来源：HRflag

　　2026年夏天，AI与职场的关系正在越过一条新的边界。过去，企业谈AI，重点通常是招聘筛选、知识检索、会议纪要和流程自动化；现在，一些管理者已经把它带入更敏感的人员决策，甚至让模型参与判断谁应当被裁撤、谁应当被解雇。AI不再只替员工完成任务，也开始影响员工能否继续留在组织里，这让一个原本属于效率工具的问题，迅速变成了治理、责任与信任问题。

　　HR Dive在7月31日援引ResumeTemplates.com的一项调查称，在1000名来自员工规模501人以上企业、拥有直接下属且使用AI辅助下属管理决策的美国管理者中，59%表示会在决定裁撤谁时使用AI，58%表示会在解雇决策中使用AI。约四分之一的受访者称，他们“经常或总是”借助AI判断裁员对象；43%承认至少偶尔会让AI在缺少监督的情况下运行，17%则表示这种情况经常发生或一直发生。更值得管理层注意的是，38%的受访者从未接受过利用AI进行人力资源决策的伦理培训。

　　这组数据足够醒目，却不能被简单理解为“59%的企业已经让AI裁员”。调查对象本身就是AI使用者，地域集中在美国，答案来自管理者自述，因此不能直接外推到所有企业，也不能据此断言AI已成为裁员的普遍决策者。然而，它仍然释放出一个非常清晰的信号： 当通用AI进入管理者的日常工具箱，很多组织尚未建立正式规则，管理者却已经把它用于高影响的人事判断。 技术扩散速度远快于制度建设速度，才是这条新闻真正值得企业高管和HR负责人警惕的地方。

　　AI参与裁员，并不天然意味着决策更坏。模型可以帮助整理岗位重叠、业务需求、技能供给、成本结构和绩效记录，也能提醒管理者发现人工分析中容易遗漏的模式；如果使用得当，它甚至可能减少个别主管凭印象、亲疏或最近一次表现作判断的随意性。问题在于，裁员从来不只是一次数据分类，它同时涉及战略取舍、工作重新设计、合法合规、程序公平、员工尊严以及组织未来能力，任何一个模型都无法独立承担这些后果。

　　因此，真正需要讨论的并不是“AI能不能参与裁员”，而是AI可以参与到哪一步，哪些数据绝不能进入模型，谁必须对输出进行复核，员工能否获得解释，以及最终责任由谁承担。 企业可以把计算交给AI，却不能把价值判断、法律义务和管理责任一起外包。 如果这条边界没有被写进制度，所谓“人类在环”很容易退化为管理者在系统生成名单后点一下确认，而那并不是真正的监督。

　　调查显示，受访管理者让AI评估裁员对象时，80%会要求模型考虑绩效和生产率，57%会考虑出勤，42%会考虑薪酬或用工成本。表面看，这些都是管理中常见的信息，但当数据脱离业务语境，它们就可能产生完全不同的含义。销售额下降可能来自区域市场调整，产出减少可能来自承担了长期项目，出勤异常可能与依法休假有关，高薪也可能对应稀缺技能和关键客户关系。

　　更敏感的数据已经进入部分管理者的提示词。调查中，31%的受访者会要求AI考虑频繁病假或医疗休假，32%会考虑任职年限，23%会考虑带薪休假，14%会考虑年龄。它们并非普通的生产率变量，而可能与健康、家庭责任、年龄保护、合同权利和历史贡献紧密相连；把这些字段放进模型，不会因为输出以表格和分数呈现，就自动获得正当性。

　　算法常常制造一种“数字已经说话”的错觉。一个员工获得72分，另一个员工获得68分，差距看似，但分数背后可能只是管理者随手选择的权重、信息系统中不完整的记录，以及模型对模糊描述的概率性解释。 小数点不会增加事实，只会增加确定性的外观。 在裁员这种高影响场景中，越整齐的排行榜，越需要追问其数据来源、评价目的和业务含义。

