随着透明度法律提高风险，Inc. 警告创始人绝不能让 AI 决定薪酬

Inc. 于 2026 年 8 月 30 日向创始人发出直接警告：可使用 AI 研究薪酬，但绝不能让它做出最终的工资决定。这篇通过 Google News 分发的专栏发布之际，加利福尼亚州刚收紧了有效薪酬区间的定义。创始人的粗略估算不再只是内部假设，而可能成为一项公开承诺，影响候选人、现有员工、预算以及法律风险。

这一区别至关重要，因为 AI 可以在几秒内给出薪酬建议。它能够比较职位名称、地点、技能和市场报告。然而，一个看似完善的答案可能掩盖数据薄弱、岗位不匹配、基准过时，或无人审查的假设。

因此，核心冲突并非 AI 与人类直觉之争。两者都可能出错。真正的较量在于：可追责的薪酬治理，与一个无人能完全辩护的自动化数字之间。

在 Google News 上看到这则薪酬决策警告的读者，不应只将其视为面向创始人的建议。它反映了就业技术领域更广泛的转变：AI 正从行政辅助进入分配金钱、机会和地位的决策环节。

一旦如此，速度便不再是衡量价值的唯一标准。雇主还必须问：谁批准了这项建议、哪些证据支持它，以及相同规则是否适用于可比员工。

加利福尼亚州将薪酬猜测变成公开承诺

加利福尼亚州 2026 年的变更，使缺乏依据的薪酬区间更难被当作无害的招聘措辞而一笔带过。

州长 Gavin Newsom 于 2025 年 10 月 8 日签署 SB 642，该措施于 2026 年 1 月 1 日生效。它修订了加利福尼亚州对薪酬尺度的定义，要求其为雇主预计在录用时支付金额的善意估计。

这一措辞缩小了雇主在缺乏可信招聘依据的情况下发布极宽薪酬区间的空间。加州官方的2026 年法律摘要还指出，SB 642 扩展了该州同工同酬框架的部分内容。

这项变更早于 Inc. 专栏八个月，但它解释了文章的紧迫性。薪酬建议可以迅速从内部规划文件变成公开招聘信息。候选人可以将其与其他职位空缺比较，员工也可以将其与自己的薪酬进行比较。

这种可见性改变了不可靠估算的代价。设想一家初创公司准备招聘一名高级产品经理。创始人仅提供职位名称、城市和公司规模，请 AI 助手给出市场薪酬区间。

系统给出了一个信心十足的答案。然而，这一职位名称可能涵盖几种截然不同的工作。一种岗位负责产品战略和营收结果；另一种主要协调交付；第三种则管理 AI 平台，并要求具备专业技术经验。

如果创始人将该建议直接复制到招聘信息中，模型遗漏的背景便会成为公司的公开立场。该输出还可能影响职责与新岗位重叠的现有产品经理。

雇主现在必须回答几个问题：为什么这个区间适合实际岗位？公司采用的是哪个市场？它如何考虑经验、地点、稀缺技能或内部公平性？谁审查了这一结果？

AI 仅仅给出一个数字，无法回答这些问题。它可以生成解释，但这种解释可能是事后拼凑出来的。看似合理的叙述，并不等同于有记录可查的决策流程。

法律拼图也不止于加利福尼亚州。纽约州要求受覆盖雇主在符合条件的招聘广告中披露薪酬区间。其薪酬透明度规则还可能涵盖在州外完成、但向纽约州工作场所汇报的某些职位。

对于初创公司而言，远程招聘让这一点尤为重要。公司可能在某个司法辖区没有传统办公室，却仍在招聘可于当地工作的人员。雇主必须评估适用规则，而不能假定总部所在地决定了所有义务。

