08 员工工作过程数据如何变成新契约

08 员工工作过程数据如何变成新契约

先看一份真实的方案。某制造业上市公司要上维修 AI，实施方案里写得很清楚：运维工程师处理设备故障时留下的工单记录、操作日志、校准数据，全部作为训练语料。工程师在故障发生时记录原因，这些原因就是监督学习的标签，用来不断丰富训练集。

方案通篇没有一句话，是写给那位工程师看的。他每天修设备的同时也在生产训练数据，而这件事从没有人跟他讲过。

这就是老板容易漏掉的一层：AI 不是只在学公司文档。它也在学员工怎么工作。

客服怎么判断一个客户是不是快炸了。销售什么时候不该继续推进。HRBP 为什么看到某个候选人的履历会停一下。工程师处理故障时为什么跳过手册里的前两步。这些东西过去叫经验。

现在叫训练资产。问题来了：这些经验到底是谁的？员工每天在系统里留下工单、批注、修改记录、沟通痕迹、操作路径、复核意见。过去这些东西只是流程留痕。AI 上来以后，它们开始变成模型可以学习的材料。对组织来说，这是好事——开头那份维修方案想采的，正是这些东西。

组织终于有机会把个人经验变成组织能力。但对员工来说，这件事很容易变成另一种感受：

公司正在把我会的东西学走，然后回头替代我。

这就是 AI 时代的数据契约问题。

如果这件事不讲清楚，AI 转型会从“组织学习”滑成“组织偷袭”。员工不会公开反对。他会配合。但他不会贡献真东西。

工作过程以前没人认真谈

很多企业以前默认一件事：

员工在公司工作，交出的报告、订单、代码、工单，就可以由公司统一管理。这是许多管理者习惯的工作安排，不是所有内容都可任意使用的法律结论。文件里可能还有个人信息、客户资料和第三方权利。AI 又把边界往前推了一步。它不只要成果。

它还想学过程。

一个老工程师最后修好了设备，这是成果。可 AI 更想知道的是：他为什么先查这个传感器。为什么没按手册顺序排查。为什么看到某个报警码，就判断这不是配件问题，是现场操作习惯问题。

一个 HRBP 推荐某个候选人，这是成果。可 AI 更想学的是：他为什么觉得这个人和团队气质合适。为什么看起来能力更强的那个反而风险更大。为什么业务老板嘴里的“急招”，其实是组织设计出了问题。

成果比较容易归属。过程很难。因为过程里面有员工的隐性判断、个人风格、经验路径和风险直觉。过去这些东西只是人在干活时自然发生的东西。现在它们被记录、被结构化、被训练，边界就变了。

所以别再用一句“这都是工作数据”糊过去。回去翻一眼你们正在建的那个 AI 系统的方案文档，看它采的是成果还是过程。采到过程，这就不是法务咬文嚼字了，这是组织信任的地基。

契约不是授权书

很多公司一听数据契约，会本能地往法务文件里想。让员工签一份授权。让隐私政策覆盖一下。让系统弹一个确认。

这都不够。员工工作过程数据契约，不是一份授权书。它是一套组织说明：

公司到底采什么，谁能看，怎么用，员工得到什么，出了错谁负责。

契约要答的这五个问题不说清楚，授权就是形式。

你让员工签了，他也不一定信。他真正关心的是：

我贡献出来的判断，会不会变成明天裁掉我的证据？

我留下来的过程数据，会不会被直属上级拿去做绩效判断？AI 学了我的经验以后，出了问题会不会追到我头上？这些问题不回答，员工就会开始自我保护。

工单写得更安全。复盘写得更空。关键判断留在脑子里。系统里留下来的，都是漂亮但没用的话。

想知道自己公司到了哪一步，有个不用花钱的办法：调出最近三个月同一个人写的工单，看字数是不是在变短。变短了，说明他已经开始自我保护。

组织以为自己拿到了数据。其实拿到的是噪音。

四类数据要分开

员工工作数据不能一锅端。

至少要分四类。

第一类是工作产出数据。文档、代码、工单、项目材料、客户记录。这类数据也不能因为放在公司系统里，就直接拿去训练。先核对公司有没有权利这样使用，再说明用途：是用来检索，用来优化流程，还是用来训练内部模型。三种用途，不是一张通行证。

第二类是工作过程数据。操作路径、修改轨迹、沟通记录、复核意见、审批习惯。这类数据更敏感，因为它开始接近人的判断方式。它能帮助组织学习，也最容易让员工觉得自己被监控。

第三类是评价相关数据。绩效面谈、能力评估、晋升讨论、人才盘点、招聘筛选意见。这类数据一旦进入 AI 系统，员工会立刻问一句：它会不会影响我未来的位置？所以必须格外谨慎。

