許多物流與供應鏈業者積極引進人工智慧（AI）與自動化軟體進行班表安排與績效監控，期盼提升營運效率並精簡成本。然而，若企業過度依賴系統預測而忽視相關法規，可能因為工時採計不全或違背排班規範而陷入未付薪資的法律訴訟與罰則。
隱形工時未採計 衍生薪資欠給爭議
在倉儲與物流作業中，員工於正式開工或下班後，往往需要進行多項輔助運作。例如裝備穿脫、工具清點、環境消毒、車輛預檢以及開啟電腦與軟體等準備與收尾工作。現行部分運作於系統背景的 AI 工時記錄工具，若僅採計員工正式簽到後的數據，將會遺漏這段期間的勞務支出。
隨著智慧徽章與射頻識別（RFID）等追蹤技術普及，管理系統能精準掌控人員移動，但若制度要求員工必須在打卡前完成各項準備，或打卡後才能整理設備，未被系統記錄的時間極易引發勞資糾紛。法院通常認定凡屬於工作必要範疇的活動均應計薪，系統漏記將被視為欠給薪資。
排班演算法過度精算 恐觸犯法令限制
除了工時計算漏洞，排班演算法的運用同樣藏有陷阱。多數排班系統以「最小化人力成本」為核心優化目標，自動根據過往數據分配班別與人力需求，卻未必能即時整合各地的勞動法令。
許多地方政府對「預測性排班」設有嚴格規範，例如要求雇主必須提前一定天數通知員工班表變動，若臨時取消或調整班別需額外支付補償金。若排班軟體僅追求成本效益而忽略法令中的預告期與變更罰則，將使企業在不知不覺中違規。
手動校正與申訴管道 為雇主最終合規防線
自動化工具固然能提供高效率的決策輔助，但雇主依然必須承擔所有人力資源決策的法律責任。由於演算法無法涵蓋現場的所有突發狀況與法律細節，企業不能完全將排班與出勤認定交由軟體全權處理。
為降低合規風險，管理階層必須確立「允許手動修正」的彈性機制，並建立透明的申訴管道，讓員工能回報系統短計的工時或薪資差異。同時，系統設定的生產力指標必須合理，確保員工能夠在正常的支薪時間內達成目標，避免促成無償加班或危險操作。
這代表什麼
這項趨勢對導入管理工具的中小企業與製造業者帶來重要啟示：數位轉型不能只重視效率提升，更必須將「法規遵循」寫入系統運作的邏輯中。許多企業誤以為採用市面上的套裝 AI 軟體就能自動符合法規，卻忽略了軟體設定未必適用當地的勞動法令。
以台灣市場為例，《勞動基準法》對工作時間的認定十分嚴格，包含準備時間、交接班時間以及強制休息時間等，皆不得隨意排除。若台灣企業引進國際排班或人力管理系統，必須精確調整設定，確保包含穿戴裝備或開啟系統等時間均納入工時。管理團隊更應將 AI 定位為「決策輔助者」而非「最終決策者」，保留人工審核的最後防線，才能在享受科技效益的同時避免勞資爭議。
背景補充
預測性排班（Predictive Scheduling）：近年各國逐漸推行的勞工權益保障法規，目的在於防止雇主隨意變更打工族或輪班人員的排班，要求企業需提前數天至數週提供確定班表。若雇主臨時改班或砍班，必須給予員工特定比例的薪資補償。
準備與收尾工作（Preliminary and Postliminary Tasks）：指員工在開始進行主要工作任務前或結束後，為了進行工作所必須進行的預備動作。包含穿戴安全防護具、行前車輛檢查、啟動特定系統軟體等。依據多國勞動法規，只要這些活動是達成工作的必要條件，即屬於計薪工時的一部份。
常見問題
企業使用 AI 管理排班與工時有哪些主要風險？
主要風險包含 AI 未記錄打卡前後的準備與收尾時間導致欠薪，以及排班演算法因過度追求降本而忽略提前通知變更的法律規範。
打卡前的工具準備與系統啟動時間需要計入工時嗎？
是的，只要是進行主要工作前不可或缺的準備動作（如消毒、檢查車輛或開啟作業軟體），依法規均應計入支薪工時。
如何避免 AI 排班系統帶來的合規疑慮？
企業應建立手動校正機制與申訴管道，確保人力資源部門能審核 AI 排班決策，並將當地勞動法規的預告期與限制設定納入系統中。