　　组织数据本身也并不天然中立。绩效评级可能受到主管打分尺度影响，项目工时无法完整记录隐性协作，创新岗位的价值很难用短期产出衡量，后台职能的贡献经常体现在风险没有发生、业务没有中断。若企业把这些历史记录直接交给AI训练或分析，模型可能把过去的管理偏差当成未来决策规则，并以更快的速度、更大的规模重复它们。

　　这也是为什么“模型没有读取性别”并不等于不存在差异影响。工作地点、工龄、休假记录、排班方式、晋升速度、薪酬区间和职业路径，都可能与某些群体特征存在关联；即使删除一个敏感字段，其他变量仍可能成为替代信号。风险不只来自模型主动歧视，也来自企业没有理解数据之间的关系，却让一个看似智能的系统完成了复杂归因。

　　调查中还有一个容易被忽略的结果：58%的管理者无法确认公司是否对所用AI进行过偏差测试，另有23%明确表示没有测试。换句话说，很多使用者对工具如何工作、是否适用于员工决策、输出是否稳定并没有充分把握，却已经愿意让它触碰裁员这一组织中最敏感的权力。 企业面临的更大风险未必是拥有一个性能不够好的模型，而是允许未经验证的工具进入未经授权的场景。

　　不少企业在经营压力下会自然地问：“哪些人可以减少？”AI尤其擅长接受这种问题，因为它能迅速整合信息、生成排名并提供理由。可一旦问题从“业务需要怎样改变”直接跳到“谁应该离开”，组织就把战略问题缩减成了人员筛选问题，也容易错过流程重构、内部调配、技能转换和管理简化等更有价值的选择。

　　更稳健的起点应当是工作，而不是人。企业需要先识别未来一至两年哪些客户需求正在增长，哪些产品与流程已经失去价值，哪些任务可以自动化，哪些任务需要人机协作，哪些判断仍必须由拥有经验和责任的人完成。岗位是否保留，应当来自工作组合和组织能力的变化，而不是来自一张把员工按“可替代程度”从高到低排列的名单。

　　这一区分看似细微，实际会带来完全不同的决策结果。假设一家制造企业希望通过AI降低订单处理成本，如果直接比较员工录单数量，系统很可能把处理复杂订单、解决异常问题的人排在低位；如果先拆解流程，就会发现标准录入确实可以自动化，但异常识别、客户协商、跨部门协调和合规判断反而需要强化。前一种做法是在减少人数，后一种做法是在重新设计工作，而真正可持续的效率通常来自后者。

　　岗位分析还应当把“当前产出”与“未来能力”区分开。一个岗位今天承担大量重复任务，不代表这个岗位整体没有价值，也可能意味着组织尚未把可自动化部分拆出去；一名员工目前的AI使用水平不高，也不代表其业务知识、客户信任和学习能力可以被忽略。 AI时代的人力规划，不应把岗位当成不可分割的盒子，而要把任务、技能、关系和责任重新组合。

　　调查显示，44%的受访管理者曾被要求判断AI能否替代某个职位，其中75%认为可以；另有一部分管理者直接询问AI，某个人的工作是否能由AI完成。这里存在明显的循环论证：让AI评价“AI能否替代这个岗位”，模型天然会高估可以由文本、规则和历史样本描述的工作，同时低估现场感知、情境判断、关系维护和后果承担。真正的问题不是模型是否自信，而是企业有没有用真实业务测试验证替代范围。

　　因此，任何涉及编制缩减的AI项目，都应当先产出一张“工作变化图”，而不是一张“人员风险榜”。图中需要说明哪些任务消失、哪些任务缩减、哪些任务被增强、哪些新任务出现，以及每项变化对应的质量、风险和客户影响。只有当工作设计被验证后，企业才有依据讨论岗位合并、自然减员、转岗培训或人员调整，决策顺序不能倒置。

　　企业之所以容易让AI参与裁员，是因为绩效系统里已经积累了大量可计算的数据。季度评分、目标完成率、销售额、项目工时、出勤记录和行为标签，看上去为模型提供了现成燃料，但这些数据最初未必是为裁员设计的。用发展性反馈的数据决定员工去留，就像把体检指标直接当作手术方案，中间缺少目的转换、专业解释与必要验证。