第四类是高敏感数据。健康、薪酬协商、私人情况、工会和劳动关系相关内容。这些不应该被轻易拿来做 AI 训练。哪怕技术上能拿，也不等于组织上该拿。

老板要先做一张清单。这张清单不是让 CIO 去做技术字段表，是让 CEO、CHO、CIO 和那条流程的业务负责人坐在一起，对着每一类数据问三句：这些数据进系统以后，员工会怎么看？组织能不能解释？出了事谁负责？

四类分完，三句问完，你手里才有一张能拿去开会的表。没有这张表，就不要谈规模化。

透明解决“知不知道”

数据契约的第一层是透明。

员工至少应该知道三件事：采了什么。用来做什么。谁能看见。

这三件事听起来简单，但大多数组织答不上来。不是因为技术答不上来。是因为组织没有把它当作管理责任。透明不是发一封公告。

透明是员工随时能查到五件事：哪些系统在采我的工作过程数据。这些数据用在哪些 AI 场景。谁有访问权限。保留多久。用途变了谁来通知我。

这五条如果说不清，员工会用自己的方式判断。他不会看你写了什么价值观。他会看你到底有没有把边界摆到台面上。

拿这五条去问你们的 AI 项目负责人，能当场答出几条，就知道透明这一层现在有几分。

边界越模糊，员工越保守；员工越保守，组织越学不到真经验。

授权解决“同不同意”

透明之后，才是授权。

知道了，不等于同意；需要同意时，也不能拿一份通用同意书包下所有用途。工作产出数据，先确认合法来源、使用权利和具体用途，再决定哪些可以进入知识系统。涉及个人信息，还要核对适用的处理依据、必要范围和告知要求，不能一概靠“员工同意”或“公司产出”过关¹。工作过程数据，要按场景说明。比如某条客服流程、某类维修工单、某个投放复盘环节，为什么要采，采完怎么用，谁能看，员工怎么反馈。

评价相关数据，要更加克制。招聘、绩效、晋升、员工评价这几个场景，人必须保留判断权，组织必须保留复核机制。高敏感数据，原则上不进训练。

这里最危险的不是“采得太少”。是组织为了追求效率，把所有东西都当作训练材料。

这会让员工形成一个判断：

公司不是在升级组织能力，公司是在用 AI 偷袭我。

这个判断一旦形成，后面很难修。所以授权这一层的动作只有一个：把上面四类数据各自对应哪种授权方式，一条一条写下来，别让一份通用同意书替你回答四个不同的问题。

风险是双向的

这件事还有另一面。

不是只有公司会越界采员工数据。员工也会绕过公司，把组织数据送到外部 AI 里。

这个场景更常见。公司没有好用的 AI 工具，审批太慢，IT 说还在评估，安全部门说不能用，业务部门说我今天就要交付。最后一线员工自己打开个人账号，把客户资料、会议纪要、项目方案、候选人简历、内部数据贴进去。

这不是个别人的毛病。

斯坦福数字经济实验室 2026 年出过一份企业 AI 落地报告，研究的是 51 个已经跑过试点、能交付业务价值的项目。报告专门谈到这个现象，并引述了一项行业调查：使用 AI 的员工里，有七到八成用过未经公司批准的工具。这个比例不是那 51 个案例的统计，是报告转引的外部调查数字，看的时候留个心²。

但方向不用怀疑。报告给它的定性很值得老板念一遍：这是正式渠道跟不上员工需求时的组织症状。换句话说，他不是故意作恶。他只是想把活干完。但组织风险已经发生了。

所以数据契约不能只管公司怎么采员工，也要管员工怎么使用外部 AI。如果公司只说“禁止”，却不给一条合规、够快、好用的路，禁止就会变成地下使用。

风险没有消失，只是从组织视野里消失了。

这就是很多企业 AI 治理最虚的地方：台面上很严，台面下全靠个人账号。老板以为自己管住了数据，其实只是失去了审计路径。

一份真正可用的数据契约，必须同时回答两件事。公司要采员工工作过程，边界是什么？员工要用 AI 处理工作内容，边界是什么？前者保护员工信任，后者保护组织资产。

只写前者，会变成企业自我约束。只写后者，会变成员工行为管控。两边都写清楚，才叫契约。所以先别急着发禁令，先花一周查一件事：你们公司现在有多少活，是在个人账号上干完的。

收益解决“凭什么”

就算员工知道了，也同意了，还有一个问题：凭什么？员工贡献了高质量判断，AI 学会了，组织效率提升了。那员工得到什么？如果答案是没有，甚至下一步就是岗位被压缩，那员工下一次就不会再贡献真东西。

组织不能只讲奉献。要讲收益。收益不一定是直接分钱。更常见的方式是角色升级、绩效认可、项目机会和职业预期。

比如一个维修工程师把复杂故障的排查经验沉淀进系统。AI 接走标准问题以后，这个人不该被简单替代。他该往上走一格：去做异常复核，去当知识维护负责人，去校准训练数据，或者干脆做现场问题专家。

