问题——“数字劳动”从幕后走到台前，劳动边界变得模糊；围绕“数字分身”的讨论，本质上指向同一种现象：企业把员工在工作中的经验、操作习惯和沟通方式等内容进行结构化处理——转化为模型训练数据——并在员工离岗后继续以系统形式参与业务流程。与传统的加班、绩效纠纷不同，这类争议更隐蔽：企业不再只是购买“时间”，而是把“经验”拆解成可复制、可调用的“数据资产”。当系统能够在一定程度上替代人完成重复性任务，“经验的数据化形态归谁所有、企业可以使用多久、使用到什么程度”就成为现实且紧迫的新问题。 原因——技术与商业动力叠加，制度供给相对滞后。首先，模型训练对高质量数据需求强烈。语言表达、服务流程、动作轨迹等“人类经验”信息密度高、可迁移性强，逐渐成为数字化竞争的重要要素。其次，降本增效压力推动“可复制劳动力”扩张。将流程经验沉淀为模型，可在客服、邀约、运营、人事等环节提升稳定性，并降低培训与用工成本。再次，劳动关系与数据治理之间存在制度空白。现有劳动合同多聚焦岗位职责、工作时间和报酬，对工作数据的归属、用途、期限及跨场景使用等往往缺少明确约定；而普通劳动者对数据训练、模型调用等专业细节理解有限，实践中“知情同意”容易流于形式。加之部分岗位面临替代压力，“不配合采集就失去机会”的隐性约束客观存在，自愿原则在执行中受到挑战。 影响——效率提升的同时，也可能带来权益受损与产业风险。从积极面看，经验沉淀与流程自动化有助于提升服务一致性、减少低效重复劳动，并可能催生新职业、新岗位，带动数据标注、流程设计、模型运营等涉及的环节发展。但如果缺乏边界约束，风险也会随之放大：一是劳动价值可能被低估。经验被拆分成细碎的数据单元后，容易走向“按条计价”的低价竞争，劳动者贡献与企业收益不匹配。二是人格权益与隐私风险上升。工作日志、沟通语料、动作轨迹等数据可能包含个人特征甚至敏感信息，一旦被长期保存、跨场景调用或对外流转，可能引发身份识别、职业画像、歧视性评估等问题。三是劳动关系稳定性受到冲击。当“数字分身”成为岗位替代选项，企业可能更倾向于短期用工与高流动模式，劳动者议价能力下降，不安全感加剧。从长远看，若行业缺少统一规则，还会带来合规成本不确定、纠纷频发、企业声誉受损等系统性风险，影响数字经济的健康发展。 对策——用规则划清边界，用机制保障权益，用治理促进行业发展。一要明确数据权益与授权边界。对劳动过程中形成的数据，应区分企业经营数据与劳动者个人相关数据，明确使用目的、范围、期限以及是否可转授权，避免“一次同意、永久使用”。对可能形成可识别特征的内容，应坚持最小必要原则，降低被逆向识别的风险。二要完善知情同意与退出机制。建议在劳动合同、保密与数据条款中用清晰易懂的方式列明采集类型、训练用途、保留期限与调用场景，并设置可核验的告知程序；探索建立数据撤回、更正与停止使用通道，尤其要对离职人员明确后续使用规则及争议处理路径。三要健全收益分配与补偿机制。对明显依赖个人经验沉淀且能产生持续商业价值的场景，可探索“数据贡献”与“模型收益”之间的合理补偿安排，通过一次性补偿、持续分成或岗位津贴等方式形成可预期规则，避免劳动价值被无形消解。四要强化行业自律与监管协同。鼓励行业协会制定采集标准、数据安全规范与伦理指引，推动第三方评估与合规审计；对涉嫌侵犯个人信息权益、超范围处理、强制捆绑授权等行为依法依规处置，形成可执行、可追责的治理闭环。五要提升劳动者数字素养并压实企业责任。企业应建立内部伦理审查、数据分类分级管理和风险预案，把效率目标纳入法治与伦理框架；劳动者也应增强对数据授权、个人信息保护和合同条款的识别能力，通过协商、申诉与法律途径维护自身权益。 前景——在创新与保护之间建立可持续的数字劳动秩序。随着智能化应用加速落地，“经验数据化”将从个别案例扩展到更多场景，成为组织管理与产业升级的重要工具。未来的竞争关键不仅在于谁拥有更多数据，更在于谁能在合规、透明、可审计的前提下使用数据。清晰规则既能让企业在明确边界内创新，也能让劳动者在可预期的保障中参与数字化转型，避免技术进步被误解为权益退步。可以预见，围绕数据权益、算法使用与劳动关系的新型制度供给将加快完善，兼顾效率与公平的治理体系将成为数字经济高质量发展的重要基础。
数字化转型不可逆，但技术进步不应以模糊权利为代价。将个人经验沉淀为产业能力，需要更透明的授权、更对等的协商和更严格的治理。只有把劳动者从“数据来源”真正视为权利主体——创新才能建立在信任之上——让效率与尊严在同一条轨道上向前。