企业如何用 AI 核查劳动密集型供应链的用工线索

劳务代理层层收费，企业只看到一级供应商工资单。这里最容易犯的错误，是把一个相关信号当成已经证实的原因。模型的价值在于缩小核查范围。人权与社区议题涉及谁能安全地说出问题。公开资料和企业台账能提供线索，却往往缺少临时工、承包商、居民和弱势群体的真实体验。

先整理证据，再谈模型能给出什么建议。模型可翻译和整理多语言反馈，比较合同、招聘、环境监测与投诉记录。信息收集必须说明用途、保护身份，并由熟悉当地语言与情境的人复核。落地时，第一项动作是追踪招聘来源、代理费用、证件保管和实际工时线索。缺口要作为一种数据状态显示出来；让模型悄悄补全，会把不确定性伪装成事实。

有了线索，还需明确谁来行动。行动不应停在风险标签上。发现线索后，要建立调查、临时保护、补救和再次沟通的流程，让受影响者能知道谁处理、何时回应以及如何提出异议。任务卡应附上证据、处理权限、到期时间和升级条件。需要改变生产、采购或人员安排时，应让熟悉现场的人检查模型假设并记录不同意见。

高风险招聘链条中，应让工人能私下说明是否支付过费用或被扣证件，避免只听代理机构陈述。可以先回放过去已处理的案例，检验模型能否在当时的数据条件下发现真正有用的线索。随后开展短期现场试点，分别记录正确提醒、误报与漏报，再决定是否接入正式工单。实施记录还应保存使用的数据版本、决策人和被否定的备选方案。复盘时比较自动提示与传统流程各自漏掉了什么，避免只展示成功案例。

衡量项目时，可先重点核查高风险岗位与工人访谈。衡量效果可看问题解决率、受影响人群覆盖、措施持续性与投诉复发。对于重大项目，还应比较建设前后的环境与就业影响，而不只统计举办过多少次沟通会。比较前后结果时，应控制产量、边界和统计方法变化；否则改善可能只是记录方式改变。

另一条底线是：供应商声明不能代替工人可安全表达的证据。模型可能放大数据最多群体的意见，或误读地方语境。企业应主动补齐缺席声音，不能用自动摘要替代工人访谈、现场调查和有意义的社区协商。出现错误时，先控制可能的影响，再更正数据、通知受影响的人，并检查同类任务是否也被错误结论波及。

项目可以先在一处场景试运行，公开记录误判、漏判和人工修正，再决定是否推广。真正可持续的做法，是让数据、行动和证据每个周期都能重新对上。