作者为来自MIT Sloan School of Management的Katherine C. Kellogg、Stanford School of Engineering的Melissa A. Valentine以及Stanford School of Humanities and Sciences的Angèle Christin。该文发表于*Academy of Management Annals*2020年第14卷第1期，是一篇综合性理论综述，而非单一原创实证研究报告。文章旨在以劳动过程理论（labor process theory）中Edwards（1979）的“ contested terrain ”（争夺地带）为分析框架，系统整合关于工作场所算法技术的跨学科研究，提出算法控制（algorithmic control）的新模型，并探讨其对组织控制、工人体验和未来研究的深远影响。

本文的核心论点是：算法技术正在从根本上重塑管理者与工人之间的控制关系。作者提出，雇主通过六种主要机制——即所谓的“6 Rs”——来实施算法控制：通过限制（restricting）和推荐（recommending）来指挥（direct）工人；通过记录（recording）和评分（rating）来评估（evaluate）工人；通过替换（replacing）和奖励（rewarding）来规训（discipline）工人。这六个机制构成了算法控制作为新的“争夺地带”的核心分析框架。

文章首先回顾了现有管理和经济学文献对算法经济价值的主流关注。这些研究主要强调算法能够提升决策精确性、自动化协调流程、促进组织学习，从而为雇主创造效率、收入和创新能力。然而，作者指出这类研究忽略了算法作为控制工具的内在冲突性。从劳动过程理论视角出发，算法并非中立的技术工具，而是承载着特定意识形态偏好的控制手段，其目的在于最大化从工人劳动中获取的价值，而工人则不可避免地会进行抵抗以维护自主权、尊严和身份认同。

接着，文章梳理了理性控制（rational control）的历史脉络，区分了技术控制（technical control）和官僚控制（bureaucratic control）。技术控制通过生产线等物理技术设定工作节奏，官僚控制则依赖正式规则、职务说明和标准化流程。在此基础上，作者指出算法技术具备四种与以往不同的可供性（affordances）：全面性（comprehensive）、瞬时性（instantaneous）、交互性（interactive）和不透明性（opaque）。全面性指算法能够通过传感器、摄像头、生物计量等手段海量采集工人行为数据；瞬时性指算法可以实时计算、保存和反馈绩效信息；交互性指算法平台允许多方参与并动态调整工作流程；不透明性源于商业秘密、技术门槛以及机器学习本身的难以解释性。这四种可供性使得算法控制得以超越以往的技术控制和官僚控制，形成一种全新的理性控制形态。

针对六种控制机制，文章逐一展开了详尽的论证。在算法指挥层面，“算法推荐”通过机器学习从数据中自动发现模式，向工人推送预先选定的决策选项，绕过工人基于经验的判断。例如，Crisis Text Line使用算法识别出“ibuprofen”一词比“suicide”更能预测紧急危机，从而优先处理包含该词的信息；Uber则根据驾驶行为数据向司机推送休息建议。然而，这种推荐可能带来三重负面后果：算法逻辑不透明导致的工人挫败感（如Amazon的“混沌存储算法”让拣货员无法理解商品摆放逻辑）；算法助推可能损害工人福利（如Uber不让司机在接单前看到目的地）；以及数据偏差可能强化种族和社会不平等（如预测警务算法对特定群体的过度监控）。在“算法限制”方面，平台通过界面设计选择性展示信息并阻止特定行为，例如Upwork通过聊天机器人实时拦截工人与客户交换联系方式的行为，Amazon Mechanical Turk限制工人之间的直接沟通。这种限制不仅加剧了工人的异化感，还大幅压缩了工人的话语权（voice），并因将工作碎片化为“微任务”而制造了更大的不稳定就业（precarity）。

在算法评估层面，“算法记录”使雇主能够监控和汇总来自内部和外部的细粒度数据，且往往实时进行。例如，UPS通过节省每个司机每天一分钟的操作，换算为每年近1500万美元的成本节约；Uber通过智能手机应用持续收集司机的地理位置、接单率和取消率。这种监控的广度和频率超出以往，引发了工人对隐私丧失和数据准确性的担忧。由于数据采集过程不透明，工人往往无法知晓自己被收集了哪些信息，也难以对错误或偏见提出申诉。“算法评分”则进一步将绩效量化为公开评级，并运用预测性分析评估工人未来的留任风险、技能匹配度或潜在绩效。在线劳动力市场中，消费者评分常常取代管理者评价，但消费者可能带有种族或性别歧视，且不受传统雇佣关系中的问责机制约束。高评分成为工人获取工作机会的“声誉资产”，而低评分可能导致算法自动限制工作访问权限。

在算法规训层面，“算法替换”借助平台能够快速、甚至自动地解雇未达标的工人并招募替代者。Uber司机若接单率或乘客评分低于阈值会被直接停用账号；Upwork会关闭长期竞标失败的自由职业者账户。由于平台上的劳动力供给遍布全球且高度可替代，工人几乎没有议价能力，这加剧了低技能工人的不稳定就业。“算法奖励”则通过实时、动态的方式奖励符合预设行为的工人，并广泛采用游戏化（gamification）手段将工作体验包装为“有趣”的游戏。例如，销售团队以篮球游戏形式进行业绩竞赛，公司通过积分和徽章激励员工贡献知识。然而，奖励算法的不透明和快速变动导致工人产生压力与挫败感，而游戏化则可能微妙地将自发游戏转化为管理者强加的“强制性乐趣”，构成剥削性控制系统。

文章进一步提出了四个关键见解作为未来研究议程。第一，劳动过程理论有助于问题化现有研究对算法经济价值的正面关注，揭示算法系统内嵌的结构性对立与管理控制意图。第二，算法控制构成一种不同于技术控制和官僚控制的新型理性控制。第三，算法控制的实施催生了新的“算法职业”（algorithmic occupations），包括算法策展人（algorithmic curators）、算法经纪人（algorithmic brokers）和算法衔接者（algorithmic articulators），这些角色在控制与抵抗的辩证关系中占据关键位置。第四，工人正发展出多种个体和集体抵抗策略，作者将其统称为“算法行动主义”（algoactivism），涵盖个体实践性行动、平台组织、话语框架构建以及法律动员等不同形式。

本文的学术价值在于，它将分散在信息科学、人机交互、社会学、传播学和法律研究等多个领域的算法工作研究，系统地纳入劳动过程理论的分析框架，从而为理解算法技术如何重塑管理控制与劳动抵抗提供了统一的理论语言。同时，文章提出的“6 Rs”模型和“算法行动主义”概念为后续实证研究指明了具体方向，具有较高的理论与应用参考价值。