　　传统绩效管理有一个长期难题：很多指标测量的是“容易看见的活动”，而不是“真正创造的价值”。回复邮件、完成工单、提交代码、拜访客户都可以计数，但避免一次重大风险、带出一支团队、稳定一个关键客户、帮助同事解决复杂问题，往往难以进入系统。AI如果只读取结构化记录，最容易把高频活动误判为高价值，把沉默但关键的贡献排除在外。

　　生成式AI普及后，这种错位会更加明显。员工可以更快地产出文档、方案、代码和分析，单纯以数量衡量绩效的体系会迅速失真；管理者真正需要评估的，将从“完成了多少”转向“解决了什么问题、判断质量如何、是否创造可复用成果、有没有控制风险”。如果绩效标准没有先升级，AI参与裁员只会把过时指标放大，而不会自动形成更先进的评价。

　　同样需要警惕的是时间窗口。短期绩效低迷可能来自员工承担组织变革、系统迁移、人才培养或高难度探索，这些工作在早期经常表现为投入增加、可见产出减少；如果模型偏好最近三个月的数据，它会系统性低估长期项目和探索性岗位。如果模型使用多年平均值，又可能忽略员工最近的成长和岗位变化，任何时间窗口都包含管理选择，而不是纯技术参数。

　　绩效数据也需要经过“同类可比”检验。不同区域的销售目标、不同成熟度的产品、不同复杂度的客户、不同资源配置的团队，不能简单放进一张表横向排名；员工休假、借调、转岗和承担临时任务，也需要在数据中得到正确校准。 真正公平的比较不是所有人使用同一公式，而是相同情境使用一致规则，不同情境得到合理解释。

　　企业如果希望AI辅助分析，应先建立最基本的绩效证据链：指标与岗位价值之间有什么关系，数据由谁记录，员工是否有机会纠错，主管评价是否经过校准，例外情况如何处理，模型输出能否回溯到原始材料。这条证据链的价值，是让管理者能够从结论返回事实，而不是只接受模型提供的概括。没有它，AI生成的结论即使语言流畅，也只能作为线索，而不能成为人员决定的依据。

　　调查中，91%的受访管理者表示，如果不同意AI的裁员建议，自己会推翻它。这个数字听起来令人安心，却留下了一个更现实的问题：管理者凭什么知道自己应该不同意？如果管理者不了解模型局限、不熟悉数据偏差，也没有接受过相关训练，那么“保留人工否决权”可能只是一项形式安排，而不是有效治理。

　　人类监督并不等于把最终按钮留给人。真正的监督要求管理者能够理解工具被允许回答什么问题、使用了哪些数据、哪些输出缺乏依据、哪些人群可能受到差异影响，并在必要时要求补充信息或停止使用。管理者还需要记录为什么接受或拒绝建议，使后续复核能够看见判断过程，而不是只留下一个最终名单。

　　这意味着企业的AI培训必须从“如何写提示词”升级为“如何承担决策责任”。面向普通员工的课程可以关注效率、信息安全和结果核验，面向管理者的课程则要加入绩效证据、劳动用工、个人信息、偏差识别、解释沟通和申诉处理。越接近晋升、薪酬、调岗、纪律处分和裁员等高影响场景，培训越不能停留在工具技巧层面。

　　HR团队也需要形成新的专业能力。过去，HR可能更多负责制度解释、流程执行和员工沟通；现在还要能够参与数据字段审查、供应商评估、模型用途界定、影响评估与决策审计。HR不必成为算法工程师，但必须有能力把业务语言、劳动规则与技术逻辑连接起来，知道何时需要法务、数据、信息安全和员工关系团队共同进入。

　　对业务负责人而言，最需要补上的能力是工作拆解与价值判断。一个岗位中哪些任务能由AI完成，哪些任务需要人机协作，哪些任务一旦出错会造成重大后果，不能只靠一次演示或一份咨询报告决定。管理者需要通过小规模试点观察质量、周期、异常率和客户反馈，再决定工作如何重组，而不是把模型能够生成某种输出，直接等同于它能够承担完整岗位。

