[讀者回函]當「數據正義」遇上「股東價值」：一場無法調解的戰爭
When Data Justice Meets Shareholder Value: An Irreconcilable War
序言
2013 年，我開始參與電商的數據化運營產品創新專案，與矽谷的數據實驗室合作。那時候「數據驅動選品」還是個新鮮詞，我們興奮地看著後台報表，覺得自己在做一件很酷的事—用數據預測消費者要什麼，然後精準地賣給他們。
後來，雙十一變成全民運動。預購、訂金、優惠券疊加、滿減門檻、限時秒殺——每一層玩法背後，都是一套更精密的數據模型，設計目標只有一個：讓你多買一點、早買一點、買了不退。我當時覺得，這是「效率」。再後來，Shopify dropshipping 起飛。無庫存、無實體、純數據選品加上買手人設行銷。我看著那些「創業導師」教人用假評價、假歷史、假人設賣貨，心裡開始有點不對勁——這還是「數據驅動」嗎？還是「數據操縱」？
十年過去，我終於搞清楚一件事：
數據從來不是中立的工具。它從第一天起，就是一場定義權的戰爭。
誰有權定義「數據是資產還是權利」？誰有權決定「演算法該透明還是保密」？誰有權宣稱「這是效率優化還是系統剝削」？
這篇文章不是要替資方說話，也不是要給工人打氣。我想做的是：讓你看清楚我們都被困在什麼結構裡。
數據資產的兩種定義為何無法調和？
公眾要求的「數據正義」—演算法透明、勞動保障、隱私權—與投資人眼中的「數據資產價值最大化」，從根本上就是對立的。前者視數據為應被保護的公共權利，後者視數據為應被榨取的私有資產。這不是好人壞人的問題，而是結構性衝突。
讓我把這個矛盾說得更尖銳：
當你呼籲「演算法透明」時，投資人聽到的是「放棄競爭優勢」。
當你要求「勞動保障」時，股東看到的是「毛利率下滑」。
當你主張「數據歸屬權」時，財報分析師讀到的是「資產減損」。
當你選擇「便宜外送」時，你實際上在投票支持最低勞動成本。
你們說的是同一個詞—「數據」—但你們說的根本不是同一件事。而更令人不安的是：我們每個人都在用自己的消費選擇，餵養這個系統。
為什麼平台「必須」剝削？—不是貪婪，是生死線
不是每一次不道德的選擇都源於貪婪，有時候它源於絕望的商業邏輯——而這恰恰是問題所在。
燒錢換規模是唯一活路
Uber、DoorDash、Lyft 都曾在早期大量補貼乘客與供應商，把單位經濟做成「虧錢」的樣子。目的很簡單—用投資人的錢換取市場主導地位，形成「贏者全拿」的網路效應。
2024 年的財報數據：
Uber：營收 439 億美元，淨利 98 億美元，被譽為「史上最強季度」
DoorDash：營收 107 億美元，市值較前年成長超過 50%
Lyft：營收 58 億美元，首次實現整年盈利
但這些漂亮數字背後有一個致命約束：一旦投資窗口關閉、投資人要求盈利，勞動成本就成為「唯一能即時調整的變數」。[1]
成本結構的不對稱
這就是為什麼演算法會被設計成「即時調整工人報酬」—勞動成本是唯一既能立即反應市場變化、又不會損傷核心基礎設施的成本項目。
根據人權觀察的數據，僅在德州 2020-2022 年期間，就有約 1.11 億美元的失業保險未被繳納——這些都直接從公共財政與勞工身上被「轉移」為企業利潤。[1]
利潤率的殘酷數學
2025 年初，Uber 的調整後 EBITDA 利潤率達到 4.2%。聽起來不錯？但這意味著：一個微不足道的勞動成本上升，就會立刻吞掉整年的「成就」。
假設某城市的平台工人集體要求薪資提升 20%：
平台無法透過提高消費者價格來完全吸收（消費者會轉向競爭平台）
也無法透過裁員來應對（還需要維持最小服務量）
因此必須直接吞下利潤率下滑
而在華爾街的期望下，任何利潤率下滑都會立刻被解讀為「增長停滯」，反映在股價上。