Inc. 的专栏所描述的不仅是一个合规期限。它揭示了透明度暴露出的治理问题：公司必须在公布答案之前，清楚知道自己打算支付多少。

AI 让初稿更容易形成，却不会让背后的判断变得可有可无。

薪酬透明度让创始人面临压力

最直接的压力落在那些通过个别谈判、而非一致规则建立薪酬体系的创始人身上。

在薪酬信息仍属私密时，即兴式做法尚可维持。一名员工强势谈判；另一名员工在劳动力市场较弱时加入；第三名员工则因灵活性或股权而接受较低的现金薪酬。

这些差异或许有可以理解的起因。但当无人记录原因、且员工能够看到新的薪酬区间时，它们依然会变得难以管理。

第一类压力来自外部招聘。公司必须公布一个既能吸引合适候选人、又不会承诺无法持续承担的薪酬区间。低于相关市场的区间可能降低申请者质量，或拉长招聘周期。

第二类压力来自现有员工。员工会将招聘广告中的薪酬与自己当前的收入、职责、任职年限和绩效进行比较。新的区间可能暴露出：一名新员工的收入将几乎与经验丰富的同事相当。

这种情况通常被称为薪酬压缩。它发生在新员工与任职较久员工之间的薪酬差距异常缩小时。压缩也可能出现在个人贡献者与管理者之间，或初级员工与资深员工之间。

问题并不仅仅在于员工不喜欢比较。明显的不匹配可能会动摇公司关于如何衡量经验和绩效的解释。

Inc. 引述人力资源专家观点，认为薪酬压缩与士气下降和离职风险相关。其机制很容易理解：公司为争夺稀缺人才而提高招聘薪酬区间，随后发现现有员工虽然经验更丰富，却仍处于同一区间。

纠正这一结构可能需要多项调整，而非仅作出一次新员工薪酬决定。公司可能需要审查同级员工、管理者、相邻岗位、晋升规则以及未来薪酬预算。

高薪支付会带来另一种陷阱。只要现金充足，公司通常可以提高低于市场水平的工资；但降低既有工资，无论在实际操作还是企业文化层面，都要困难得多。

这种不对称性使得过高的自动化建议颇具风险。模型可能偏向一组范围广泛的基准，其中包括规模更大的公司或职责范围更大的岗位。如果创始人未经审慎审查便接受高位值，这项决定就会变成持续性成本。

该建议还可能影响定价和人员规模。一家支付超过可持续市场定位薪酬的初创公司，可能不得不减少招聘、推迟其他岗位，或削减其他领域的投资。因此，最初的决定会影响不止一名员工。

平均工资预算数据无法解决这个问题。WorldatWork 的薪酬预算数据反映了 1,773 家组织和 4,250 份国家提交数据的回应。其顶层数据说明了为何企业通常会从一个总体年度百分比着手。

然而，平均预算并不意味着适用于每一种职业的可靠涨幅。劳动力市场变化并不均衡。某些岗位保持稳定，而稀缺能力则可能要求更快的调整。

因此，一刀切的调整可能延续既有错误。如果某一岗位起薪低于市场，公司范围内的平均涨幅仍会使其低于市场；若另一岗位起薪过高，同样的涨幅则会扩大超额支付。

创始人正被迫以可重复的方法取代孤立的谈判。这并不要求建立复杂的企业薪酬架构。小型公司也可以记录每个岗位、确定合理可比对象、设定区间，并审查例外情况。

这种被迫作出的回应既是即时的，也是长期的。眼下，雇主需要可辩护的招聘信息和录用报价；长期而言，他们需要一套在员工、候选人和监管机构审视时仍保持一致的薪酬体系。

AI 可以进行薪酬基准比较，但人类必须拥有决策权

AI 最适合作为扩展证据的研究助手，而不是决定一个人收入多少的权威。

薪酬基准比较，是指将内部岗位与相关外部劳动力市场数据进行比较。这种比较可以考虑岗位范围、资历、技能、行业、地理位置和组织规模。

这正是 AI 能够提供帮助的领域。它可以标准化不一致的职位名称、汇总多个数据集、识别缺失信息，并标记明显偏离拟定区间的薪酬。

对于小型公司而言，这些任务过去需要长时间处理电子表格，或寻求外部支持。AI 可以缩短初步审查所需时间，使更多雇主能够采用结构化流程。

边界出现在系统将证据转化为最终决定时。市场数据描述的是其他组织报告的支付水平；它并不能决定某家具体公司应如何衡量价值、哪些职责最重要，或一份报价如何符合内部公平性。

考虑两名职位名称相近的工程师。一人维护稳定的内部服务；另一人领导一个不稳定、面向客户的系统，并参与紧急响应。基于职位名称的模型可能将两人视为等同，尽管他们的职责范围不同。