　　企业还应当训练管理者识别“自动化偏见”。当系统给出分数、排名和解释时，人容易认为它比自己的判断更客观；特别是在裁员这种压力巨大、责任沉重的情境中，管理者更可能借助工具减轻心理负担。 如果AI让管理者感觉自己只是执行数据结论，组织就已经失去了最重要的责任防线。

　　广告

　　很多企业会在制度中写下“AI仅供参考，最终决定由人作出”。这句话有必要，但远远不够，因为它没有说明哪个人负责、依据什么标准负责、需要完成哪些复核，也没有说明当模型输出影响多人时由谁承担系统性责任。模糊的人类责任，和模糊的算法责任一样危险。

　　更可执行的做法，是把责任分成业务责任、制度责任、技术责任与最终审批责任。业务负责人要证明岗位和任务变化确有经营依据，HR要确保评价标准、程序与员工沟通符合制度要求，技术与数据团队要验证数据质量、权限、稳定性和偏差风险，法务与合规团队要对高风险场景进行审查。最终批准人必须看到完整材料，并对决策结果签字，而不是只审批一个总人数。

　　责任设计还要覆盖外部供应商。企业购买的人力资源系统、人才分析平台或通用大模型，不会因为由第三方提供，就把雇主的责任一起转移出去；供应商宣称“模型客观”也不能替代企业自己的适用性评估。合同中应明确数据用途、模型变更通知、日志留存、测试材料、分包安排、事件响应和审计协作，否则企业可能连系统为什么给出某个结果都无法解释。

　　高管层在这里承担的并不是技术审批，而是风险偏好设定。董事会或经营管理层需要明确，哪些AI应用可以自由试验，哪些必须备案，哪些需要跨部门评审，哪些场景原则上禁止全自动决策。裁员、解雇、晋升、薪酬和纪律处分显然属于高影响场景，不能与生成一份会议摘要使用同一套授权机制。

　　国际监管趋势已经提供了清晰信号。欧盟《人工智能法案》把影响招聘、劳动关系管理、晋升与终止劳动关系等用途的部分AI系统列为高风险场景；美国平等就业机会委员会也反复强调，雇主使用AI并不会让既有的反歧视责任消失。对中国企业而言，这些规则未必直接适用于所有业务，却说明全球治理方向正在从“模型是否先进”转向“用途是否高风险、过程能否解释、责任能否追溯”。

　　中国《个人信息保护法》对自动化决策同样提出了透明度以及结果公平、公正等要求；当自动化决策对个人权益产生重大影响时，个人有权要求说明，并有权拒绝处理者仅通过自动化决策作出决定。这并不意味着所有AI辅助人事分析都适用同一种处理方式，但足以提醒企业认真区分“辅助分析”与“仅由自动化系统决定”。企业在具体项目中仍需结合适用法律、劳动制度和业务所在地进行专业审查，但管理原则已经很明确： 重要人事决定不能因为接入了AI，就变成无法解释、无法纠正、无人负责的黑箱。

　　治理的起点，是建立AI使用场景清单。企业需要知道员工和管理者正在使用哪些工具、处理哪些数据、产生何种影响，而不能只登记由IT部门采购的正式系统；通用聊天机器人、个人订阅工具、表格插件和部门自行购买的软件，同样可能被用于人员评价。场景清单不必一开始就追求复杂，但至少要记录工具、用途、数据、使用者、影响对象与负责人。

　　在此基础上，企业可以按影响程度分级。用于撰写岗位说明、整理匿名调研主题的工具，风险相对较低；用于推荐培训、辅助人才盘点的工具，需要更严格验证；一旦进入薪酬、晋升、调岗、处分、裁员和解雇，便应进入更高等级审查。风险分级的意义不是给AI贴标签，而是让治理资源集中到后果最严重的决策上。

