工会在如何应对 AI 问题上出现分歧

尽管 AFL-CIO 在共同的全国议程下代表着 65 个工会，但其内部围绕 AI 的冲突正不断扩大。近期一条 Google News 结果将读者引向 Truthout 的一项调查，该调查记录了这一分歧。一些劳工领袖希望争取保障措施、培训，以及与 AI 基础设施相关的工会岗位。基层批评者则希望劳动者质疑：雇主是否本就应该部署这项技术。

争议并不只是人工智能究竟是好是坏的问题。它关乎谁来决定 AI 如何进入工作场所，谁获得其经济收益，以及谁承担其风险。这些问题令寻求数据中心项目的建筑工人与面临自动化监控、技能贬值或被替代的专业人士产生分歧。

这种紧张关系也让人联想到港口、工厂、新闻编辑部和娱乐行业此前围绕自动化展开的斗争。不过，AI 覆盖不同职业的速度快于多数早期工作场所技术。劳工运动必须一边与雇主谈判，一边判断妥协究竟能让劳动者获得影响力，还是会帮助常态化那些他们无法控制的系统。

Google News 揭示劳工界的两种 AI 策略

有组织劳工已形成两种相互竞争的策略：通过集体谈判塑造 AI，或抵制威胁劳动者和社区的部署。

Truthout 于 8 月 3 日发表的这篇劳工调查通过当前的几场争议描述了这一分裂。其中最明显的例子，是为训练和运行 AI 系统而快速建设的数据中心。

建筑行业工会看到了这些设施带来的即时就业机会。数据中心建设需要电工、设备操作员、劳工、管道安装工和其他技术工人。雇主争夺合格施工队伍时，工会领袖可以要求劳工标准和项目协议。

其他工会则聚焦于这些项目周边的成本。National Nurses United、American Association of University Professors 和 Association of Flight Attendants 都支持一项拟议中的联邦措施，暂停新建数据中心。他们担忧的问题包括用电需求、用水、污染、公用事业成本，以及 AI 系统最终可能淘汰的工作岗位。

参议员 Bernie Sanders 和众议员 Alexandria Ocasio-Cortez 于 2026 年 3 月提出了这项暂停建设提案。该提案将暂停新建数据中心，直至联邦保障措施能够应对经济、环境、劳工和国家安全风险。

AFL-CIO 主席 Liz Shuler 支持更强有力的 AI 保护措施，但反对全面暂停建设。这一区别至关重要。该联盟希望在不阻断为其附属建筑行业工会提供就业机会的项目的前提下，保障劳动者权益。

International Brotherhood of Electrical Workers 的立场更为直接。它鼓励成员反对禁止建设数据中心，认为这类限制会消灭优质的工会就业岗位。North America’s Building Trades Unions 同样支持大型 AI 基础设施项目。

这正是 Google News 标题背后的第一条裂痕。劳工界的一部分从建设 AI 物理基础设施所创造的工作来评估 AI；另一部分则从长期就业损失、公共成本和工作场所控制权来评估这项技术。

双方都能指出真实的劳动者利益。建筑工人无法轻视一个提供经谈判确定的工资和福利、为期数年的项目。教师、护士、作家或办公室职员也无法忽视那些旨在监控绩效或减少人员配置的软件。

当短期建设就业支持的是旨在自动化其他岗位的系统时，分歧会更加尖锐。数据中心可在建设期间创造工会岗位，同时托管雇主用来裁撤其他职位的模型。劳工界尚无一套公认的方法来比较这些收益与损失。

这种不确定性使该运动无法采取简单的反 AI 或支持 AI 立场。它也让雇主得以将每个项目包装成孤立的经济机会。劳动者随后只能围绕个别设施或软件部署进行谈判，却无法控制更广泛的投资方向。

Google News 可以聚合有关工会岗位、自动化担忧和反对数据中心的报道，却无法调和其背后的利益。这项任务属于工会、其成员，以及受 AI 基础设施影响的社区。

数据中心岗位令 AFL-CIO 承压

AFL-CIO 必须保护眼前的工会就业机会，同时避免让短期建设收益定义劳工界的整体 AI 政策。

围绕密歇根州 Saline Township 一座规划中的 1.4 吉瓦数据中心园区，冲突变得更加明显。Oracle、OpenAI 和项目合作伙伴在 6 月举行的奠基仪式上庆祝项目开工，密歇根州州长 Gretchen Whitmer 和 OpenAI CEO Sam Altman 出席了活动。

