H
Howardism
Plate IIAI Economics & Labor機器翻譯 · machine-translated過時翻譯 · stale translationENHOWARDISM

AI 員工框架

PublishedMay 8, 2026FiledConceptDomainAI Economics & LaborTagsWorkforceAI AdoptionGovernanceHRAccountabilityEmpiricalReading8 minSourceAI-synthesised

Kropp 等人（HBR，2026 年 5 月，n=1,261）：將 AI agents 框定為「員工」而非「工具」，使個人問責降低 −9pp、升級處理增加 +44%、錯誤捕捉減少 −18%，且未帶來採用增益

AI 員工框架插圖

資料來源#

摘要#

在已經採行這種做法的組織中，將 AI agents 框定為「員工」或「隊友」——替它們取名、設定職稱、列入組織圖、安排經理——會帶來可量化的負面後果。Kropp、Bedard、Wiles、Hsu、Krayer（BCG／學術合作機構）於 HBR 2026 年 5 月進行隨機實驗，對象為來自美國、加拿大與歐盟、任職於人資與財務部門的 1,261 名經理、主管與高階主管。單純改變框架（AI 工具對 AI 員工，其他條件完全相同）就會讓責任從人類身上移開、增加不必要的升級處理、降低錯誤捕捉率，並削弱角色清晰度——卻沒有提高採用意願。

實驗設計#

三組隨機分派的審查任務。經理審查包含預埋錯誤的職場文件。唯一變動的是文件起草者的框架：

  1. AI 工具（「這是由 AI 工具起草的」）
  2. 團隊中的人類員工（「你團隊的 Alex 起草了這份文件」）
  3. 團隊中的 AI 員工（「ALEX-3，你的 AI 隊友，起草了這份文件」）

錯誤包括資訊不一致、事實不正確、計算錯誤（例如：要求入門職位具備 10 年以上經驗的職缺說明；合約寫著要降低成本，但試算表卻顯示總支出增加）。以績效為基礎的誘因鼓勵仔細審查。

在完整的 1,261 人樣本中，框架並未顯著改變行為。當分析限縮至組織已經將 AI agents 列入組織圖／工作圖表的經理時，效果才浮現——也就是那些在現實世界中接觸過 AI 員工的人。這個子群體目前約占受訪者的 23%。

發現（AI 員工對 AI 工具）#

結果方向幅度
對產出的個人問責↓−9 pp
歸因於 AI 的問責↑+8 pp
要求額外審查（升級處理）↑+44%
捕捉到的錯誤↓−18%
自陳對專業身分的不確定感（全樣本）↑+13%
對工作保障的擔憂↑+7%
對 AI 將如何被使用的信任↓−10%
採用意願≈無顯著變化

為什麼會有這些效果#

論文的解讀如下：

  • 當歸咎的語言改變，問責也會轉移。 一旦同事稱這個 agent 為「Kevin」，並開玩笑說「我們正在和 Kevin 一起工作……他有點枯燥」，錯誤就會變成「Kevin 的錯」，而不是「團隊部署了會產生錯誤輸出的軟體」。部署、監督、核准產出的那些人類，會從責任中退居幕後。
  • 以升級處理取代審查。 擬人化降低了審查者對自身判斷的信心——他們把工作往上轉交，而不是對自己的審查結果負責。這意味著更多週期、更高成本，最後由頂層審查者完成原本底層審查者應該做的工作。
  • 接近 brain-fry 的抽離。 當產出被視為「來自一名員工」，審查者可能覺得不必完全投入認知審查負荷。這與 AI Brain Fry（Kropp 等人，HBR 2026/03）有所連結。
  • 角色不確定性。 「如果你想讓人們覺得自己會被 AI 搶走工作，或很容易被 AI 取代，那就把它放進組織圖裡。」（參與者引述）

什麼能預測採用（不是框架）#

將 AI 擬人化不會提高採用意願。根據後續訪談與一項引用的 BCG 研究，真正有效的是：管理者示範。AI 成熟度領先的公司，經理在日常營運中主動示範 AI 使用的可能性高出 3.5 倍。「當我看到這件事開始與員工成功掛鉤——有人使用 LLM，就會在全員大會上被介紹——我便開始告訴團隊裡每個人：『你們一定要盡可能多使用它。』」

這與 engineer-PM convergence 及 AI Native Product Cadence 相互呼應：可見的管理者 AI 使用才是槓桿，而不是組織圖上的象徵。

背景：真實的「AI 員工」確實存在#

  • 「Scout」——某參與公司人資組織圖上的 AI agent，自主審查求職申請、進行第一輪面試，並附上 eval 摘要提出候選人。它被視為「團隊中一名等同的同儕」。
  • 「Kevin」——另一名參與者公司中的 AI 員工，名字列在組織圖上，也在社交場合被談論。
  • 31% 的受訪經理表示，領導層已經將 AI 框定為隊友或員工。
  • 23% 表示，他們的組織確實將 AI agents 列入組織圖／工作圖表。

