AI管理的商店解雇人类员工,成为首例已知的大语言模型终止雇佣事件

Claude “解雇”了一名员工：AI 管理者走进现实世界的第一场压力测试

一家位于旧金山 Cow Hollow 社区的小型零售店，最近提供了一个颇具象征意味的场景：一个由 Anthropic Claude Opus 4.8 驱动的 AI Agent，在参与管理门店数月后，给出了一名人类员工“不再适合继续合作”的建议。

听起来很抓眼球——“大模型首次解雇人类员工”。

事情并没有“AI 自主裁员”那么简单。更准确地说，这是一次人类通过提示、信息补充和最终审批，共同推动 AI 作出管理建议的实验。它的价值在于暴露了一个更现实的问题：

> 当企业把管理判断交给 Agent，真正被自动化的，可能不是“解雇动作”，而是管理流程中对人、规则与责任的定义权。

一场并不完全自主的“解雇”

这家名为 Andon Market 的零售门店，由 Andon Labs 发起运营实验。其 AI 管理者名为 Luna，承担了招聘、供应商沟通、员工日常管理等职责，并被赋予了 10 万美元运营预算。

被解雇员工的直接原因是长期迟到：23 次排班中迟到 17 次。从传统管理视角看，这几乎已经是一个明确的绩效与纪律问题。

但 Luna 并没有及时处理。

它曾制定过考勤规则，却因为工作记忆与上下文管理的局限，后来没有持续追踪自己建立的制度。迟到现象持续了数月，员工甚至得到过“迟到也不用太担心”的宽松反馈。

直到 Andon Labs 的工作人员提醒 Luna 去重新查找并审阅此前的员工手册，它才建议先进行正式警告。之后，人类监督者又补充了与该员工线下沟通的历史，并以“这个人是否仍然适合团队”为导向提问，Luna 才给出“分道扬镳”的建议。

最终，决定由人类审核并执行。

所以，这不是“AI 一键开除员工”，而是一条典型的人机协作决策链：

人类设定规则→AI 追踪与判断→人类补充隐性信息→AI 生成建议→人类批准执行

在这条链路里，每一步都可能改变结果，但责任却很容易被模糊地归结为“AI 的决定”。

不是 AI 太冷酷，而是它太容易被引导

Andon Labs CEO Lukas Petersson 承认，监督者当时使用的问题带有明显引导性。

大模型并不是一个独立、稳定、可复盘的“管理主体”。它输出的建议高度依赖输入信息、上下文顺序、提示措辞、可访问资料，以及人类是否提供了关键但未结构化的背景。

同样是处理迟到 17 次的员工，下面三种问法，就可能产生完全不同的建议：

“根据考勤制度，下一步应该采取什么措施？”
“员工多次迟到，但曾经有特殊困难，如何兼顾规则与公平？”
“考虑到团队效率，这个人是否还适合留下？”

第一种强调制度执行；第二种强调情境与补救；第三种则天然把讨论推向人员淘汰。

AI 管理系统面临的首要风险未必是“模型失控”，而是

提示词把决策偏好伪装成中立判断

。

在人力资源场景中，这尤其危险。因为绩效、纪律、晋升、薪酬和解雇并不是单纯的事实判断，而是包含价值权衡的组织决策。模型可以汇总事实、发现异常、生成方案，却很难天然拥有企业应承担的公平性标准、劳动责任和伦理边界。

如果管理者预设了结论，再让 AI 提供一套“看上去客观”的论证，AI 就可能成为责任转移工具。

Luna 的失败，暴露了 Agent 落地的核心难题

从实验结果看，Luna 并没有展现出比普通店长更高效的经营能力。门店在约五个月后，账户余额从 10 万美元降至约 6.1 万美元。研究团队将部分原因归结为其过于宽松的管理风格，以及一些效果不佳的商业决策。