比如一个 HRBP 把候选人判断框架沉淀进系统。AI 可以先做信息整理和风险提示，但文化匹配、信任潜力、组织风险判断，仍然要由人来承担。

这笔交换不能只停在说法上。谁贡献了系统可复用的判断，谁修正了 AI 的错误，谁让流程结果更稳定，这些贡献要被看见。

不然，组织只是在消耗信任。这里最考验老板说人话的能力。不要对员工说：“公司要建设 AI 能力，希望大家积极贡献数据资产。”这句话没人信。

应该说得更直接：公司要把某条流程里的好经验沉淀下来，让新人少踩坑，让重复问题少发生，让你不用每天处理同一种低价值问题。你贡献的判断会被记录，你修正系统的贡献会被看见，AI 接走标准动作以后，你要往更高价值的异常判断、流程维护和系统训练上走。

这段话也许不完美。但它至少把交换讲清楚了。组织不是只拿走员工的经验。组织要给员工新的位置。

没有新的位置，就不要假装这是共同成长。员工不是反对 AI。员工反对的是：

我把真东西交出来，最后却发现自己没有未来。

这种恐惧如果不处理，后面的知识沉淀、流程重写、责任共担，都会变成空话。

先稳住信任，再谈系统学习。顺序不能反。

责任解决“谁背锅”

最后一层，是责任。

AI 基于员工数据做出判断，最后判断错了，责任不能简单追到数据贡献者身上。员工贡献的是某个场景下的经验。他没有决定模型怎么训练，没有决定系统用在哪个场景，也不一定参与最终输出审核。如果组织把系统设计和使用决策的责任，最后推给当初贡献经验的人，这不是负责。

这是找背锅人。负责和背锅不是一回事。负责的人，在事情发生前有权利、有信息、有时间、有纠偏通道。背锅的人，是事情发生后被拿出来承担后果。

AI 数据契约必须把责任这五问讲清楚。谁决定采集？谁决定用途？谁负责系统设计？谁负责日常复核？谁对最终业务结果负责？

责任这五问不在上线前写清楚，出事以后就会互相踢皮球。

有一份发在《哈佛数据科学评论》（Harvard Data Science Review，一份专门研究数据与决策的学术期刊，简称 HDSR）上的研究，专门看人怎么评估 AI 给的建议。结论不太好听：人审 AI 并不天然可靠，人自己也会被 AI 的建议带跑³。所以别把“有人点了确认”当成责任闭环。

不过上面那五问不是外部研究给的，那是管理动作。没有信息、没有时间、没有权限、没有纠偏通道，人工确认就是橡皮图章。出了事，责任仍然在组织设计上。

我自己在这件事上认过一次。当时用的模型是别人交付的，里面一个参数没被正确激活，算出来的结果偏了；这件事完全可以推给上游，因为它确实是上游留下的。但我给内部的定性是：我用它的时候没查出来。

机制没写到的地方，最后拦住错误的从来不是流程，是有人愿意先把责任放到自己这一边。

所以这一节收工前，回去把这五问在你们那个 AI 项目上各填一个名字。填不满，就说明责任那一层还是空的。

“合规做了吗”为什么问不出东西

“员工数据合规做了吗？”——这句话在老板会上出现的频率极高，杀伤力却极低。它太容易被法务和 IT 接走：合规做了，同意书签了，流程走完了，会议继续往下开。而透明、授权、收益、责任这四层，一层都没被碰到。

要把这场会开出结果，会上这五问得由一号位自己问出口。我们现在到底采了哪些员工工作过程数据？这些数据分别用于检索、训练、评价、流程优化，还是业务决策？员工知不知道，能不能查到，能不能反馈？员工贡献高质量判断以后，组织如何认可和放大他？AI 基于这些数据输出错了以后，谁负责修正，谁负责复盘，谁负责最终结果？

这五问问完，很多公司的 AI 转型会露出底。露出来的往往不是技术没准备好，是契约没准备好。

契约缺位的后果是一条链。没有契约，组织学得越快员工越不安。员工越不安，真实的业务上下文越沉不下来。上下文沉不下来，AI 就只能学到表面材料。所以员工工作过程数据契约不是 AI 转型的阻碍，它是 AI 转型能不能走远的底座。

先挑一个项目，把话说清楚

落到这周，不用全公司铺开，先挑一个 AI 项目做三件事。

第一件，列一张员工工作过程数据清单：这个项目到底采了哪些工作产出、工作过程、评价相关和高敏感数据。

第二件，给每类数据写清楚用途和权限。谁能看，怎么用，保留多久，用途变了要不要重新说明。这几行写不出来，说明项目还没到规模化上线的时候。

第三件最容易被跳过，也最不能跳过：补一条收益和责任说明。写明员工贡献判断以后怎么被看见，AI 输出错了以后谁复核、谁修正、谁背结果。

这三件事不讲清，员工只会把真东西藏起来。组织想用 AI 学员工经验，当然可以，但先把话说清楚。说清楚不是为了好看，是为了让组织还能继续得到真实的经验。