North America’s Building Trades Unions 支持该项目。其主席 Sean McGarvey 将美国在 AI 领域的领导地位与该国建设大型基础设施的能力联系起来。这一立场反映了熟悉的劳工策略：在非工会承包商占领不断扩大的市场之前，先确保工会的管辖权。

当地反对者则有不同的考量。居民和民选官员质疑该项目的环境需求及其经济效益。他们的反对表明，劳工协议并不能解决围绕 AI 设施的所有公共关切。

该项目凸显了一个基本的时间问题。建设岗位最先出现，也可以被统计。自动化造成的岗位损失则在之后才出现，分散在多个行业，并且很难归因于某一处设施。因此，政治领袖更容易在奠基仪式上宣传就业岗位，而不是数年后被替代的就业机会。

Sanders 的顾问 Faiz Shakir 在 Truthout 的报道中概括了这一担忧。他认为，短期的工会建筑工作并不能回答 AI 是否会在其他地方摧毁许多长期岗位的问题。他的论点要求劳工领袖从整个技术周期衡量就业。

这种衡量仍然困难。一座新设施可能运营数十年，但建设所需的工人远多于日常运营。与此同时，其中运行的模型可能影响客户服务、软件开发、教育、物流、医疗行政和创意工作。

这一分歧也反映了不同的制度责任。建筑行业工会领袖必须为生计依赖建设工作的成员寻找项目。教师和医疗保健工会则必须捍卫专业判断、人员配置、隐私和公共服务。任何一方都很难为了另一工会预期的风险而轻易牺牲本方成员的即时需求。

AFL-CIO 面临的挑战，是将这些不同的利益转化为共同标准。其劳动者 AI 原则呼吁保障集体谈判权、透明度、隐私、安全、公平收益，以及防止打压工会。它们提供了广泛基础，但无法解决每一项具体项目层面的冲突。

例如，透明度可以揭示雇主如何使用算法，却无法决定工会是否应接受该系统。培训可以帮助劳动者使用新工具，但无法保证管理层改变人员配置目标后，受训员工仍能保住工作。

同样的限制也适用于数据中心的劳工标准。项目劳工协议可以改善建设就业，却无法确保托管在该设施中的 AI 应用尊重其他无关行业的劳动者。

因此，该联盟面临来自三个方向的压力。科技公司希望获得劳工界对基础设施和应用推广的支持。附属工会希望政策适合其成员。基层劳动者则希望看到证据，证明伙伴关系将增强他们的控制权，而不是为管理层决定赋予正当性。

政治联盟又增加了一层复杂性。公共官员往往将 AI 投资宣传为区域发展。反对项目的工会可能失去岗位和接触决策者的机会。支持项目的工会则可能显得对社区成本或其他地方的自动化漠不关心。

这就是为什么广泛的暂停建设措施会如此尖锐地分化劳工界。支持者将暂停视为一种筹码，可在建设加速前制定公共规则。反对者则认为，这等于在无法阻止其他州或国家发展 AI 的情况下放弃工会工作。

两种论点都无法消除核心风险。如果工会逐项目争夺各自的利益，雇主仍将掌控整体转型。劳工界或许能赢得建设合同、培训项目或咨询权，却会失去决定自动化是否取代工作的权力。

共同立场需要的不仅是一般原则。它还应将基础设施审批与覆盖整个 AI 供应链、可执行的就业标准联系起来。它还需要追踪新增岗位、消失岗位、能源需求、承包商做法和当地成本的报告机制。

在此类标准建立之前，Google News 的读者仍会看到相互矛盾的工会声明。这些矛盾并不只是传播上的失败。它们反映出，一个劳工运动正被要求分配雇主尚未完全披露的收益与损失。

培训合作伙伴关系考验工会民主

AI 培训能为劳动者带来有用知识，但由行业资助的项目可能将争论从部署是否可以接受，转向劳动者必须多快适应。

American Federation of Teachers 提供了最清晰的例子。2025 年，该工会宣布在纽约市成立 National Academy for AI Instruction。Microsoft、OpenAI 和 Anthropic 承诺合计投入 2,300 万美元支持这项计划。

该学院旨在帮助教师理解和使用生成式 AI，即根据学习到的模式生成文本、图像或其他内容的软件。AFT 主席 Randi Weingarten 认为，教育工作者应当制定防护规则，并始终掌控课堂中的使用方式。