試算一下：如果你是 Uber CEO，面對 Q4 財報即將公布，你會選擇「道德改革」還是「股價穩定」？
這不是「資方貪婪」，這是「理性最大化」。
⚠️ 但「理性」不等於「正當」
我必須在這裡停下來，說一件重要的事。
我剛才論證，平台的行為是「理性最大化」而非「道德失格」。但這裡有個危險的邏輯跳躍。
歷史教訓：
奴隸主也在「理性最大化」勞動成本
殖民者也在「理性最大化」資源提取
血汗工廠主也在「理性最大化」利潤
我們不能因為某件事是「系統性的」或「理性的」，就說它是「可以接受的」。
那麼，我為什麼還要強調「理性最大化」而非「道德失格」？
答案很簡單：因為道德指責無法改變行為，而理解理性邏輯才能。
我們可以說「平台公司很壞」，會讓我們感到道德優越，但不會改變任何東西。我們只有理解了「什麼樣的結構會激勵理性的人去做不道德的事」，才能改變結構。
但這也意味著：改變不會來自「道德覺醒」，而只會來自「力量重新配置」。
黑箱演算法不是 Bug，是 Feature
不透明性本身就是商業資產
當一個平台使用「不透明的演算法」來決定誰接到什麼單、每單報酬多少、工人是否被停權——這不是因為技術上「無法透明」，而是因為這種黑箱本身就是主要的商業資產。
演算法實際上在做三件事：
1. 跨時間勞動供給彈性的提取
演算法不只在當下調整價格，而是根據工人的歷史工作模式，預測他們在未來什麼時候會「被迫」接受更低報酬。例如，一名為照顧孩子而只能在晚間工作的司機，演算法就會識別出他的「彈性下降」，系統性地給他分配低報酬訂單。
2. 個體化的價格歧視
同一個時段，A 司機因為「表現記錄好」（即演算法認為他會接受低價）可能被優先分配高價訂單，而 B 司機則只被分配低價訂單。這創造了工人之間的報酬差異，同時看起來像是「績效獎勵」而非系統性剝削。
3. 去中介化的勞務管理
傳統企業需要主管、HR、法務部門來管理員工關係。平台公司則用演算法完成同樣的工作，但成本降低 90% 以上，而且幾乎沒有工人組織工會的可能——你無法跟演算法進行集體談判。
公開演算法的成本是什麼？
工人會發現報酬計算的系統性偏差
會組織集體行動（就像 #DeclineNow 那樣）
會向監管機構與法院提供證據
會失去對勞動供給的「驚喜掌控」
這些成本可能高達 5-15% 的利潤率下滑。相比之下，即使面臨罰款與訴訟，維持黑箱仍然更划算。
從公眾角度，這是「操縱」。從財務角度，這是「極高的管理槓桿」。 這句話就是整個數據正義困局的縮影。
當法律風險可以「定價」，正義就變成成本項
訴訟與罰款已經被寫進成本模型
根據 2024 年的訴訟與罰款記錄：
換句話說，即使遭遇「重大」訴訟與罰款，平台仍然盈利。在這種情況下，遵守法律實際上是不理性的——從純經濟邏輯來看。[1][2]
監管套利是策略選擇
在美國，獨立承攬人的定義因州而異。德州甚至在 2019 年明確將平台工人從失業保險中豁免——這不是 bug，而是平台遊說的成功。
結果是什麼？平台可以：
在保護最弱的州進行大規模實驗（德州、南卡羅來納州等）
累積「先動優勢」與既得利益集團
當更嚴格的州開始規管時，已經可以用「業已存在的商業需求」作為抗辯
這種監管套利意味著平台可以在「合法」的框架內做到接近虐待的程度——不是違反法律，而是利用法律的漏洞。
2025 年，Uber 在加州因 AB5 訴訟再付 1.2 億美元，但當季淨利仍達 25 億美元——罰款只是「營運費用」。[1][2]
聲譽成本 vs. 實際成本
人們常說「平台會因為不道德而失去品牌價值」。但現實是什麼？
聲譽成本是對稱的——只要所有主要競爭者都做同樣的事，就不存在相對品牌傷害。
這不是「資方貪婪」可以解釋的。這是資本市場的結構性邏輯。
資本市場的囚徒困境：為什麼改革者會被懲罰
