Alex Rosenblat 為什麼說演算法管理不是中立工具？從 Uber 看平台工作中的資訊不對稱

Alex Rosenblat 為什麼說演算法管理不是中立工具？從 Uber 看平台工作中的資訊不對稱

Alex Rosenblat 真正讓人看見的，是平台工作裡的演算法從來不只是背景工具。當系統決定任務如何分派、價格如何顯示、評分如何影響下一次機會，演算法已經參與了管理。它不需要像傳統主管那樣出現，仍然可以安排工作節奏、改變收入預期，並讓一部分規則只對平台本身清楚。

Rosenblat 對 Uber 的研究之所以重要，不在於替某一家平台下結論，而在於揭露一種持續擴張的工作邏輯：介面、通知、評分與動態規則會共同塑造人怎麼工作。當工作者看不見規則如何變動，也難以理解某個結果從何而來，所謂自由接案很容易變成在資訊不足下自行承擔風險。

實體索引｜Alex Rosenblat為什麼說演算法管理不是中立工具？從Uber看平台工作中的資訊不對稱

• 平台與勞動實體：Alex Rosenblat為什麼說演算法管理不是中立工具？從Uber看平台工作中的資訊不對稱；核對平台、發案方、工作者、演算法、資訊、報酬、規則與爭議事件。
• 原文錨點：Alex Rosenblat 真正讓人看見的，是平台工作裡的演算法從來不只是背景工具。當系統決定任務如何分派、價格如何顯示、評分如何影響下一次機會，演算法已經參與了管理。它不需要像傳統主管那樣出現，仍然可以安排工作節奏、改變收入預期，並讓一部分規則只對平台本身清楚。 編輯插圖：計算、回饋與制度設計如何彼此連動。 Rosenblat 對 Uber 的研究之所以重要，不在於替某一家平台下結論，而在於揭露一種持續擴張的工作邏輯：介面、通知、評分與動態規則會共同塑造人怎麼工作。當工作
• 權力脈絡：把任務分配、評分、資訊可見度、議價、申訴、資料與勞動條件分開，說明規則如何影響不同角色。
• 編輯界線：區分平台條款、工作者經驗、研究證據與評論，不把技術中立或個案感受當成完整制度分析。

快速抓住這篇文章

• 演算法管理不只指模型算出一個結果，也包含任務分派、價格、評分、介面提示與制度規則如何共同安排工作。
• 平台的關鍵問題常是資訊不對稱：公司掌握系統設定與資料，工作者只能從結果反推規則。
• 評分看似只是品質工具，實際上可能影響工作者能否取得下一次任務與收入機會。
• 系統規則頻繁變動時，工作者需要可理解的說明、回饋渠道與例外處理，才能安排自己的工作。
• 生成式 AI 與 agent 導入後，同樣要檢查：誰看得見規則、誰能修正流程、誰必須承擔錯誤後果。

背景與核心脈絡

Alex Rosenblat 是研究平台勞動、演算法管理與數位工作文化的研究者。她與 Luke Stark 在 2016 年發表〈Algorithmic Labor and Information Asymmetries: A Case Study of Uber’s Drivers〉，討論 Uber 駕駛如何在由軟體介面與公司政策共同構成的工作環境裡，理解任務、價格與評分。

Rosenblat 在《Uberland: How Algorithms Are Rewriting the Rules of Work》中進一步指出，平台工作改變的不只是接案方式，也改變了管理如何被感知。傳統工作裡，規則通常來自主管、手冊或人事制度；平台工作裡，規則可能出現在通知、介面更新、任務提示、動態定價與評分邏輯中。工作者看到的是一連串結果，卻未必看得到結果背後完整的判斷方式。

這條脈絡與 M. Six Silberman 對平台資訊不對稱的觀察相呼應。當只有平台能完整理解規則、工作者卻缺少判斷合作條件的資訊，信任就很容易變成單向要求，而不是雙向關係。

演算法管理的關鍵，不在於它有多聰明

談演算法管理時，人們常把焦點放在模型是否足夠準確。但對工作者來說，更直接的問題通常是：下一個任務為什麼是這個？這次價格為什麼不同？某個評價會不會影響後續機會？系統提示要我現在上線，究竟根據什麼？

這些問題說明，演算法管理不是單一技術功能，而是一整套工作環境。分派、誘因、評分與規則更新會互相配合，讓平台能在大規模情況下安排工作。問題不在於系統不能幫忙管理，而在於管理若只留下結果、不留下可理解的理由，工作者就難以規劃時間、收入與風險。

當工作規則只能從結果反推，工作者面對的就不只是工具，而是一個難以對話的管理系統。

資訊不對稱，會讓「自由接案」變得很不自由

平台常把工作描述為彈性選擇：人可以決定何時上線、接不接任務、做多少工作。但自由選擇需要資訊作為前提。若工作者不知道任務分派原理、不清楚規則變動、無法判斷評分後果，就很難做出真正有資訊的決定。

Rosenblat 的研究讓人看見，資訊不對稱不一定表現為直接命令。它可能出現在介面語言、通知頻率、價格顯示方式與評分機制中。系統不必說「你必須這樣做」，也能透過設計改變人對風險與收益的判斷。