这一目标回应了迫在眉睫的需求。教师已经在面对 AI 生成的作业、自动化教学工具和行政产品。拒绝所有培训会使许多教育工作者只能依赖雇主指示或供应商营销。

AFT 的学院公告也将培训视为维护人类判断力的一种方式。公告称，教师与学生之间的直接关系无法被软件取代。在这一观点下，培训帮助教育工作者评估工具，而不是盲目接受它们。

批评者质疑的是结构，而非学习的价值。教师活动人士 Lois Weiner 告诉 Truthout，劳工界应当质疑 AI 采用不可避免这一假设。她还认为，重大决定是在成员未进行充分知情讨论的情况下作出的。

这项批评指出了这一故事中的主要对立：由工会高层主导的适应，与通过基层组织建立的控制权。分歧并不在于知情的劳动者和拒绝技术的人之间，而在于培训开始前由谁设定条件。

资金支持带来了另一个尚未解决的问题。Microsoft、OpenAI 和 Anthropic 都会从教育工作者逐渐熟悉 AI 产品中受益。它们的支持并不会自动否定这所学院，但确实让劳动者有理由审视治理、课程设计、数据实践和供应商影响力。

一个项目可以在教授批判性评估的同时，继续扩大其赞助方的市场。它也可以提供真正的劳动者专业知识，同时缩小政策辩论的范围。这两种结果可以同时发生。

Bloomberg Beta 的 Roy Bahat 参与了学院概念的开发。他将教师培训描述为其他职业可能借鉴的模式。批评者则将这一雄心解读为证据：教育工作者正成为更广泛职场采用 AI 的试验案例。

由此产生的不信任表明，仅靠披露并不够。成员需要对项目目标、供应商访问权限、课程、评估以及后续工作场所政策拥有实质性的权力。否则，咨询可能沦为一种受控流程：它询问员工将如何使用 AI，却不问他们是否应该使用。

这种张力超出了教育领域。一家医院可能培训护士使用自动化文档系统，却将人员配置决定留给管理层。一家新闻编辑部可能教记者审核生成的摘要，同时削减文字编辑岗位。一家物流公司可能培训司机使用路线规划软件，而该软件也会扩大监控范围。

只有当培训伴随谈判权力时，它才能保护劳动者。这包括检查系统、质疑错误、保护个人数据、保留专业裁量权，以及就人员配置后果进行谈判的权利。

劳动者还需要获得记录，以了解系统如何作出具有重大影响的决定。一个不透明的模型可能安排排班、标记绩效、建议处分或筛选求职者，却无法给出有用的解释。培训员工操作其界面，并不会让这些决定变得可问责。

AFL-CIO 的 Workers First Initiative 认识到了其中许多问题。它反对将 AI 用作打压工会的工具，并呼吁加强对劳动者数据的权利。不过，执行效果将取决于合同、立法、监管行动和工作场所组织。

创意行业工会已经展示了具体谈判能够实现什么。SAG-AFTRA 已就某些数字替身谈判达成同意和报酬规则。Writers Guild of America 已建立有关 AI 生成文学材料以及作家作品使用方式的保护措施。

这些协议并未解决每一项争议，落实仍然重要。不过，它们展示了普遍教育与可执行限制之间的差异。当雇主需要获得同意、必须提供通知，并面临申诉程序时，劳动者就能获得更多控制权。

对于工会化程度不高的娱乐业之外的知识型劳动者而言，这一差距仍然很大。员工通常通过公司账户和内部使用政策获得 AI 工具。他们很少参与系统选择，或界定生产率提升将如何影响人员配置。

这使得文档记录至关重要。追踪模型错误、工作量变化、被取消的任务和管理层预期的劳动者，能够为日后的谈判创造证据。一个可搜索的技术知识库可以帮助团队保存这些记录，而不必依赖零散的消息。

然而，更好的记录无法取代集体权利。在大多数非工会工作场所，雇主仍控制采购、岗位设计和绩效体系。个人员工可以记录伤害，但要挑战这些伤害，往往需要有组织的筹码。

因此，对培训合作关系的怀疑观点值得谨慎对待。行业资助并不能证明一个工会已经放弃独立性。但它确实带来了激励和治理问题，领导者应当公开回应。

更有力的检验标准是：成员在完成培训后，是否能够拒绝不安全的部署。如果参与培训只是在为既定上线做准备，那么该项目就是把实施工作转移给员工。如果成员获得可执行的权力，培训就能支持劳动者控制权。