　　高风险场景上线前，需要进行一次完整的影响评估。评估不仅要测试模型准确率，还要回答使用目的是否必要、是否存在风险更低的替代方案、数据是否适当、不同群体结果是否存在显著差异、员工能否理解和纠错、人工复核是否真实有效。NIST的AI风险管理框架提出治理、识别、测量和管理等环节，企业可以把这类思路转化为自己的检查表，而不是等到争议发生后再补材料。

　　数据治理应当遵循“最少够用”，而不是“越多越准”。与医疗休假、健康、年龄、家庭状况、工会活动等相关的信息，不能因为系统中已经存在，就默认可以进入裁员分析；即使某项数据在特定情形下具有合法、正当用途，也需要严格控制访问、目的和留存。字段审查必须由HR、法务和数据团队共同完成，不能只由模型开发者按相关性自动选择。

　　模型验证也不能只做一次。通用模型会更新，供应商会调整算法，企业数据分布会变化，管理者的提示词还可能改变工具的实际用途；因此，批准的是一个具体版本、具体场景和具体流程，而不是批准某个品牌。组织需要定期抽样复核输出，对重大偏差、异常建议和员工申诉建立事件记录，并在必要时暂停使用。

　　真正的人工复核应当设置“双重独立判断”。一种可行方式是，业务和HR先依据正式标准完成判断，再查看AI分析，用它寻找遗漏或矛盾，而不是从模型名单开始逐项确认；另一种方式是安排未参与初始决策的复核者检查证据与程序。这样可以降低锚定效应，避免AI给出的第一份排名控制后续讨论方向。

　　员工解释机制也应当提前设计。企业不必公开模型全部技术细节，但应当能够说明决定基于哪些工作变化和评价标准、AI在其中扮演什么角色、哪些信息经过人工核验，以及员工可以通过什么渠道提出事实错误和程序异议。解释不是公关话术，而是迫使组织检验自身决策是否站得住脚的一种治理工具。

　　最后，企业必须保留可审计记录。记录内容包括决策目的、使用工具与版本、输入数据范围、提示词或规则、测试结果、人工复核意见、例外处理、批准链路和沟通材料。没有这些记录，组织在数月后往往无法还原当时发生了什么，也无法判断问题来自数据、模型、流程还是管理者。

　　当员工知道AI可能参与裁员，影响不会停留在被调整的人群。留下来的员工会重新理解绩效系统中的每一个数字，担心一次病假、一段育儿假、一项延期项目或一次与主管的分歧，是否会成为未来模型里的负面变量。原本用于改善工作的数据，可能被员工视为持续监控的证据，组织因此失去真实反馈和主动协作。

　　这种信任损失会直接影响AI转型。企业一边鼓励员工共享知识、试用工具、记录流程，一边又让员工担心这些数据会被用于证明岗位可以被替代，员工自然会减少分享、隐藏技巧，甚至刻意维持流程复杂度。 如果AI转型被员工理解为一场寻找可裁对象的工程，组织就很难获得转型真正需要的知识贡献。

　　因此，裁员沟通不能只解释经营压力，还要说明组织如何使用AI。企业需要明确，AI是否参与岗位分析、是否参与人员评价、哪些信息不会被使用、最终由谁负责，并承诺提供纠错渠道。越是在敏感时期，越不能用“系统综合评估”这种模糊表述，因为它既不能帮助员工理解，也会放大对黑箱的想象。

　　对保留员工的管理同样重要。团队会关注工作量如何重新分配、AI承担了哪些任务、质量与风险由谁负责、绩效目标是否随之调整，以及管理层是否只是把更少的人放进更高的负荷中。若企业只完成编制削减，却没有重做流程、目标和授权，短期成本下降可能很快被返工、流失和客户体验波动抵消。

　　组织还要为管理者提供沟通支持。让一线主管拿着系统生成的统一话术面对员工，无法处理复杂情绪和个体事实；管理者需要理解决策逻辑，也需要有空间承认不确定性、回应具体问题并把错误带回复核流程。尊重并不意味着所有人都会同意结果，而是让每个人知道自己面对的是能够说明理由、接受质询并承担责任的组织。