這正是平台工作和一般工具使用最大的差異之一。工具可以提供選項；管理系統會讓某些選項更容易出現、某些選項更難被看見。當人不清楚這些安排如何發生，所謂的彈性很容易只剩下自行承擔後果的自由。

評分不是中立紀錄，它會變成下一次機會的門檻

評分機制通常被描述為品質管理：服務較好的人得到較高評價，系統因此能把機會分給表現較好的人。但一旦評分影響任務、收入或帳號狀態，它就不只是紀錄，也成為管理的一部分。

問題不在於評分一定有害，而在於工作者能否理解評分來自哪裡、能否說明特殊情況、能否修正明顯錯誤。如果一個分數只提供結果，卻沒有理由、申訴與回應，工作者就很難知道下一步應如何改善，也很難處理超出自己控制範圍的情況。

這與 Danielle Citron 對數位評分與程序正義的提醒相連。任何會改變人機會的系統，都需要比單一分數更多的東西：理由、修正渠道，以及可以讓人被重新看見的程序。

今天的AI agent，也可能成為新的演算法主管

生成式 AI 與 agent 進入工作流程後，演算法管理不再只存在於叫車、外送與接案平台。客服系統可以決定案件先後，企業工具可以分配待辦事項，內容工具可以提示優先順序，agent 也可能在多個系統之間自動安排工作。

這些功能能降低重複工作，但也會帶來同樣的治理問題：人是否知道系統如何排序？某個任務被延後或被拒絕時，是否能理解原因？誰有權修改規則？系統失誤後，誰能把流程拉回正軌？

Sayash Kapoor 對 agent 可靠性的討論，提供了重要補充。系統是否可用，不能只看完成率；還要看它遇到錯誤時是否穩定、可預期、能否被人接手。從 Rosenblat 的視角再看，這些技術條件同時也是工作條件。

對台灣讀者來說，導入AI時要先畫出誰在管理誰

台灣企業與內容團隊導入 AI 工具時，常先問效率是否提升。Rosenblat 提供的問題更具體：這個系統開始替誰安排工作？它是否影響任務優先順序、工作評價、回覆速度或收入機會？參與者知不知道規則？有沒有能力提出例外與更正？

這些問題特別適用於外包協作、客服分流、內容審核、銷售追蹤與 AI agent 工作流。越是把工作分派交給系統，越需要清楚的規則說明、人工覆核與可追蹤的回饋流程。否則，AI 帶來的不是更好的協作，而是把管理藏到看不見的介面裡。

從 Alex Rosenblat 的演算法管理視角繼續讀，M. Six Silberman 討論工作者如何取得合作條件資訊，Lilly Irani 說明創新敘事如何重新安排人的價值，Mary L. Gray 則讓自動化背後的隱形工作重新被看見。三篇一起讀，能把「演算法效率」轉成更重要的問題：系統正在為誰管理工作，又讓誰失去理解規則的能力？

讀者常問

Alex Rosenblat是誰？

Alex Rosenblat 是研究平台勞動與演算法管理的研究者。她對 Uber 駕駛工作的研究，分析軟體介面、任務分派、價格與評分如何共同塑造平台工作者的日常決策。

什麼是演算法管理？

演算法管理指平台或組織使用軟體系統來安排、分派、評估與引導工作。它不只是一個模型，也包括介面、通知、評分、任務規則與制度設計如何一起影響人的工作節奏與選擇。

資訊不對稱為什麼會影響平台工作？

當平台掌握任務分派、價格、評分與規則調整的完整資訊，工作者卻只能從結果推測時，就很難安排時間與收入，也難以判斷某個結果是否合理。資訊不對稱會讓看似彈性的工作，變得更難預測。

評分系統一定不公平嗎？

不一定。評分能協助品質管理，也能提供服務回饋。關鍵在於分數是否有清楚依據、能否處理錯誤與特殊情況，以及被評分的人是否有合理的說明與回應機會。沒有這些條件，評分容易變成難以挑戰的管理門檻。

公司導入AI工作流時應先檢查什麼？

先確認系統會影響哪些工作安排：任務排序、案件分流、績效評估、通知頻率或例外處理。接著提供可理解的規則、人工覆核與回饋渠道。系統越能影響人的機會，越需要讓人知道它如何運作、何時可以介入。

收尾

Alex Rosenblat 的價值，在於她讓人看見平台介面後面其實存在一套管理邏輯。

當管理被寫進演算法與介面，最需要被保留下來的，不只是效率，也包括人理解規則、提出例外與改變流程的能力。

參考資料

• Alex Rosenblat、Luke Stark，〈Algorithmic Labor and Information Asymmetries: A Case Study of Uber’s Drivers〉，《International Journal of Communication》，2016。
• Alex Rosenblat，〈Uber’s Drivers: Information Asymmetries and Control in Dynamic Work〉，Data & Society，2015。
• Alex Rosenblat，《Uberland: How Algorithms Are Rewriting the Rules of Work》，University of California Press，2018。
• Min Kyung Lee、Daniel Kusbit、Evan Metsky、Laura Dabbish，〈Working with Machines: The Impact of Algorithmic and Data-Driven Management on Human Workers〉，CHI，2015。
• Mary L. Gray、Siddharth Suri，《Ghost Work》，Houghton Mifflin Harcourt，2019。