这一区别将决定劳资合作关系是建设能力，还是仅仅降低阻力。这也是一则 Google News 摘要无法仅凭标题呈现的问题。

AI 真正的劳动权衡在于控制权

决定性问题不是 AI 会创造还是摧毁工作岗位，而是劳动者能否在雇主攫取收益之前，就部署问题进行谈判。

AI 系统可以减少重复性工作、改善信息获取并辅助决策。它们也可能加剧工作负荷、扩大监控，并让裁员更容易被合理化。同一款软件在不同的工作场所规则下，可能产生截然不同的结果。

Pew Research Center 在 2025 年的一项调查发现，约五分之一的美国劳动者在工作中使用 AI。该工作场所采用数据显示，采用已经超出科技公司范围。如此广泛的覆盖面，使单一行业的回应显得不足。

劳动者面临几种不同形式的风险暴露。有些人自愿使用聊天机器人起草或总结材料。另一些人与管理层选定的自动化系统并肩工作。还有一群人为维持 AI 服务运行而提供数据、标注、审核或维护。

第四类人会遇到算法管理，即分配任务、评估绩效或建议就业决定的软件。这些系统即便不像对话式 AI 产品，也可能影响劳动者。它们还可能让管理层的判断更难受到质疑。

收益取决于谁控制节省下来的时间。如果一项工具缩短了任务耗时，雇主可以减少工时、提高配额、取消岗位，或将劳动者转向更高价值的活动。技术本身并不会在这些选项之间作出选择。

这是劳动领域的核心权衡。合作可以让工会获得早期接触机会和实施话语权。但它也可能在成员获得有约束力的保护之前，让采用行为看起来已获得共识。

抵制可以延缓有害系统，并创造谈判筹码。但当项目转移到其他地方时，它也可能让成员立即失去工作。正确的策略取决于工会力量、合同条款、社区影响以及所涉技术的具体性质。

笼统声称 AI 会消灭工作，夸大了现有证据所能证明的内容。公司有时将裁员归因于 AI，同时也出于无关原因削减成本。任务可能消失，而整个职业未必消失；新增职责也可能抵消部分缩减。

相反的说法同样站不住脚。培训并不能确保劳动者会从生产率提升中受益。雇主可以在某一时期培训员工，随后在系统改进或预算变化时削减人员。

劳动史学家 Trevor Griffey 对 Truthout 表示，工会应少关注抽象立场，多组织起来反对不安全或不合伦理的自动化。这种方法以具体诉求取代了“支持还是反对”技术的辩论。

这些诉求可以包括提前通知、获得影响评估、采购前谈判、限制监控、对重大决定进行人工审查，以及防止报复。合同还可以要求雇主披露 AI 是否影响了处分、排班、招聘或解雇。

当公司使用劳动者的声音、肖像、写作或其他产出时，报酬规则很重要。同意应当足够具体，让劳动者能够理解拟议用途。隐藏在雇佣协议中的宽泛条款，无法让劳动者对未来应用拥有有意义的控制权。

岗位保障可以更直接地应对自动化。寻求生产率提升的雇主可能同意再培训、重新安置、最低人员配置、遣散费或限制分包。这些条款将风险从个体劳动者身上转移出去。

缩短工作周提供了另一条路径。如果 AI 提高了每小时产出，工会可以要求劳动者以时间形式获得一部分收益。每周 32 小时且不减薪，与裁员或提高配额相比，会以不同方式分配生产率。

这类提议面临现实限制。并非每项任务都能变快，许多服务也需要持续的人力覆盖。雇主还可能质疑生产率中有多少来自 AI，而不是人员变化、流程重设计或员工努力。

这就是为什么衡量必须进入谈判。工会在部署前需要关于任务耗时、人员配置、错误率、工作负荷和服务质量的基准信息。没有基准，管理层就能宣称成功，却无需证明劳动者获得了收益。

AI 红利和公共财富基金代表更广泛的分配策略。这些提议旨在将技术驱动财富的一部分返还给公众或被替代的劳动者。它们可以补充工资和社会保险，但需要立法以及可持续的融资机制。

