Scovai Scovai
AI & Operations 2026-11-05 1 min read

被问到 AI 的头像是否会改变自己的评价时,34 位员工中有 30 位说不会。他们的付款却说会。

DSL

Dr. Sarah Liu

被问到 AI 的头像是否会改变自己的评价时,34 位员工中有 30 位说不会。他们的付款却说会。

三个 AI 助手给了 189 名知识工作者完全相同的答案,而这些员工付给它们的钱却不一样。在一项发表于 NordiCHI '26 会议论文集的虚拟现实办公室实验中,参与者给男性形象助手的真实金额平均为 2.96 瑞士法郎,而给功能完全相同的女性形象助手的是 2.54 瑞士法郎——p = .026(Cuber et al., NordiCHI '26, 2026)。而当被问到形象是否改变了他们的评价时,34 位受访者中有 30 位回答"不会"。

你的 AI 智能体评估存在同一个盲区。你所使用的每一张试点评分卡、每一份信任度调查、每一块采用率看板,收集的都是在这项研究中被证明答错了的那类回答——而且错在这项研究显示确实会撬动资金的那个唯一变量上。

这项实验是刻意让能力保持恒定的

正是这个设计细节,让结论具备可用性,而不只是有趣。

该研究发表于 2026 年 10 月 2 日,让其 189 名参与者(招募 191 名,2 名因助手应答失败被剔除)每人都在虚拟现实办公室中与三个助手一起完成任务:一个文本聊天机器人、一个桌面机器人,以及一个被呈现为"Johan"或"Johanna"的拟人语音智能体。这些助手在功能上完全相同——同一套底层系统、同样的回答、同样的工作质量。具身形式采用被试内设计,性别形象采用被试间设计。随后参与者为助手分配最多 4 瑞士法郎的真实金钱,且每给出一法郎,自己的报酬就减少一法郎。

这样一来,实验就排除了管理者最先会抓住的那个解释。没有人因为拟人智能体干得更好而多付钱给它——它做的是同样的工作。唯一改变的,是它的外观和声音。

具身效应大于性别效应,且在统计上稳健得多:拟人智能体获得 2.76 瑞士法郎(标准差 1.18),机器人为 1.98 瑞士法郎(标准差 1.26),W = 1511.5,p < .001,效应量 r = .44。纯文本聊天机器人垫底,为 1.75 瑞士法郎。在 4 法郎的上限下,拟人形象在不多产出任何东西的情况下,价值约 0.8 法郎的他人钱款。

性别方面的结论比新闻标题要窄得多

这里必须精确,因为二手报道并不精确。性别形象撬动了报酬(2.96 对 2.54,p = .026)和感知到的拟人程度(Johan 为 5.09,Johanna 为 4.59,p = .029),但在信任(5.58 对 5.25,p = .065)和功劳归属(5.24 对 5.05,p = .164)上均未达到显著性。

因此,诚实的表述关乎金钱估值与感知到的拟人程度,而非信任。如果你看到有人把"女性 AI 智能体更不被信任"这一说法归于本研究,那并不是它的发现。你还会看到一个整齐的"10.25%"在相关报道中流传:这个数字出自某大学的新闻稿,论文中任何位置都没有出现,也无法从已报告的均值中还原。请引用均值。

有一项调节效应值得一提:拟人相对机器人的优势在女性参与者中比男性更强(交互 beta = 1.074,z = 3.73,p < .001)。人格形象效应在你的员工队伍中并不均匀,这意味着它不会在团队调查的平均值里被抵消掉。

他们说的和他们付的是两个不同的数字

访谈结果是距离运营决策最近的那个发现。三十四位参与者中有三十位声称,性别形象对其信任或报酬并不重要;而他们用真金白银做出的分配,否定了他们自己。

这是教科书式的陈述性偏好与显示性偏好落差,而且并非有人在撒谎。这些人没有特别的理由去欺骗谁,也没有明显的动机。他们只是无法准确知晓究竟是什么在驱动自己的判断。

结论很直白:就智能体设计去征询团队意见,得到的数据没有任何已被证实的预测力。 在这项研究中,自我报告在唯一可测量地改变了行为的那个变量上指错了方向。

你的 AI 智能体评估有一部分是在给人格形象打分

把这件事放进一家中型企业的运营复盘,问题就不再是关于头像了。

你正在两个不同职能中试点两个智能体。一个是精心打磨的语音界面,有名字也有脸;另一个是务实的工具,把文本送回工单队列。到季末,你比较满意度得分、感知有用性、团队继续使用的意愿,以及扩充席位的请求,然后为胜者拨款。

