AI 管理瑞幸咖啡店，員工為什麼越來越累？

概览

本期播客以瑞幸咖啡门店的AI排班为切口，讨论技术进入连锁餐饮业后，如何依据销量、订单和历史工时压缩人力。多位受访员工表示，系统减少了排班人数与计薪工时，却没有同步减少清洁、盘点、培训等工作。

节目进一步揭示，出餐速度、顾客满意度、卫生和损耗率等指标层层叠加，使员工既要应付人手不足，又要维持漂亮的数据。系统难以识别天气、开学季、新人熟练度和产品复杂度等现场变量，产生的缺口最终往往由员工通过无偿加班填补。

讨论最后从门店管理延伸至年轻服务业劳动者的处境：工作高强度、成长空间有限，所谓“就业退路”可能反过来耗尽他们转换人生方向所需的时间、体力与技能。节目认为，技术若只用于削减工时、压缩人手和转移风险，放大的将不是效率，而是既有的不平等。

分段落总结

[00:01] AI排班引发的效率争议

[事实] 瑞幸将AI用于安排员工工时，并依据数据判断门店运营效率。

[事实] 一线员工表示，AI排班没有减轻工作，反而减少人手，并催生系统无法识别的无偿加班。

[事实] 本期节目试图追问：当智能系统开始替代人的判断时，谁会成为被认为“多余”的人。

[02:19] 从员工吐槽进入门店现场

[事实] 记者最初在小红书看到多名瑞幸员工和店长抱怨AI排班，随后采访了曾在瑞幸工作的员工。

[事实] 系统根据销量、订单和工时等数据，决定门店所需人数以及每个人的工作时长。

[事实] 受访员工称，排班人数和收入减少后，打烊、清洁、盘点等工作依然存在，不少人只能下班后继续免费工作，甚至选择辞职。

[03:30] 店长阿哲经历的人力压缩

[事实] 阿哲曾在瑞幸工作三年半，原本看中其双休、调休和请假制度较为灵活，方便自己观看五月天演唱会。

[事实] 从2024年开始，他感觉门店人力不断被压缩；AI排班推广后，这一变化更加明显。

[事实] 阿哲所在的景区门店销售额较高，员工人数却从十余人降至七八人，留下的人需要承担更多订单和其他工作。

[04:44] AI如何计算门店所需工时

[事实] 排班系统依据历史销量、订单量、设备数量和打卡数据，推算门店不同时段需要的工时。

[事实] 系统还会参考过去的出杯速度，决定当天所需人数及订单处理时间。

[事实] 公司采用这套系统的目标，是尽可能减少闲置人力，把员工时间充分利用起来。

[推测] 这种计算方式将门店主要抽象为可量化的订单与产能关系，难以完整呈现现场工作的复杂性。

[05:25] 被算法忽略的门店劳动

[事实] 广州店长小李管理的门店客区很大，日均销量约为八九百杯，但AI上线初期曾在工作日下午只安排一名员工。

[事实] 单个员工需要同时接单、制作饮品、处理外卖、清理客区和应对顾客，而出餐、满意度与卫生要求并未降低。

[事实] 打烊后还涉及清洗和消毒设备、处理过期物料、盘点库存、上传照片、准备原料、清理冰柜和倒垃圾等大量工作。

[事实] AI安排的打烊工时往往只覆盖部分任务，有店长打卡后仍需继续工作一两个小时甚至更久。

[07:44] 工时削减与无偿加班

[事实] 一位店长称自己从早上六点半工作至晚上八点半，但系统只计算其中一部分工时。

[事实] 店长若自行找人支援或超出系统规定调班，有时会被上级约谈。

[事实] 当销量低于预测时，系统可以迅速削减后续工时，兼职员工的班次可能临时取消；但遇到爆单、新人或机器故障时，系统不会自动增加人手。

[事实] 最终，排班预测造成的人力缺口仍由当班员工留下来填补。

[09:17] 历史数据无法预测现场变化

[事实] 受访店长认为，系统擅长计算已经发生的事情，却难以理解门店每天出现的变化。

[事实] 广州天气会影响订单量；如果前一周下雨导致销量较低，系统可能减少本周人手，却无法应对本周高温带来的爆单。

[事实] 大学开学、新员工培训与熟练度差异等因素也没有被充分纳入排班计算。

[事实] 系统把新人和熟练员工都视为同等的“一个人”，既不计算培训时间，也不放宽出餐速度及其他KPI要求。

[10:37] 产品复杂度被统一折算

[事实] 瑞幸的品类已从咖啡扩展至果饮、奶茶、轻食和联名新品，不同产品的制作复杂度存在明显差异。

[事实] 部分新品从备料到出杯所需时间远超普通饮品，新品上线初期员工也需要时间熟悉流程。

[事实] 阿哲认为，AI排班的主要作用是替公司节省人力成本；按他的估算，其门店每月减少约四百个工时，相当于至少节省八千元。

[事实] 被削减的工时没有让工作消失，而是转化为更重的劳动负担和没有计薪的加班。

[12:46] KPI制造的自相矛盾

[事实] 从顾客下单、员工制作到取餐和配送，门店运营的多个步骤都会被即时记录，并对应出餐及时率、满意度、卫生、损耗率等指标。

[事实] 为避免订单显示超时，员工可能在饮品尚未完成时提前扫码；公司随后又增加指标和视频监控，检查提前扫码行为。

[事实] 员工因此既不能出杯太慢，也不能太早扫码。