全民基本收入提议是在替代发生后处理影响。集体谈判可以更早介入，塑造工作场所本身。劳动领域很可能需要两种方法，因为许多劳动者仍在工会之外。

当一个群体的收益支撑另一个群体的损失时，跨工会协调就变得重要。建筑行业工会、教师、表演者、医疗工作者和科技员工需要共同的核算框架。否则，公司可以分别与每个群体谈判。

目标不应是让每个职业采取完全相同的政策。数字替身与临床决策工具或数据中心提出的问题不同。共同标准仍可以确立通知、参与、隐私、安全和生产率收益公平份额。

这一框架也明确了企业采购方应当提出的问题。采购团队应审查供应商是否支持审计日志、访问控制、数据保留限制、人工审查和有意义的解释。他们还应在签订合同前让受影响的劳动者参与进来。

知识型劳动者应当关心，因为非正式采用可能变成正式预期。管理者一旦观察到更快的产出，可选的助手就可能变成生产率基准。即使系统仍不可靠，员工也会面临更高配额。

有用的 AI 工作流应保留产出背后的证据，并让人类判断保持可见。知识融合可以帮助用户将源材料与生成的回答联系起来。但产品设计本身无法决定雇主如何评估这项工作。

因此，劳动者最强有力的立场是将技术理解与谈判权力结合起来。劳动者需要足够的知识来质疑供应商的说法，也需要足够的集体力量来改变部署条款。

如果领导者将其视为治理问题，运动内部的分歧可以支持这一目标。建筑行业工会带来了协商项目标准的经验。创意行业工会带来了同意规则。教师和医疗工作者带来了有关公共服务风险的专业知识。

如果这些视角彼此孤立，雇主就会为每个项目选择最适合自己的劳动合作版本。如果工会将它们连接起来，AI 采用就会以跨行业跟随技术的标准为条件。

三个信号将显示哪种劳动策略胜出

下一阶段将由可执行的合同、成员对合作关系的控制权，以及附加于数据中心审批的条件决定。

第一个信号在于，工会是否将广泛的 AI 原则转化为合同条款。相较于关于以人为本技术的声明，通知期限、审计权、人员配置保障和申诉程序更具实际意义。新的协议应当揭示，雇主是否在部署前接受工人的自主权。

如果合同能带来可衡量的控制权，这一信号将加强对有序采用的支持。若工会宣布开展培训和协商，而雇主仍保留单方面决策权，则会削弱这一论点。读者应关注涉及监控、岗位替代、数据使用和人工审查的条款。

第二个信号是 AFT 及类似组织如何治理由行业资助的项目。成员需要了解课程设置、赞助方影响、数据实践和评估方式。他们还需要一条正式渠道，用于拒绝不符合专业或伦理标准的工具。

透明的成员治理将表明，培训能够增强工人的议价能力。封闭式决策则会印证批评者的看法：这些合作关系只是对既定企业议程的适应。参与者数量不如他们之后获得的权利重要。

第三个信号是，政府是否为 AI 数据中心附加持久的劳工和社区标准。项目公告应明确建设协议、长期人员配置、电力责任、用水保护措施和公开报告要求。它们还应说明承诺的收益如何与长期公共成本相比较。

强有力的条件将缩小建筑工会与支持暂停建设者之间的分歧。薄弱的条件则会维持当前的交换：部分工人获得即时岗位，其他人则承担不确定的风险。未来对 Google News 的报道，应以其是否披露这些条款来评判，而不应只看投资总额。

劳工运动不需要对每一种 AI 工具形成统一意见。它需要一套共同程序，在雇主改变岗位、收集数据或施加自动化决策之前，赋予工人自主权。这一程序必须通过合同、立法和民主的工会治理来运作。

对开发者和企业采购方而言，信息同样直接。成功的部署不只是一个能够完成任务的模型，更是一项让受影响者能够审视、质疑并参与塑造的工作场所变革。

工人可以先记录 AI 在何处进入其工作、使用了哪些数据，以及影响了哪些决策。工会成员可以要求，在采用范围扩大前，这些证据应成为集体谈判的依据。管理者则可以在争议固化之前，建立参与和申诉机制。

因此，Google News 标题背后的决定性问题具有可操作性：AI 是让工人拥有更多时间、安全感和自主权，还是将控制权进一步上移？请关注合同、合作规则和项目条件。这些记录将显示，劳工是在塑造自动化，还是仅仅在适应它。