反向问题同样存在。不同的职位名称也可能描述实质上相似的工作。训练于嘈杂招聘广告的模型，可能会复制这些不一致之处，而非解决它们。

地点带来另一项复杂因素。远程工作并未消除劳动力市场。雇主可能采用全国统一、总部所在地、员工所在地或分区薪酬。每种方法都带来不同的招聘和公平性影响。

AI 可以计算这四种方法，但如果没有人类指引，它无法选择公司的薪酬理念。

数据质量构成最大的技术限制。薪酬数据集可能混合了雇主招聘信息、员工报告、调查提交内容和建模估算。它们可能代表不同的日期、行业、公司阶段以及总薪酬定义。

除非有人提出精确问题，否则模型很少会暴露每一项弱点。即使如此，它也可能不了解专有数据集背后的方法论。

这正是为什么在证据薄弱时，信心十足的回答反而更不值得信任。语言模型的设计目标是生成连贯答案；连贯性并不能保证底层样本能够代表正在定价的岗位。

正确的工作流程是将 AI 限定在明确的职责范围内。管理者或创始人首先记录实际岗位情况，系统随后识别可能的可比对象并突出不一致之处。

人工审核员会检查所选市场、数据日期、岗位匹配度以及样本局限性。公司会评估内部同类岗位，并判断该建议是否造成薪酬倒挂或无法解释的差异。

最后，获授权的决策者批准该范围并记录理由。对结果负责的仍是公司，而不是模型。

这种安排遵循 NIST 人工监督框架中的一项更广泛原则。组织应明确人类与 AI 角色的职责，而高管领导层仍须对 AI 相关风险决策负责。

这一原则对薪酬尤其重要。系统可以给出建议，但雇主必须决定该建议是否恰当、合法，并与公司政策一致。

人工审核并不天然充分。对每一项建议都照单全收的审核员，只是在走过场。有效监督要求审核员有权否决输出，并拥有足够的信息来理解其局限。

这还要求不受自动化偏见影响。人们常常因计算机生成的建议看似精确或客观，而赋予它不恰当的权重。一个带有精确中位数的薪资估算，可能比证据实际支持的程度显得更可靠。

更好的界面应在展示建议的同时呈现不确定性。它应显示数据时效、可比对象数量、地域覆盖范围，以及岗位匹配的置信度。

公司还应测试替代性假设。若将该岗位与规模更小的公司进行比较，会发生什么？若移除一项专业技能，薪资范围会如何变化？该建议在多个来源之间是否仍然可信？

当 AI 让这些问题的调查成本更低时，它最有帮助。当它让人觉得没有必要再调查最终答案时，它就会变得危险。

最大风险是缺乏公平性的自动化一致性

一个可重复执行的算法，可能将同样有缺陷的假设套用到每位员工身上，并且比创始人孤立的判断更快地放大错误。

算法薪酬工具的支持者可以提出合理观点。人类薪酬决策中存在偏见、谈判结果不一致、偏袒和记忆错误。标准化系统能够减少其中一部分差异。

问题在于，一致性与公平性并不相同。模型可能会持续依赖由不平等机会、薪资历史做法、职业隔离或不一致的岗位分类所塑造的历史数据。

如果模型将这些模式视为中立的市场事实，它就可能将其延续下去。自动化让流程变得统一，却未必让其前提变得公平。

即便软件参与决策，联邦就业法仍然适用。EEOC 的薪酬歧视指引说明，在某些情况下，看似中立的薪酬做法仍可能造成违法的不利影响。

该机构还指出，对薪酬差异作出合法解释，需要有关相关变量的准确信息。这些变量可能包括经验、资历、绩效及其他与岗位相关的因素。

AI 系统并不能免除雇主的这一责任。如果受保护群体中的员工反复获得较低建议，公司必须调查这种模式及其背后的驱动变量。

EEOC 的算法公平倡议明确了问责问题。该机构警告称，AI 工具可能掩盖或延续偏见，同时确认现有反歧视法律仍然适用。

这并不意味着每一种自动化基准评估都构成歧视。它意味着雇主不能把供应商的软件当作法律盾牌。

值得质疑的问题是，小型雇主是否能够有效完成所承诺的人工审核。缺乏薪酬专业知识的创始人，可能无法识别不当的可比对象、有偏见的数据集或统计上薄弱的结果。

供应商的不透明性让这一挑战更为困难。有些系统会披露其数据来源和方法论；另一些系统则给出建议，却没有提供足以复现其过程的信息。

创始人不应夸大人工批准能让流程变得安全。监督只有在审核员拥有相关证据、明确记录的标准以及质疑模型的能力时才会有效。

公司在依赖 AI 辅助薪酬流程之前，应对其进行压力测试。其中一种测试是比较模型面对带有性别暗示的姓名或其他无关身份信号时给出的建议。这些细节不应改变结果。