　　AI参与裁员之所以成为热点，表面上是技术越界，深层原因却是很多企业的岗位体系、绩效体系和能力体系本就彼此割裂。岗位说明多年不更新，绩效指标追逐可计数活动，培训与真实工作变化脱节，到了编制调整时，管理层只能依赖成本、评分和主管印象做快速取舍。AI只是把这些旧问题集中呈现出来，并让决策速度超过了组织纠错速度。

　　HR的首要任务，是让岗位体系重新反映工作。每个关键岗位都应当拆分为可自动化任务、可增强任务、人类专属判断和最终责任，并定期根据技术与业务变化更新。这样做不是为了寻找“可裁比例”，而是为了看见哪些岗位需要重构、哪些人可以转向更高价值工作、哪些能力必须提前储备。

　　岗位变化一旦明确，绩效标准才有可能随之更新。AI承担了资料汇总和初稿生成后，员工的价值不应继续按照文档数量衡量，而应更多体现问题定义、判断质量、利益相关方协同、结果落地和风险控制。绩效改革因此不是AI项目的配套动作，而是决定AI能否创造真实生产率的核心工程。

　　新的绩效标准又会自然推动能力建设。员工需要的不只是掌握某个工具，而是学会把业务问题转化为人机协作流程、核验输出、处理异常、保护数据并对结果负责；管理者则要具备工作设计、证据判断、团队转型和伦理决策能力。培训如果只教授提示词，很快会被产品更新淘汰；围绕任务、判断和责任建立的能力，才会随着工具变化持续发挥作用。

　　当岗位、绩效与能力形成闭环，管理责任也必须随之升级。业务负责人不能把人员结构问题交给HR，HR不能把模型风险交给IT，IT也不能把伦理与合规完全交给供应商。 AI时代真正稀缺的不是自动生成答案的能力，而是有人愿意为问题定义、证据质量和最终后果负责。

　　这也是CHRO应当进入经营决策前端的原因。裁员不是人力资源流程的末端执行，而是战略选择在组织层面的结果；如果HR只在名单形成后负责沟通和手续，就无法纠正岗位设计、绩效证据与数据使用中的根本问题。CHRO需要在业务提出编制目标时就参与讨论，追问工作如何变化、替代假设如何验证、内部转岗是否充分、关键能力是否会被一并削弱。

　　对CEO而言，最重要的动作不是宣布“禁止AI参与裁员”，而是明确高影响人事决策的治理原则。完全禁止可能让实际使用转入地下，而毫无边界地鼓励创新则会让个体管理者自行承担他们并不理解的风险。企业需要公开说明AI可以用于资料整理和情景分析，但不得在缺乏正式授权、验证和独立复核的情况下生成或决定人员名单。

　　对CHRO而言，应尽快开展一次针对真实使用行为的盘点，而不是只询问HR系统供应商。可以通过匿名调研、管理者访谈和工具日志了解，是否有人把员工信息粘贴进通用模型，是否有人用AI生成绩效评语、改进计划或裁员建议，是否存在个人付费工具绕过公司权限。只有看见“影子AI”的实际用法，制度才不会停留在纸面。

　　随后需要给现有场景分级并立即处理高风险用途。对于未经批准而用于裁员、解雇、纪律处分或健康相关判断的工具，应先暂停自动化影响，保留必要记录，再由跨部门团队判断能否整改和继续使用。这里的重点不是追责个别管理者，而是修补企业此前没有提供清晰规则、适用工具与培训的制度空白。

　　企业还应建立一个规模不必很大、但权责清晰的评审机制。成员可以来自业务、HR、法务、数据、信息安全和员工关系，会议围绕真实用例而不是抽象伦理展开，重点审查目的、数据、影响、人工复核和退出条件。对于重大人员调整，评审结果应进入高管决策材料，使成本收益与员工、客户、能力和合规影响同时被看见。