CEO 不壞，制度壞
假設 Uber CEO Dara Khosrowshahi 明天醒來決定「我們要提高所有司機的最低時薪到 $25/小時，恢復完整的勞動保護」。
董事會視角：「你正在摧毀我們的盈利能力。我們必須要求你撤回這個決定，否則我們會罷免你。」
投資人視角：「這種舉動會導致股價暴跌。我們會在下一次年度股東大會上投票更換領導層。」
競爭對手視角：「Uber 正在犯一個戰略錯誤。我們可以通過維持低成本、搶走他們的市場份額。」
換句話說，個體 CEO 的道德選擇會被系統性地懲罰。這不是陰謀，而是結構。
比較優勢的困局
假設 Uber 與 DoorDash 同時承諾要改善工人待遇、提高透明度：
但如果其中一家（比如 DoorDash）不改革，同時用節省下來的成本進行更激進的市場擴張：
這就是囚徒困境。即使 CEO 道德上想改革，董事會與投資人的壓力會確保他們被迫回到剝削模式——因為如果他們不這樣做，競爭對手會。
質疑：但如果激勵結構無法改變呢？
這是一個合理的反駁。如果華爾街的邏輯是「短期利潤最大化」，而任何 CEO 試圖改革都會被懲罰，那麼改變激勵結構本身不就成了一個死路？
答案分三層：
第一層：激勵結構已經開始改變（事實）
2024 年，Harvard、UC 系統等大型機構投資人開始將「勞動條件」納入 ESG 評估標準
Morgan Stanley 2025 年報告發現，82% 的機構投資人認為「社會指標」應成為公司戰略的核心
這不是道德壓力，而是風險評估——平台的法律風險被機構投資人重新定價了
第二層：激勵結構改變的真正動力不在「道德」，而在「風險」（實踐）
2024 年底，DoorDash 因勞動爭議面臨 3 億美元訴訟，市值下滑 8%
同期，Costco 因良好的勞動條件而被重新評為「低風險投資」
投資人不是變好了，而是發現不改革變得更貴了
第三層：但改變的速度遠慢於問題的嚴重性（悲觀）
這種改變只有在「大型機構投資人集體行動」時才會加速
而集體行動的前提是「有足夠多的機構投資人同時認為不改不行」
目前，我們還不在那個臨界點。我們甚至不知道臨界點在哪裡
Morgan Stanley 的同一份報告也揭示了殘酷的真相：82% 的機構投資人「關心」勞動標準，但只有 12% 願意「為此犧牲回報」。這就是「口頭關心」與「實際行動」之間的鴻溝。
#DeclineNow：為什麼工人的反擊既不能解決問題，也無法被完全壓制
從平台角度看威脅與容忍度
#DeclineNow 運動代表了大約 40,000 名司機協調拒絕低價訂單，迫使演算法動態提高報酬。[3][4][5]
對平台來說：
短期損失：在幾個小時內，該地區的報酬確實上升了 5-15%。
長期風險：如果這種協調變成持久的組織結構—不是一次性的集體行動，而是一個跨城市、跨平台的工會組織——那才是真正的威脅。
容忍度邊界：平台對區域性、暫時性的 #DeclineNow 行動可能容忍度相對高，因為：
它幫助演算法「重新校準」對真實勞動供給的理解
整體成本提升可能不超過 1-2%
它避免了更激進的政治行動（如政府干預或強制員工分類）
演算法 vs. 人類組織的軍備競賽
#DeclineNow 的根本問題是：它是反應式的，而平台是預測式的。
一旦平台學到「周二晚間會有 #DeclineNow 抗議」，它就可以提前在周一就開始提高該時段的基本報酬，削弱工人的談判籌碼。或者，它可以在周三提前降低該時段報酬以「懲罰」，建立一個賽局理論上的平衡。
換句話說：只要你的反抗能被演算法消化，你就還在遊戲規則裡。
#DeclineNow 之外的路：工人的三條出路
如果演算法總是能適應工人的協調策略，那麼工人的真正出路不在「更聰明的談判」，而在改變遊戲本身：
