边界 #AI决策