人形機器人的勞動帳本，不能只記在線率

GXO與Agility於2026年10月26日宣布追加Digit部署，計劃於2027年初啟動。合作公告。商業問題不只是更多機器能否工作，而是部署擴大以後，每台機器周圍所需的勞動，能否變得更容易組織。

這首先是一個核算邊界問題，而非對某款產品的裁決。機器人可以處於可用狀態，周邊流程卻仍在等待；一次搬運可以已經完成，準備或恢復工作卻記在另一支團隊的排班裡。反過來，動作較慢的機器也可能因為使整個班次更可預測而有價值。以下是OMN提出的分析框架，不是對GXO未披露營運表現的描述。

先確定哪些勞動屬於這本帳

Agility目前的常見問題頁面稱，生產運作自主進行，監控及維護則涉及Agility與營運合作夥伴。廠商說明。自主執行與不需要支援勞動，是兩個不同命題。這一區分並非暗示有人在幕後駕駛機器人，而是說，任務層面的說明本身不能回答完整流程的用工問題。

評估部署時，應把驗收合格的工作量，與交付這些工作所需的全部勞動比較：日常準備、異常診斷、現場恢復、維護以及協調。供應商一側的投入同樣重要，即使它被打包進服務費用，而不是列為客戶員工的工時。服務合約改變的是誰付費、誰管理，不會讓工作本身消失。

核算邊界還必須前後一致。如果人工基線包含難處理的物件，而機器人試運行把它們排除，比較的就不僅是自動化，也是任務組合的變化。主動排除困難情況可以是合理的部署策略，但由此得出的結論只適用於被選中的工作範圍，不能直接推廣為整個職位已經被替代。

這也解釋了為什麼採購部門和現場主管可能對同一個專案給出不同評價：前者看到打包服務價格，後者承擔準備和協調。把兩邊放進同一張營運帳，並不預設專案成本一定更高，而是避免部門邊界替代真實的生產邊界。

恢復是流程，不是一個重新啟動按鈕

設想一個無法進入下一工作站的料箱。可能需要有人辨認原因，判斷物件是否可以移動，執行獲准的操作，再確認下游恢復。這是用於分析的假設例子，並非已報導的事故。若只計量最後按下重新啟動按鈕的時間，就漏掉了等待有權限的人，以及重新還原現場經過所花的精力。

2020年一篇NIST介面研究，將有效診斷與操作人員理解故障、作出回應的能力聯繫起來。研究資料。我們的實際推論是，應把交接本身當成工作衡量：警示攜帶什麼資訊，下一步由誰負責，以什麼證據確認結束？只數警示而不記錄時長和後果，可能把偵測能力提高誤認為營運惡化。

還應區分耗時與打斷。一次很短的介入，可能把員工原有任務切成碎片；一次較長但提前安排的維護，反而可能更容易消化。因此，簡單的介入次數不足以衡量負擔。勞動帳本應分別記錄實際支援時間和對營運的打斷影響，同時避免把相同分鐘重複算成人工工資和損失產出。

當員工被要求隨時待命，卻又承擔另一項不能輕易中斷的工作時，表面上沒有專職支援職位，並不意味著支援能力沒有佔用。評估應詢問這種兼任安排在忙碌班次是否可行，而不是把展示期間的可用人手當成長期條件。這仍是需要驗證的問題，不能據此斷言任何具體倉庫已經存在隱性缺員。

最快的動作，不一定形成最好的班次

2022年一項NIST裝配研究發現，在退化條件下，較快的方法比更慢但更穩健的方案需要更多人工介入。研究。這不是Digit倉庫試驗，只支持一個有限的方法論提醒，不能移植成產品效能數字。

倉庫決策真正需要比較的，是在實際任務組合和支援約束下完成的整個班次。局部動作更快，可能把佇列推給別處；更謹慎的動作可能減少恢復，卻仍趕不上出貨時限。吞吐量、勞動負擔和服務承諾必須一起衡量，任何一個都不能自動代替另兩個。

規模化還可能帶來另一種取捨：共享支援團隊可以讓多個場地使用同一份專業知識，同時發生的請求也可能爭用同一位專家。這是需要測試的情境，不是已發生瓶頸的證據。部署審查應該檢驗異常重疊時的服務假設是否仍可信，而不是從安靜的展示中推算所需人手。

更有說服力的證據是什麼

有效比較需要在人工基線與機器人流程之間保留相同的任務定義、品質要求和支援邊界。它應區分初期培訓與重複發生的工作，展示不同班次之間的變化，而非只有平均值，並說明哪些困難案例仍在自動化範圍之外。早期學習成本不能被誤判為永久低效，但也不能悄悄從擴展預算中消失。

樂觀解釋是，經驗累積會使恢復程序簡化，共享知識變得更便宜。另一種解釋則是，表面的勞動節省部分轉移到了準備或支援帳目。兩者都只是有待可比營運證據分辨的假設；準確核算不是否定自動化，而是讓真正的改進不必依賴模糊的口徑。

擴展公告本身不能解決這場爭論。下一項更有用的披露，不是一個孤立的在線率，而是對合格工作量、支援勞動和交付可靠性的統一記錄。只有這樣，才能區分一台能完成任務的機器人，和一個確實釋放了生產能力的營運模式。