- 文章分析了 AI 时代的一个悖论：许多企业在 AI 上投入巨资，却仍使用生产力、工作量和效率等传统指标来考核员工。这导致那些花时间验证、纠错或反思 AI 结果的人，其评价可能低于那些单纯追求产出数量的人。
- 数据与 AI 领导力调查显示，91% 的机构正在增加 AI 投资，99% 将 AI 视为战略重点，但仅有 18% 表示这些投资创造了可衡量的商业价值。
- 作者认为，在生成式 AI 出现之前，绩效管理系统就已存在诸多弊端。盖洛普数据显示，仅 2% 的财富 500 强人力资源总监认为现行考核体系能促进员工成长，仅 20% 的员工认为考核透明公正。
- 德勤也指出，84% 的企业尚未针对 AI 重新设计岗位职责、工作流程或职业路径。仅 30% 的企业拥有基于 AI 使用效率的激励机制，多数企业仅停留在技能培训阶段。
- 另一项调查显示，10% 的员工承认曾干扰数据以降低 AI 效率，原因是担心被 AI 取代或影响绩效评价。
- 针对 750 多名知识型劳动者的研究显示，GPT-4 能将工作速度提高 25% 以上，任务完成率提升 12.2%，并在能力范围内的任务中提高质量。
- 然而，当任务超出 AI 能力时，使用 AI 的人给出正确答案的概率比不使用者低 19%。这证明了“锯齿状技术前沿”，即 AI 在某些任务上表现出色，但在看似相似的任务上却会突然失败。
- 研究还显示，AI 能使平均生产力提高约 14%，但受益者主要是缺乏经验的员工。对于资深专家，速度仅微增，质量反而趋于下降，因为 AI 难以取代背景评估、异常检测和判断能力。
- 文章警告说，长期接触 AI 的偏见结果可能导致人类在不知不觉中接受这些偏见。同时，“workslop”（快速生成但质量低下的内容）的出现正在降低企业内部的协作质量。
- 随着 AI Agent（智能体）的普及，绩效评估变得更复杂，因为结果不再由个人创造，而是人机协作的产物。企业在出现错误时需明确界定各方责任。
- 为解决此问题，作者提出三层评估框架：第一层衡量人的贡献（识别 AI 局限、验证结果、团队协作）；第二层评估 AI 系统本身（任务完成率、错误率、可解释性）；第三层评估人机协作效率（人通过纠错或补充背景所创造的增值）。
- 作者建议企业从客户服务、软件开发或财务报告等具体流程入手，明确 AI 承担的部分与需人工判断的部分；同时将培训数据与薪酬决策数据分开，以避免员工产生被监视感。
📌 只有当企业同步改变绩效管理方式时，AI 投资才能产生优势。尽管 91% 的机构增加投资，但仅 18% 产生了明确价值。企业考核需从关注“速度”转向关注“判断质量”、验证能力、人机协作程度以及针对 AI 系统和员工的透明问责机制。