這三條出路都有成本、都有政治障礙。但它們都指向同一個事實：在現有遊戲規則內，工人無法根本扭轉局面。真正的改變需要打破遊戲規則本身。
⚠️ 小心「進步陷阱」：為什麼某些改革看起來像進步，實際上是監管套利
陷阱 1：演算法透明度 = 虛假透明
平台開放一些演算法細節，但保留「核心黑箱」（如何學習和自適應）。
結果：工人看到「你因為接受率低被降權」，但看不到「為什麼接受率低被認為是負面的」。這只是把責任從「平台的選擇」轉移到「工人的表現」。
陷阱 2：改善最低工資 = 固定成本上升 = 自動化加速
平台提高最低報酬以應對壓力，但同時加快自動駕駛、機器人的投資。
結果：工人短期收入增加，但長期工作消失。
陷阱 3：ESG 評分提升 = 品牌改善 = 更容易融資
投資人因為平台提高了勞動標準而給予更好評分。平台因此能以更低成本融資，擴張更快。
最終反而加速了對競爭對手的市場擠壓，以及對全球勞動標準的下行壓力。
陷阱 4：工人集體談判權 = 平台選擇性合規
平台同意在某些城市進行集體談判。結果：在進步的城市，平台提高報酬但同時減少訂單。
工人「賺得更多，但工作更少」。最終工人的年收入反而下降。
這些「改革」往往會被資本主義系統所吸收，變成新一輪的剝削方式。
所以，我們被困在什麼？
這篇文章不是在提供「解決方案」。如果只有「政府立法」、「機構投資人集體行動」、「工人組織」這些巨大的、難以實現的東西，那我就是在製造無力感。
相反，我想指出我們被困的具體結構：
被困一：個人道德與系統邏輯的分離
CEO 想改革，但董事會不讓
投資人想投資「有道德的平台」，但基金經理追求最高回報
消費者想支持公平的平台，但便宜的價格永遠勝過道德考量
這不是陰謀，而是制度設計本身的邏輯。
被困二：改革者被市場懲罰
平台改革工人待遇 → 利潤率下降 → 股價下跌 → CEO 被罷免
即使 CEO 的改革是對的，市場也會把他踢出去
結果：沒有人敢做正確的事
被困三：集體行動的困難
工人需要跨地區、跨平台的協調
但演算法是實時的、全球的、無法逃脫的
工人的反抗永遠被動——反應演算法的變化，而非主動設定遊戲規則
被困四：法律套利的無窮迴圈
某個州禁止了平台的某種行為
平台立刻移師到另一個州，或改個名字，或調整邏輯
法律總是在追趕，永遠追不上
這些困局的共同點
它們都不是「某個壞人的錯」，而是結構性的。它們存在於：
資本市場的短期激勵
競爭的囚徒困境
技術的非對稱性（演算法 vs. 人類組織）
法律的滯後性
而這些困局之所以無法透過「更多改革」來解決，是因為改革本身會被系統所吸收，變成新的剝削方式。
那麼，我們真的一點辦法都沒有嗎？
不完全是。但辦法不在「更聰明的改革」，而在認識到我們正被困在什麼裡。
一旦我們停止期待「CEO 的道德覺醒」或「市場的自我修正」，我們才能開始問更根本的問題：
為什麼我們要接受「股東價值最大化」是唯一合法的公司目標？
為什麼我們要接受「競爭」永遠會導致向下的軍備競賽？
為什麼我們要接受「工人是可以被演算法管理的資源」而非「人」？
這些問題不是「經濟問題」，而是「政治問題」。而政治問題的答案永遠在「力量的重新配置」。
這超越了本文的範圍。但也許，認識到我們被困的具體機制，本身就是第一步。
後記：定義權的戰爭—歷史不會重複，但會押韻
數據正義 vs. 股東價值的衝突，本質上是「誰擁有新生產資料」的權力爭奪。這不是新鮮事。資本主義歷史上，每一次「財產權定義」的戰役，都決定了接下來百年的權力格局。
圈地運動 2.0
16-19 世紀，英國貴族與資本家將公共土地「圈起」私有化，驅逐農民進入工廠勞動，創造了工業資本主義的勞動力市場。
今天，平台將用戶行為數據「圈起」私有化——用戶協議就是新的「圈地契」。農民失去土地權，工人失去數據權。