另一种测试是考察处境相似的员工。审核员应询问，差异是否能够由组织始终如一地适用、且有文件记录的因素来解释。

第三种测试是检查敏感性。对职位描述作出小幅调整，不应导致薪资出现极端波动，除非这些调整确实代表更有价值的职责或稀缺技能。

雇主还应审查数据保留与隐私问题。薪酬分析可能涉及工资、绩效记录、人口统计信息和就业经历。将这些材料发送至外部模型，会带来访问权限、保留期限和获批用途等问题。

匿名化可以降低暴露风险，但前提是剩余细节无法识别个人。小团队更容易被重新识别，因为职位名称和汇报关系可能暴露记录所描述的对象。

出于同样原因，可审计性也很重要。公司应保留输入假设、所选可比对象、模型版本、输出结果、人工修订、最终批准以及任何例外的理由。

这份记录并非行政杂务。它能帮助雇主解释为何两名相似员工获得不同结果；当市场或岗位发生变化时，也能让公司重新审视决定。

最强健的薪酬流程会将数据辅助与决策权分开。分析师、管理者、创始人和法律顾问可根据公司规模分别参与。AI 系统仍只是这一结构中的工具。

任何创始人都不应假定人工方案天然没有偏见。人也可能作出武断或歧视性的决定。目标不是用直觉来对抗技术。

目标是建立一个流程：证据可以被审查，例外可以被质疑，并且有明确具名的人承担责任。AI 应减少研究工作，同时增加决策者可获得的信息。

三个信号将显示雇主是否吸取了教训

下一项考验在于，公司是建立真正的监督机制，还是仅仅在自动化建议下方附上一枚人工签名。

第一个信号是，在较新的透明度规则下公布的薪资范围质量。若雇主继续发布异常宽泛的范围，就会引发疑问：这些范围是否反映了真实的招聘意图。

更窄的范围不一定更好。基于薄弱数据的窄范围仍可能是错误的。有意义的信号在于，雇主能否将该范围与岗位职责、市场证据和内部同类岗位联系起来。

加州的执法行动及相关争议将进一步明确监管机构和法院如何解读善意估算。如果判决聚焦于有记录的意图和一致的方法论，那么可问责的流程将比表面合规更有价值。

这将强化 Inc. 的核心警示：雇主需要的不只是一个生成的范围，还需要证据证明公布的数字反映了一项实际的薪酬决策。

第二个信号是，薪酬软件是否展示其证据。买家应关注那些能够说明数据来源、更新日期、可比对象质量、样本局限和不确定性的产品。

缺少这些细节的建议很难被质疑。具有可追溯输入的建议则能支持真正的人类判断。

供应商营销很可能强调准确性和效率。雇主应超越这些说法，询问系统如何处理样本稀少的岗位、不一致的职位名称、远程工作地点和不断变化的工作职责。

他们还应询问，客户能否复现较早的建议。一个悄然变化的模型，可能使既有薪酬决定无法审计。

供应商提供更好的透明度，将增强 AI 辅助基准评估的理由。持续的不透明则会削弱这一理由，尤其是在涉及薪酬等高影响决策时。

第三个信号是，新薪资范围公开后，公司内部发生了什么。员工会将招聘广告中的薪酬与自己当前的职位进行比较，而雇主需要作出回应。

审查现有员工、纠正缺乏依据的差距并说明薪酬理念的公司，是在将透明度作为治理问题来对待。只处理新员工问题的公司，则是在把每则招聘信息当作孤立交易。

关注晋升标准、薪酬等级、例外审批和内部审核周期的变化。这些运营细节能显示公司是否建立了一套体系，还是仅仅采用了软件。

Google News 让 Inc. 的论点获得了更广泛的关注，但这一根本问题不会由一篇专栏文章解决。它将通过招聘信息、员工提问、监管决定以及薪酬平台的设计来解决。

对创始人而言，最稳妥的分工很直接：让 AI 收集比较信息、检验假设并识别异常；要求人来定义岗位、评估公平性、批准结果并承担责任。

知识工作者也应提出一组相应的问题。当雇主给出薪资范围时，哪些因素决定员工在其中的位置？该范围多久审核一次？公司是否将新报价与从事相似工作的现有员工进行比较？

这些问题能将透明度转化为有用信息。仅凭一个公开的范围，无法揭示薪酬体系是否公平、是否及时更新，或是否得到一致执行。

Google News 讨论带来的实际启示，并非雇主应不信任每一种算法，而是薪酬决策结合了市场证据、组织价值观和法律责任。

AI 可以整理证据，但无法承担责任。

在发出下一份录用通知或发布下一则招聘信息前，创始人应检查数字背后的流程。如果没有人能够说明数据来源、解释比较方式并指出负责任的决策者，公司就还没准备好公布该薪资范围。