[事实] 如果员工过快完成工作，系统可能据此进一步减少下次排班工时；如果做得太慢，又会影响及时率等指标。

[15:12] 层层加码与数据竞争

[事实] 一名店长称，总部的及时率要求可能是八成，但传到区域后，实际追求的标准达到九成五。

[事实] 门店和店长之间存在排名竞争，即使各项表现不错，只要区域排名靠后，绩效仍可能受影响。

[事实] 排名靠前的实质奖励有限，可能只有小旗、公仔或“明星门店”称号。

[事实] 为改善数据和巡店印象，部分员工会反复擦拭机器和吧台，并戏称到瑞幸工作就是“做保洁”。

[16:23] 店长自主权被系统取代

[事实] 过去店长可以根据附近活动、新人培训和产品销量调整排班或订货，现在排班、订货和库存等事项越来越多地由系统决定。

[事实] 一家试点门店发现鲜果产品在当地反应不佳且容易损耗，但又受停售率KPI限制，难以直接减少订货或停售。

[事实] 店长要求调整订货量时，被告知继续依照系统执行、上报问题并提供数据，以帮助模型优化。

[事实] 小李认为，公司需要的已不是能够发现并解决问题的店长，而是能够执行系统指令的人。

[18:42] 标准化培训与技能成长的落差

[事实] 阿哲比较瑞幸与麦当劳、肯德基等连锁餐饮体系后认为，后者更重视沟通、管理与个人生存技能的培养。

[事实] 瑞幸员工需要在短时间内掌握大量标准流程、开店与打烊步骤以及内部系统，但未必有时间理解咖啡、原料管理和顾客沟通。

[事实] 阿哲形容瑞幸更像在训练人使用系统，强调迅速上手和完成任务，却不鼓励员工理解背后的原因。

[推测] 高度标准化降低了岗位上手门槛，却可能限制员工积累可迁移到其他职业的能力。

[19:51] 技术红利在不同角色间并不对称

[事实] 瑞幸将自己描述为技术驱动的新零售企业，并强调AI、数据智能化和智慧门店。

[事实] 从公司叙述看，AI能够吸引顾客、预测产品趋势、优化供应链并提高门店效率；消费者也可以使用AI辅助点单。

[事实] 记者观察到，对顾客而言，AI可能只是新增的点单功能；对公司而言，它是压缩成本、收集数据和推动标准化扩张的工具；对员工而言，则意味着人更少、时间更紧和工作更难。

[20:50] 离开瑞幸后的不同道路

[事实] 节目中提到的店长最后都离开了瑞幸。

[事实] 阿哲开设了美式汉堡摊，自己制作酱料、挑选肉品和面包，并把清洁过程上传社交媒体；他也会用AI制作招牌、菜单和宣传海报。

[事实] 阿哲获得了更自由的时间，并希望未来建立连锁汉堡品牌。

[事实] 小李进入另一家国际咖啡品牌，开始学习咖啡的风味、产地、制作以及更多管理知识。

[22:04] 年轻服务业劳动者的身体与未来

[事实] 记者采访的一名22岁店员没有上过大学，希望通过考试重返学校，也想学习英语、争取更多外出机会。

[事实] 他提到一位25岁的同行因长期站立导致膝盖积水，难以继续留在行业，由此担心自己长期从事服务业后的出路。

[事实] 为争取参加外地活动的机会，他连续高强度工作一个月，出发前扭伤腰部，最终仍在接受针灸后忍痛成行。

[推测] 对缺少家庭支持和试错空间的年轻人而言，一次外出、学习或转换方向的机会可能格外珍贵，也更容易受到工作强度和身体损耗的阻碍。

[23:37] “就业退路”可能成为消耗循环

[事实] 咖啡店、奶茶店等工作对学历和专业要求相对较低，常被视为求职空档期或备考期间的退路。

[事实] 这类工作需要长时间站立，劳动强度与考核不断增加，员工却未必能获得足以帮助自己离开的技能。

[事实] 当时间和精力被工作占满，重新读书、转换行业或前往更远地方尝试都会变得更加困难。

[推测] 看似能够暂时接纳年轻人的就业安全网，也可能把他们困在身体受损、技能增长有限且缺少转型余力的循环中。

[24:42] 技术应当为劳动者保留余地

[事实] 记者认为，技术至少不应让本来就缺少余地的人变得更加没有余地。

[事实] 技术本可减少重复劳动、改善排班并提高工作安全性。

[事实] 如果技术只被用于削减工时、压缩人手，并把不确定性转嫁给员工，最终放大的将不是效率，而是已经存在的不平等。

播客点评/总结

本期的亮点在于将抽象的“AI提升效率”落实到排班、出餐、清洁、培训和库存等具体场景，并通过多名一线员工的经历呈现数据模型与真实劳动之间的落差。节目没有简单否定AI，而是追问技术服务谁、成本又由谁承担。

讨论也揭示了一个重要的管理悖论：当指标成为主要目标，员工会被迫优化数据表现，而不一定能够改善实际服务。过多且相互冲突的KPI，不仅未能修正排班模型的偏差，还可能制造提前扫码、重复清洁等应对策略。

节目的局限是材料主要来自离职员工和店长的口述，对系统的技术细节、公司回应以及不同类型门店的整体数据涉及较少。[推测] 因而这些案例能够有力展示具体困境，但尚不足以判断所有瑞幸门店的情况是否完全一致。

本期适合关注AI治理、平台化管理、连锁餐饮、青年就业和劳动权益的听众。它最具启发性的地方，是把问题从“算法是否准确”推进到“算法出错或忽略劳动时，代价由谁承担”。