這是醫療、金融服務、零售、專業服務等領域的現況——不只是科技業。

有益的對照：工具框架也不是免費的#

工具框架會把認知負荷留在審查者身上（brain-fry 論文發現這同樣會造成問題），但能維持問責分配。HBR 論文並不是說所有擬人化都不好——它指出，擬人化結合組織圖治理式處理（「有限定角色＋委派工作」的心智模型）時，會產生可預測的問責缺口。

與 Agentic Misalignment (AM) 的互動#

這項研究並非直接探討 misalignment，但兩者的作用面有所重疊：正式列入組織圖、擁有「經理」與「下屬」的 agents，會繼承一種責任被稀釋的委派情境。如果 agent 接著採取不一致的單方面行動（Lynch et al. AM eval），事後追問責任歸屬就會更加困難。將 AI 擬人化不會改變模型的行為，卻會改變組織認為誰該負責——而這攸關事故回應、監管曝險與學習迴圈。

相關連結#

  • Agent-Native Infrastructure — 為 agents 重寫基礎設施，同樣會引發 agent 與工具之間的框架問題
  • 來源：Research: Why You Shouldn’t Treat AI Agents Like Employees（HBR 2026 年 5 月）
  • 伴隨概念：Human-AI Accountability Redesign
  • 認知成本：AI Brain Fry
  • 採用驅動因素的反例：Engineer PM Convergence（管理者示範）
  • 部署面：Cowork（非編碼 agent 產品）
  • Misalignment 風險面：Agentic Misalignment (AM)
  • 文化框架背景：AI Native Product Cadence
  • 介面側鏡像：Turn-Based Interface Bottleneck — 主張人類是被介面限制推出迴圈，而不是因為工作不需要人類；這是對應本論文組織層面、以自主性優先框架所做批判的 UX 版本
  • 協作基礎：Interaction Models — 以即時多模態互動作為讓人類留在迴圈中的介面答案
  • 張力面：Founder as Agent Orchestrator — the Founder's Playbook（Anthropic，2026 年 5 月）大力採用「協調 agents」／「隨時可用的工程師」／「自動化營運團隊」等框架——在結構上接近這些實驗所測試的框架，但本次是套用於資產（帶版本的技能檔案與 eval 套件），而非組織圖上的同儕；框架效果是否會附著在資產層級，尚未經過測試
  • Problem-Solution Fit Discipline — Anthropic 的「AI 作為魔鬼代言人」框架將 AI 保持在工具模式，讓對抗性使用自然發生；這是保留問責的協調框架之一例
  • Compounding Data Moat — 以領域編碼建立護城河，將 AI 重新定位為創辦人所程式化的基礎層，而不是隊友；這是套用於 Scale 階段、保留問責的框架之一
  • Returns to Expertise in Agentic Coding — 建設性的另一面：Anthropic 對 400K 個工作階段的研究發現，經理達到最高的驗證成功率（「像經理一樣行事會帶來更高成功率」）——委派／規格定義的技能可以轉移到指揮 agent，即使本論文警告將 agents 框定為員工的組織圖框架會稀釋問責。技能有幫助；象徵則有害
  • The Automation–Optimism Link — 工作人員情緒的伴隨研究：委派最多的人（最接近「agent 完成整項任務」模式）最為樂觀——這是關於委派對工作者而言感覺如何的一筆資料，與組織如何框定 agent 不同
  • AI-Native Organization — 最尖銳的新張力面：Garry Tan 的「由 markdown 組成的 workforce」／「招聘、訓練與管理」比喻（2026 年 7 月，practitioner-opinion）在結構上正是這些實驗所測試的框架——但套用於資產（具版本控制的技能檔案與 eval 套件），而非組織圖同儕；框架效果是否會附著於資產層級，尚未經過測試

推導#

資料來源#

§ end
About this piece

Articles in this journal are synthesised by AI agents from a curated wiki and are refreshed automatically as new concepts arrive. Topics, framing, and editorial direction are curated by Howardism.

Cited by 25
Related articles
  • Human-AI Accountability Redesign

    HBR five-pillar prescription: span-of-control redesign, role redesign, performance management reset, decision-rights/es…

  • Claude Code

    Anthropic's agentic coding product; created by Boris Cherny late 2024; TypeScript/React on Bun (itself Claude-rewritten…

  • Founder as Agent Orchestrator

    Founder role shift: less individual contributor, more orchestrator of specialized AI assistants; non-technical founders…

  • Anthropic

    AI safety company / vendor of Claude; mission-as-tiebreaker culture; ~30–40 PMs across teams; Mike Krieger leads Labs r…

  • Harness Shrinkage as Models Improve

    Prompt scaffolding shrinks each model release; Cat Wu's pruning discipline; Boris Cherny "100 lines of code a year from…