آمازون از یک ابزار پیش‌بینی هوش مصنوعی داخلی به نام اطلس استفاده می‌کند تا بر اساس اسناد داخلی که به عنوان بخشی از نبرد دادگاه بین این شرکت و یک اتحادیه کانادایی منتشر شده است، پیش‌بینی کند که کارگران انبارش تا چه اندازه ممکن است در اتحادیه‌ها، تحصن‌ها یا دیگر "رویدادهای مزاحم کارگری" برگزار کنند. این تحقیق که توسط openDemocracy در 16 اکتبر منتشر شد، نشان می‌دهد که این ابزار به هر انبار امتیازی بین 100 تا 900 می‌دهد – و به رهبری گفته می‌شود که نمرات بالاتر «بهتر» است.
آنچه اسناد می گویند For more context on this story, see our ongoing breaking AI news.
اسنادی که به نظر می رسد openDemocracy منابع آموزشی برای مدیران آمازون در کانادا باشد، حاوی ضمیمه ای است که بیان می کند اطلس "صدها نقطه داده" در مورد نیروی کار جمع آوری می کند. بر اساس گزارش‌ها، این ورودی‌ها شامل پست‌هایی در انجمن‌های Reddit، پاسخ‌های کارکنان به نظرسنجی‌های بازخورد داخلی، اطلاعات عمومی محل کار و هرگونه اقدام صنعتی قبلی در سایت است.
از این داده ها، اطلس امتیازی بین 100 تا 900 برای احتمال فعالیت اتحادیه هر انبار ایجاد می کند. هرچه این امتیاز کمتر باشد، سیستم احتمال بیشتری دارد که کارگران - که آمازون آنها را "همکار" می نامد - به اتحادیه تبدیل شوند یا اقدامات دیگری را انجام دهند که می تواند بر بهره وری یا سودآوری شرکت تأثیر بگذارد. این سند بیان می‌کند که برای رهبری آمازون، نمرات بالاتر «بهتر» است، که یادداشت‌های openDemocracy نشان می‌دهد که شرکت اتحادیه‌سازی را به‌عنوان خطری که باید کاهش یابد، تلقی می‌کند.
انبارها بر اساس امتیاز اطلس به پنج طبقه طبقه بندی می شوند. ردیف 5 نشان دهنده "هیچ ریسک درک فوری" نیست، در حالی که ردیف 1 به معنای "فعالیت آینده قریب الوقوع است." این اسناد نشان می دهد که این مقیاس برای "اطلاع رسانی تصمیمات کارکنان، برنامه ریزی منابع، اقدامات استاندارد و مالکیت برای کاهش خطرات ساختار نیروی کار آمازون" استفاده می شود.
داخل یک انبار امتیازی
این گزارش داستان را در انبار کاونتری آمازون در بریتانیا، جایی که گارفیلد هیلتون، کارگر 62 ساله به openDemocracy گفت، مدت‌هاست می‌داند که آمازون هر دقیقه از روز کاری او را نظارت و ثبت می‌کند - هر محصولی که اسکن می‌شود، هر ثانیه بین اسکن‌ها، هر لحظه که اسکنر او برای مدت کوتاهی غیرفعال می‌ماند - همه اینها محصول را پیش‌بینی می‌کند.
چیزی که هیلتون گفت که او نمی دانست این است که به نظر می رسد آمازون همچنین با استفاده از هوش مصنوعی برای نظارت بر پست ها در رسانه های اجتماعی و تابلوی اعلانات کارکنان داخلی شرکت، "مخالفان" احتمالی را در سایت کاونتری تحت نظر دارد.
پاسخ آمازون
یکی از سخنگویان آمازون توصیف Atlas به عنوان "نظارت یا نظارت فردی کارکنان" را رد کرد و به openDemocracy گفت که این سیستم به جای ردیابی افراد در سطح سایت و ساختمان عمل می کند. بر اساس این گزارش، این شرکت وجود خود ابزار پیش بینی را مناقشه نکرد.
مایکل نیومن، یکی از شرکای شرکت حقوقی لی دی مستقر در لندن، به openDemocracy گفت که سیستم امتیازدهی «به وضوح نشان می‌دهد که آنها فکر می‌کنند اتحادیه بد است» و «داستانی بسیار متفاوت» از اظهارات قبلی آمازون را بیان می‌کند که به دنبال جلوگیری از پیوستن کارگران به اتحادیه نیست.
