写一封邮件、整理一份会议纪要、生成一段代码，越来越多劳动者身边出现了“AI搭子”。它能缩短搜索和整理时间，也可能在不经意间编造事实、泄露信息、放大偏见。面对这种变化，讨论不应只停在“会不会被替代”，更现实的问题是：当AI进入具体岗位，谁来判断结果，谁对错误负责，劳动者如何获得新的能力与保障。不同单位使用的模型能力和数据边界并不相同，同一句“系统建议”背后可能是完全不同的训练材料和审核机制。员工若不知道工具从哪里取数、多久更新一次，就很难识别看似流畅却已经过时的答案。

    工具最容易被误用在看似标准化的环节。客服系统给出错误退款规则，招聘模型把非典型经历判为低分，医疗辅助工具遗漏特殊风险，表面上都是算法输出，后果却由顾客、求职者和患者承担。单位引入AI前，应先划定适用范围，高风险事项保留人工复核和申诉通道；不能因为系统采购自知名供应商，就把专业判断连同责任一并外包。采购环节要把准确性测试、日志留存、人工接管和事故通报写进合同。上线后抽取真实业务样本持续评估，而不是只看演示环境中的漂亮结果。发生重大误导时，应能够追溯输入、版本和复核过程。

    劳动者还需要知情权。企业用AI评价绩效、安排班次、筛选简历，应说明主要目的和影响，不用不可解释的分数决定收入与去留。员工在工作中输入合同、客户资料和内部数据，也要有清楚的权限规则和合规工具，不能一边要求提高效率，一边把所有泄密风险推给个人。技术规范只有落实到账号、数据和岗位，才不是纸面提醒。工作场所使用摄像、语音和操作记录训练模型时，更要区分保障安全所必需的信息与对劳动者的过度监控。数据采集范围、保存期限和访问人员应当公开，不能把休息、交流等与工作无关的行为纳入隐性评分。

    培训不能只教几条提示词。真正的AI能力包括核验来源、识别错误、保护隐私、理解业务和记录修改过程。不同岗位需要不同训练：一线服务人员要会发现不合情理的回答，管理者要能评估流程风险，技术人员要持续测试模型表现。企业节省的时间和成本，应有一部分投入员工转岗与技能提升，而不是把技术红利全部变成新的工作强度。职业院校和培训机构设计课程，也不能围着某款软件更新追赶。应以行业任务为中心，让学员完成资料核验、异常处理和人机协作记录。工具更换后仍能迁移的方法，才是真正可持续的技能。

    工会和公共就业服务也应进入这一变化。对岗位调整较大的行业，及时调查技能缺口，提供可负担、可验证的培训；集体协商可以讨论AI监控边界、数据使用、绩效评价和劳动定额。若效率提高后任务量无限增加，劳动者只会感受到更快节奏，而难以分享生产率提升。对因算法误判受损的人，应提供便捷的人工处理和救济路径。对自由职业者和平台劳动者，算法工具可能同时扮演派单者、监督者和评价者，更需要外部规则约束。行业主管部门可发布典型风险提示，推动平台提供人工客服和异议处理时限。

    AI进入工作现场，不意味着人的价值缩小。恰恰因为机器能快速生成，人的核验、责任、经验和同理心更加重要。把人留在关键判断里，把培训和规则建在岗位变化之前，技术才能成为真正的搭档，而不是一块挡住责任去向的屏幕。（作者单位：沧州市运河区市场监督管理局）