　　在具体裁员项目中，建议把流程分为工作重构、岗位影响、人员匹配和最终审批几个相互制约的环节。AI可以帮助分析任务和模拟情景，却不应自行跨越环节，把“某项任务可自动化”直接推导成“某名员工应离开”。每个环节都需要不同证据和负责人，这种结构化隔离能够显著减少责任被一份模型输出吞没的风险。

　　决策完成后，企业还要复盘实际结果。需要观察节省是否真实发生、剩余团队的负荷与质量是否稳定、关键知识是否流失、客户体验是否变化、不同员工群体是否受到异常影响，以及申诉中是否暴露数据错误。没有结果复盘，企业就无法知道AI分析究竟提高了决策质量，还是仅仅加快了一个原本就不充分的过程。

　　AI参与裁员决策之所以引发关注，并不是因为机器突然获得了管理权，而是因为管理者可能在没有充分制度约束的情况下，悄悄把一部分权力交了出去。模型能够在几分钟内读取数百人的记录、生成排序并写出看似完整的理由，这种便利在经营压力下具有巨大诱惑。可越是容易得到的答案，越可能掩盖问题定义、数据质量和价值判断中的缺口。

　　企业当然需要效率，也需要在必要时调整组织结构。负责任的AI治理并不是拖慢决策，而是避免企业用更高的速度做出更难纠正的错误；一次人员决定可能影响劳动关系、团队信任、客户连续性和未来能力，它的真实成本远不止当期薪酬。把必要的审查放在决策之前，通常比在争议、流失和业务波动发生之后修复更有效率。

　　未来，AI在人才管理中的角色还会继续扩大。它会参与技能识别、团队配置、绩效反馈、职业发展和组织规划，也会让企业比过去更早地看见结构问题。真正领先的企业不会因为风险而拒绝这些能力，而会让每一种能力都对应清晰边界、可靠证据、人工判断和可追溯责任。

　　对企业高管和HR负责人而言，这条新闻最值得带走的结论并不是“不要让AI碰裁员”，而是重新确认管理的本质。 AI可以帮助企业看见模式、比较方案和识别矛盾，但决定组织需要什么工作、如何对待贡献者、愿意承担何种后果，始终是管理层不能放弃的职责。 一旦责任仍然清晰，AI才可能成为提高决策质量的工具；一旦责任开始模糊，再聪明的模型也只会让问题更难被看见。

　　1. HR Dive， “Managers say they are using AI to make layoff decisions，” July 31， 2026：https://www.hrdive.com/news/managers-are-using-ai-to-make-layoff-decisions/826697/

　　2. ResumeTemplates.com， “3 in 5 Managers Use AI To Decide Who Gets Laid Off，” 2026：https://www.resumetemplates.com/career-advice/3-in-5-managers-use-ai-to-decide-who-gets-laid-off/

　　3. HR Dive， “AI-using managers rely on the tool to decide who gets promoted or fired， survey shows，” July 9， 2025：https://www.hrdive.com/news/managers-use-ai-to-decide-who-gets-promoted-or-fired/752528/

　　4. U.S. Equal Employment Opportunity Commission， “Artificial Intelligence and Algorithmic Fairness Initiative”：https://www.eeoc.gov/newsroom/eeoc-launches-initiative-artificial-intelligence-and-algorithmic-fairness

　　5. National Institute of Standards and Technology， “Artificial Intelligence Risk Management Framework (AI RMF 1.0)”：https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10

　　6. European Union， Regulation (EU) 2024/1689， Artificial Intelligence Act：https://eur-lex.europa.eu/eli/reg/2024/1689/oj

　　7. 《中华人民共和国个人信息保护法》：https://www.cac.gov.cn/2021-08/20/c_1631050028355286.htm

　　注：本文依据公开报道、调查及法规资料撰写，调查结论受样本范围与自陈方式限制，不宜直接外推至所有企业。涉及具体劳动用工、个人信息与算法治理安排时，企业应结合业务所在地和实际情形进行专业审查。

　　原文链接：https://mp.weixin.qq.com/s/B5XkR4mC5AfxysDyyYl2lw