یک محاسبه گسترده تر در مورد مدیریت الگوریتمی
افشاگری‌ها در بحبوحه بررسی شدید نحوه استفاده کارفرمایان بزرگ از سیستم‌های الگوریتمی برای مدیریت و نظارت بر نیروی کار است. انبارهای آمازون مدت‌هاست که در میان سخت‌افزارترین مکان‌های کاری در جهان بوده‌اند، و میزان بهره‌وری آن در رتبه دوم قرار دارد. آنچه در اسناد اطلس جدید است، ادغام ظاهری آن تله متری عملیاتی با سیگنال های خارجی - پست های رسانه های اجتماعی، پاسخ های نظرسنجی - به یک مدل ریسک پیش بینی آینده نگر است که هدف آن سازماندهی خاص فعالیت است.
مدافعان کارگری استدلال کرده‌اند که امتیازدهی پیش‌بینی‌کننده خطر اتحادیه، سؤالات حقوقی متفاوتی را از نظارت بر بهره‌وری معمولی ایجاد می‌کند و احتمالاً حمایت‌های سازماندهی کارگران را در ایالات متحده، بریتانیا و کانادا، سه منطقه‌ای که اسناد می‌گوید اطلس آن را پوشش می‌دهد، تحت تأثیر قرار می‌دهد. دعوای دادگاهی که اسناد را آشکار کرد همچنان ادامه دارد و هنوز مشخص نیست که چه مطالب دیگری ممکن است وارد پرونده عمومی شود.
چگونه امتیازدهی پیش بینی کار کار می کند - و چرا بحث برانگیز است
اطلس متعلق به دسته‌ای از سیستم‌های محل کار است که گاهی اوقات «پیش‌بینی نیروی کار» نامیده می‌شود: مدل‌هایی که فعالیت سازماندهی را به‌عنوان یک متغیر عملیاتی دیگر برای بهینه‌سازی در کنار منحنی‌های تقاضا و فهرست کارکنان در نظر می‌گیرند. این اسناد یک حلقه بازخورد آشنا از سایر استقرارهای هوش مصنوعی سازمانی - جمع آوری داده ها، امتیازدهی ریسک، پاسخ لایه ای - را توصیف می کند، اما "پاسخ" در اینجا شامل تصمیم گیری در مورد کارکنان و منابع در سایت هایی است که کارگران در تلاش برای اعمال حقوق سازماندهی هستند.
منتقدان چنین سیستم هایی استدلال می کنند که نمرات مانند اطلس می تواند پویایی خودشکوفایی ایجاد کند. انباری که به‌عنوان پرخطر علامت‌گذاری می‌شود ممکن است توجه مدیریت را بیشتر جلب کند، کارکنان تعدیل‌شده یا «اقدامات استاندارد» که تأثیرات آن بر کل نیروی کار می‌افتد، صرف‌نظر از اینکه هر یک از کارکنان در سازماندهی شرکت کرده‌اند یا خیر. از آنجایی که معیارهای امتیازدهی عمومی نیستند، کارگران در یک سایت معین معمولاً راهی ندارند که بدانند آیا انبار آنها دارای رتبه بندی ردیف 1 یا سطح 5 است - یا اینکه چه اطلاعاتی در مورد آنها به آن کمک کرده است.
گزارش OpenDemocracy ادعا نمی‌کند که اطلس افراد نامگذاری را هدف قرار می‌دهد. اختلاف بر روی امتیازدهی در سطح سایت و کاری که آمازون با آن انجام می دهد متمرکز است. اما شرح اسناد از نظارت و تجزیه و تحلیل نظرسنجی داخلی Reddit قبلاً انتقاد سازمان دهندگان کارگری آنلاین را به همراه داشته است، جایی که این داستان پس از بحث در هکر نیوز به طور گسترده منتشر شد.
برای صنعت هوش مصنوعی، این مورد نقطه داده دیگری در بحثی است که از حالت فرضی به عینی تبدیل شده است: کارفرمایان دیگر نمی پرسند که آیا هوش مصنوعی می تواند سازماندهی نیروی کار را پیش بینی کند یا خیر - اسناد نشان می دهد که حداقل یکی از بزرگترین شرکت های جهان سیستمی را برای انجام این کار درست کرده است. رگولاتورها در بریتانیا و اتحادیه اروپا که قبلاً قوانینی را در مورد مدیریت الگوریتمی و هوش مصنوعی محل کار تهیه کرده بودند، اکنون یک نمونه مستند و نامگذاری شده برای کار با آن دارند.
_این مقاله بر اساس تحقیقات openDemocracy منتشر شده در 16 اکتبر 2026 توسط Evie Breese است._
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