这项研究要说的是:那道差距中有不明比例来自具身形式,而非绩效。你做了一次未加控制的比较,却把结果读成了能力信号。拿到预算的那个智能体,可能只是被呈现得更好的那个。

这种失效模式会以一种特定方式自我放大。改形象便宜,改能力昂贵;因此供应商——或者一支以采用率指标为优化目标的内部团队——总会发现改进人格形象比改进工作本身更容易。如果你的评分卡无法区分这两者,它就会继续奖励更便宜的那一个,而你的度量体系已经悄然开始筛选掉真实质量。

这是智能体研究中其他地方已经可见的规律的一个更尖锐版本。2026 年 Agent Confidence Index 在 300 位技术高管与从业者中对 101 项智能体任务进行了排名,发现信心所追随的是任务的可验证性与业务上下文的完整度,而不是模型能力:自动报告生成得 83.5 分、样板代码得 82.5 分,二者都拥有单一客观的评判指标;而在同样的底层模型上,service mesh 配置只停在 37.5 分(MIT Technology Review Insights, 2026;Microsoft, 2026)。凡是没有干净的成功指标之处,人类判断就会填补真空——而这项虚拟现实研究揭示了:当判断无所凭依时,它会攀附在什么上面。

这项研究没有证明什么

三条局限,坦率列出,因为一个如此顺手的论点理应接受它们。

它是虚拟现实环境中的人为构造任务,而非智能体在具有真实后果的真实工作流中的实际部署。赌注很小且只有一次:最多 4 瑞士法郎,一次性分配,而不是由某个对结果负责的人做出的、反复发生的预算决策。而且按性别形象划分的信任与功劳归属差异都未达到显著性,所以该效应比草率阅读所暗示的更窄。

在这些保留意见之后仍然成立的,是那个结构性要点,而且它完好无损:在能力被设计上固定为恒定的前提下,形象依然撬动了金钱估值,而自我报告未能预测这一点。你不需要效应量能从虚拟现实实验室迁移到你的运营现场才去行动,只需承认人格形象是你评估中的一个活跃变量,而你目前并未控制它。

测错东西的代价

值得在意的理由是预算层面的,不是伦理层面的。

McKinsey QuantumBlack 2026 年 8 月关于智能体经济学的研究发现,对于在银行业执行客户服务任务的智能体,令牌成本往往仅占可变运行成本的 20% 至 25%,而人工监督则占 70% 至 75%(McKinsey QuantumBlack, 2026)。监督——某个智能体需要多少人工复核、由谁来做、多久一次——才是占主导地位的成本项。

而这笔分配,恰恰由这项研究所显示的那种已被污染的判断来决定。你认定一个智能体可信,就会下调监督、放宽它的自主权;你判定它不可靠,就会在每次运行上都留一名复核者。如果这份信心中有一部分追随的是界面显得有多像人,那么你会对讨人喜欢的智能体复核不足,对真正有用的智能体复核过度——并且在整个技术栈中最大的一项成本上判断失误。

下一次智能体复盘之前该做什么

四项改变,都可以在本季度完成,且没有一项需要新工具。

在任何你打算做比较的事情上保持形象恒定。 如果两个智能体要彼此对比评估,就给它们相同的界面模态;否则就承认这项比较存在混淆,并停止把它当作绩效结论来汇报。

停止就智能体设计做团队问卷。 三十四位参与者中有三十位对自己的行为判断错误。改为询问具体、可观察的事件:智能体产出了什么、你必须修正什么、修正花了多久、你向上升级了什么。这些答案是可核查的。

度量行为,而非情绪。 复核中发现的错误率、返工量、升级频率、从产出到交付物被接受的时间。所有这些指标都与智能体是否有一张脸无关。

让季度智能体复盘变成量化且签字的。 智能体是你唯一可以纯粹按数字评估的对象,无需承担那些理应适用于人的公平性约束:由一位具名监督人以书面结论签结的周期性评分卡,对 Digital Employee 的可辩护性远高于它对人类下属可能具备的程度——这也是 Scovai 的 Digital Employee 席位采用这种方式复核、而非采用情绪问卷的原因。无论你用哪套体系,要求都一样:一位具名负责的人、一组固定的度量,以及一个被写下来的决定。

要检验你的 AI 智能体评估是否站得住脚,只需一个问题,而且你今天就能回答:如果你上个季度拨款支持的那个智能体,当初是以另一种声音、且没有名字交付的,你的评分卡会得出同一个数字吗?如果你不能说会,那你量的是头像。

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.