人形机器人的劳动账本，不能只记在线率

GXO与Agility于2026年10月26日宣布追加Digit部署，计划于2027年初启动。合作公告。商业问题不只是更多机器能否工作，而是部署扩大以后，每台机器周围所需的劳动，能否变得更容易组织。

这首先是一个核算边界问题，而非对某款产品的裁决。机器人可以处于可用状态，周边流程却仍在等待；一次搬运可以已经完成，准备或恢复工作却记在另一支团队的排班里。反过来，动作较慢的机器也可能因为使整个班次更可预测而有价值。以下是OMN提出的分析框架，不是对GXO未披露运营表现的描述。

先确定哪些劳动属于这本账

Agility当前的常见问题页面称，生产运行自主进行，监控及维护则涉及Agility与运营合作伙伴。厂商说明。自主执行与不需要支持劳动，是两个不同命题。这一区分并非暗示有人在幕后驾驶机器人，而是说，任务层面的说明本身不能回答完整流程的用工问题。

评估部署时，应把验收合格的工作量，与交付这些工作所需的全部劳动比较：日常准备、异常诊断、现场恢复、维护以及协调。供应商一侧的投入同样重要，即使它被打包进服务费用，而不是列为客户员工的工时。服务合同改变的是谁付费、谁管理，不会让工作本身消失。

核算边界还必须前后一致。如果人工基线包含难处理的物件，而机器人试运行把它们排除，比较的就不仅是自动化，也是任务组合的变化。主动排除困难情况可以是合理的部署策略，但由此得出的结论只适用于被选中的工作范围，不能直接推广为整个岗位已经被替代。

这也解释了为什么采购部门和现场主管可能对同一个项目给出不同评价：前者看到打包服务价格，后者承担准备和协调。把两边放进同一张运营账，并不预设项目成本一定更高，而是避免部门边界替代真实的生产边界。

恢复是流程，不是一个重启按钮

设想一个无法进入下一工位的料箱。可能需要有人辨认原因，判断物件是否可以移动，执行获准的操作，再确认下游恢复。这是用于分析的假设例子，并非已报道的事故。若只计量最后按下重启按钮的时间，就漏掉了等待有权限的人，以及重新还原现场经过所花的精力。

2020年一篇NIST界面研究，将有效诊断与操作人员理解故障、作出响应的能力联系起来。研究资料。我们的实际推论是，应把交接本身当成工作衡量：告警携带什么信息，下一步由谁负责，以什么证据确认结束？只数告警而不记录时长和后果，可能把检测能力提高误认为运营恶化。

还应区分耗时与打断。一次很短的介入，可能把员工原有任务切成碎片；一次较长但提前安排的维护，反而可能更容易消化。因此，简单的介入次数不足以衡量负担。劳动账本应分别记录实际支持时间和对运营的打断影响，同时避免把相同分钟重复算成人工工资和损失产出。

当员工被要求随时待命，却又承担另一项不能轻易中断的工作时，表面上没有专职支持岗位，并不意味着支持能力没有占用。评估应询问这种兼任安排在忙碌班次是否可行，而不是把演示期间的可用人手当成长期条件。这仍是需要验证的问题，不能据此断言任何具体仓库已经存在隐性缺员。

最快的动作，不一定形成最好的班次

2022年一项NIST装配研究发现，在退化条件下，较快的方法比更慢但更稳健的方案需要更多人工介入。研究。这不是Digit仓库试验，只支持一个有限的方法论提醒，不能移植成产品性能数字。

仓库决策真正需要比较的，是在实际任务组合和支持约束下完成的整个班次。局部动作更快，可能把队列推给别处；更谨慎的动作可能减少恢复，却仍赶不上发货时限。吞吐量、劳动负担和服务承诺必须一起衡量，任何一个都不能自动代替另两个。

规模化还可能带来另一种取舍：共享支持团队可以让多个场地使用同一份专业知识，同时发生的请求也可能争用同一位专家。这是需要测试的情景，不是已发生瓶颈的证据。部署审查应该检验异常重叠时的服务假设是否仍可信，而不是从安静的展示中推算所需人手。

更有说服力的证据是什么

有效比较需要在人工基线与机器人流程之间保留相同的任务定义、质量要求和支持边界。它应区分初期培训与重复发生的工作，展示不同班次之间的变化，而非只有平均值，并说明哪些困难案例仍在自动化范围之外。早期学习成本不能被误判为永久低效，但也不能悄悄从扩展预算中消失。

乐观解释是，经验积累会使恢复程序简化，共享知识变得更便宜。另一种解释则是，表面的劳动节省部分转移到了准备或支持账目。两者都只是有待可比运营证据分辨的假设；准确核算不是否定自动化，而是让真正的改进不必依赖模糊的口径。

扩展公告本身不能解决这场争论。下一项更有用的披露，不是一个孤立的在线率，而是对合格工作量、支持劳动和交付可靠性的统一记录。只有这样，才能区分一台能完成任务的机器人，和一个确实释放了生产能力的运营模式。