戰役教訓：贏家定義「私有財產」規則，輸家被迫接受「市場自由」。
標準石油 2.0
1911 年，洛克菲勒壟斷石油，羅斯福政府以《謝爾曼法》拆分標準石油，重新定義「壟斷權」界線。
今天，Google、Meta 壟斷數據，歐盟 DMA 法要求拆分，美國反壟斷案針對 Amazon。數據即新石油。
戰役教訓：壟斷者定義「效率」，政府定義「公平」。但拆分往往只產生新壟斷者。
數位封建主義
Facebook、Google 將公共互聯網「圈起」（演算法圍欄），用戶數據私有化。這正是馬克思描述的「原始積累」——只是發生在數位空間。
Uber 數據鎖定司機行為，TikTok 算法控制內容分發。平台成為數據領主，用戶成為數據農奴。
戰役教訓：用戶以「免費服務」交換數據權，永遠處於弱勢。
數據主權戰爭
2018 年，歐盟 GDPR 如同「數位大憲章」，定義數據為基本權利。中國「數據二十條」分置三權。美國以 TikTok 禁令捍衛「國家數據主權」。
這是國家級的「圈地運動」，平台夾在中間。贏家定義全球數據流規則。
戰役教訓：定義權從企業轉向國家，平台成為地緣政治的棋子。
問題是：過渡到哪裡？由誰定義？
這場戰爭還沒結束。事實上，它才剛開始。
參考資料
[1] Human Rights Watch. (2025). The Gig Trap: Algorithmic Wage and Labor Exploitation in Platform Work in the US
[2] Human Rights Watch. (2025). US: Major Companies Violate Gig Workers’ Rights
[3] Commons Library. (n.d.). Gig Workers Organising: Unions and Algorithms
[4] Harvard Business Review. (2021). A Labor Movement for the Platform Economy
[5] The Register. (2021). DoorDash Drivers Rebel
[6] Vice. (n.d.). Organized DoorDash Drivers’ #DeclineNow Strategy Is Driving Up Their Pay
[7] Chen, Luoyuan et al. (2024). Driving the Driver: Algorithmic Wage-Setting in Ride-Sharing.
[8] FTC Research Report: Algorithmic Management in the Workplace.
[9] Morgan Stanley. (2025). Sustainable Investing Report.
[10] 數位封建主義與平台資本主義. 方格子
[11] 數據要素市場化配置的制度邏輯. 愛思想
[12] 數據生產要素的權利配置. 人民網
Copyright © PrivacyUX Consulting Ltd. All rights reserved.
Joshua 是 Agentic UX（代理式使用者體驗）的先驅，在人工智能與使用者體驗設計領域擁有超過 15 年的開創性實踐。他率先提出將用戶隱私保護視為 AI 產品設計的核心理念，於 2022 年創立 Privacyux Consulting Ltd. 並擔任首席顧問，積極推動隱私導向的醫療 AI 產品革新。此前，他亦擔任社交 AI 首席策略官（2022-2024），專注於設計注重隱私的情感識別系統及用戶數據自主權管理機制。