这并不意味着“AI 不能做管理”，但至少说明：将语言模型接入真实业务世界，难点远不止模型是否足够聪明。

1. 记忆不是“聊天记录”，而是制度执行能力

Luna 制定过考勤政策，却未能持续执行。这个问题表面上是“模型忘了”，实质上是 Agent 缺少可靠的制度状态管理。

企业管理不是一次性问答，而是连续过程。规则一旦制定，应当被固化为可审计的工作流：

考勤数据自动写入系统
迟到达到阈值时自动触发提醒
触发正式警告前检查是否存在合理缺勤记录
所有沟通与处理结果保留审计痕迹
涉及处分或解雇时自动升级至人类审批

如果规则只存在于模型上下文、提示词或某份容易被遗忘的文档中，那么它就不是制度，只是一段随时可能失效的语言。

对企业 Agent 来说，真正可靠的“长期记忆”不应是模型记住了什么，而应是业务系统是否保存并执行了什么。

2. 管理不是优化 KPI，而是处理例外

零售管理中，员工迟到可能是纪律问题，也可能关联排班不合理、通勤障碍、照护责任、健康状况、岗位冲突，甚至主管沟通失效。

人类管理者未必总能处理得更好，但他们至少通常知道：制度之外还有例外，绩效之外还有关系，决定背后还存在责任。

大模型擅长从文本中给出“合理答案”，却天然缺乏对后果的承担能力。它可以建议解雇，却不承担法律争议、团队士气下降、招聘成本上升或员工家庭收入中断的后果。

因此，AI 更适合承担“管理副驾驶”角色，而非“管理责任人”：

“AI 管理者”应怎样进入企业？

短期内，企业不太可能把完整的雇佣权直接交给大模型；但 AI 已经可以深度介入影响雇佣结果的前置环节。

它可以筛选简历、分析面试记录、整理绩效数据、识别出勤异常、生成改进计划、推荐培训路径，甚至为管理者起草处分意见。

这些动作单独看都只是“辅助”。但一旦串联起来，就会形成一条高影响力的自动化决策链。

需要关注的是“建议权”逐渐演变成“事实上的决定权”。

如果管理者日常依赖 AI 排序、预警和推荐，那么人类审批可能会逐渐沦为形式流程：系统标记为高风险的员工更容易被关注，模型建议进入改进计划的人更难获得解释机会，被算法低评分的人也更可能被视为“已经不适合”。

这是一种典型的自动化偏见：人会倾向于相信系统给出的数字、标签和排序，即便这些结果来自不完整的数据或带有隐藏偏好的提示词。

所以，未来企业治理的重点可能是：

谁定义了 AI 的管理目标？
AI 可以读取哪些员工数据？
哪些规则被编码成自动流程？
员工是否知道自己被如何评估？
员工能否解释、申诉和纠正错误记录？
谁对 AI 的建议及其后果承担责任？
企业是否保留了人类否决权与独立复核机制？

从“AI 替代经理”到“AI 约束经理”

Luna 事件并不是展示了 AI 可以解雇人，而是它让我们看到：企业很容易把本应由组织承担的管理责任，包装成“系统推荐”。

一个成熟的企业 AI 管理架构，不应把模型放在决策链终点，而应把它放在风险发现、信息整理和流程约束的位置。

理想状态下，AI 不是替管理者“做决定”，而是迫使管理者把决定做得更透明：

用统一标准记录事实，而不是凭印象评价员工
在采取处分前检查制度是否被一致执行
识别管理者是否存在选择性执法
记录每一次建议、修改、审批和执行
为员工提供可以理解和申诉的解释路径
对涉及权益的高风险决定，强制要求人类复核

从这个角度看，AI 最有价值的角色不是“数字老板”，而是组织治理的审计层与辅助层。

结语

“Claude 解雇员工”是一个极具传播性的故事，但它不应被理解为 AI 已经跨过了管理权力的临界点。

AI 正在进入管理流程，而企业制度、数据治理、责任边界和人类监督机制，还没有为此做好准备。

Luna 的表现也提醒我们，大模型并不天然更严格、更理性或更高效。它会遗忘规则，会受提示影响，会在不完整信息下给出听起来合理的建议。

当 AI 开始参与对人的评价时，企业需要的不是一个更像老板的模型，而是一套让任何“老板式判断”都可追溯、可质疑、可纠错的系统。

因为在管理人这件事上，最危险的从来不是机器说了什么，而是谁借机器之口，做出了不必自己承担责任的决定。