當人與AI共同完成工作時，什麼才算「績效良好」？領導人又該如何確保，速度與效率不會犧牲判斷與當責？

這些問題此刻格外重要。隨著企業大舉投資AI，領導人也承受壓力，必須證明這些投資確實帶來回報。本文作者之一畢恩與湯瑪斯．戴文波特（Tom Davenport）定期進行的「數據與AI領導力調查」（Data and AI Leadership survey）今年稍早指出，91％的組織正在增加AI投資，99％將AI投資列為組織的首要優先事項。然而，只有18％組織表示已從AI投資中取得高度且可衡量的商業價值。

雖然AI已提升許多工作流程的速度與品質，多數組織卻尚未重新設計人員績效評估方式，以反映這項轉變。根據最新研究，以及我們協助企業導入AI的經驗，本文提出一套AI時代的3層績效衡量框架，讓組織能分別評估人的貢獻、AI系統與代理，以及人機系統的整體表現。

人的績效悖論

目前，企業仍以熟悉的成功指標衡量運用AI的員工績效，包括生產力、目標達成與效率。這形成一項悖論：高度依賴AI的員工可能顯得生產力極高；放慢速度、查核假設、質疑產出或修正錯誤的人，反而可能看起來效率較差，儘管他們創造的價值才是最高的。在這種模式下，領導人可能獎勵對AI的過度依賴，卻懲罰能避免代價高昂錯誤的人類判斷；可能追求產出量，而非實際成果；也可能忽略真正促成有效人員績效的因素。

把舊有績效指標套用在新工作模式上，已開始顯現後果。隨著AI系統在傳統指標上勝過人類，有些員工會採取防衛性行動：一家AI供應商的調查中，10％的員工坦承曾竄改數據，讓AI看起來表現較差。這應該不會令任何人感到意外：當高層主要把AI描述成縮減人力的工具，員工自然會感到壓力，必須證明自己在標準KPI上勝過AI，因為他們認為飯碗岌岌可危。

不過，指標失準只占問題的一半，而且可能還是較容易解決的那一半。另一項問題是，績效管理原本就已失靈。蓋洛普（Gallup）2024年的調查顯示，當時企業才剛開始適應生成式AI，只有2％的《財富》500強（Fortune 500）人資長非常同意自家績效管理制度能激勵員工改善；受訪員工中，也只有20％非常同意績效評估公平或透明。

目前沒有充分理由相信情況已大幅改變。儘管企業對自動化抱持高度期待，德勤（Deloitte）今年1月的報告指出，84％的企業尚未配合AI重新設計職務、工作流程或職涯路徑；只有30％會依員工運用AI的績效提供獎勵。多數企業調整人才策略時，著重員工教育；然而，企業一面訓練員工採取新的工作方式，仍一面沿用過去的衡量標準。這種做法預設，讓員工以更快速度完成更多相同工作，依然是正確目標。

錯誤指標與失靈的績效管理相互疊加，正造成信任赤字。執行長對AI驅動成長仍抱持高度期待，但顧能（Gartner）的研究顯示，每50筆AI投資中，只有1筆能帶來轉型價值；每5筆中，也只有1筆能產生任何可衡量的投資報酬。另一方面，員工非常清楚高層說法與實際執行之間的落差。董事會的信心與第一線現實之間，正是績效管理崩解之處。

AI時代的「良好績效」是什麼？

傳統績效指標是為界線明確、可重複且由個人負責的工作而設計。AI可以自動化許多這類任務，包括起草、摘要、翻譯、撰寫樣板程式碼，以及初步分析。一項涵蓋750多名知識工作者的大型實地實驗顯示，使用OpenAI的GPT-4，可讓工作速度提升逾25％、任務完成率提高12.2％；對模型能力範圍內的任務，解決方案品質也顯著提高。

然而，同一項研究也揭露為何以產出為主的衡量方式相當危險。當受試者接到一項略微超出AI能力的任務時，可以使用AI的人，提出正確解決方案的機率比不能使用AI的人低19％。作者將這種現象稱為「鋸齒狀科技前緣」（jagged technological frontier），即AI在某些任務上表現極佳，面對人類看來相近的任務時，卻可能突然失敗。若制度只獎勵產出速度，未查核正確性，就等於訓練員工把工作推過這道前緣，然後期盼AI能撐住。

其他證據也顯示，傳統指標會誤判價值真正來自何處。一項研究中，AI提供協助平均使生產力提高約14％，但效益主要集中在經驗較少的工作者；較有經驗者只獲得小幅速度提升，品質則略有下降。專家的價值在於診斷問題、察覺極端案例、驗證假設，以及指導他人何時不該信任工具。多數領導人若充分了解這項取捨，並不會主動選擇犧牲這些價值。

還有一項較不明顯、影響更長遠的風險。控制實驗顯示，反覆接觸帶有偏誤的AI產出，可能放大人類在知覺、情緒與社會判斷上的偏誤。受試者通常不清楚AI影響自己的程度，因此更容易受其左右。某位看似「以數據為依據」的同事，可能正在不知不覺間內化模型本身的偏見。標準績效制度沒有機制能讓這種現象浮現。

另一項相關疑慮，是「工作廢品」（workslop）大量增加：由AI生成或在AI協助下迅速產出的低品質工作，充滿重複、錯誤，因此實質內容價值極低。工作廢品不僅浪費接收者的時間，也會讓接收者降低對傳送者的評價，侵蝕團隊凝聚力。只衡量產出量、不衡量正確性的組織，不僅會錯估績效，還會主動削弱績效。主管已表示難以跟上員工的產出速度，部分原因在於，過去需要一週執行的工作，如今幾小時就能完成；但品質控管仍需仰賴判斷力已獲證實的資深領導人投入時間。

AI代理讓績效指標的問題更加棘手。多數組織過去把AI視為個別員工使用的工具。雖然只有11％的組織已成功將AI代理正式部署到實際營運中，但AI代理一旦進入工作流程，就會形成我們所稱的「共同績效難題」。當成果由人類與AI混合系統產生，評估框架必須同時回答3個問題：人員表現如何？AI系統表現如何？人機搭配後的表現又如何？

根據一項演算法控制研究的結果，我們主張，AI代理可以透過近似管理的機制塑造行為，包括建議或限制工作、記錄並評定績效數據，以及觸發獎勵或替換決策。若未明確衡量並治理AI代理與員工，就無法要求任何一方當責。當AI代理與員工共用同一份計分卡，那麼兩者都無法呈現真實情況。

衡量績效的新框架

根據我們持續進行的研究與企業合作經驗，以下提出一套3層衡量框架，分別拆解人員、AI系統與代理，以及人機共同產出的績效。每一層都應只採用少數指標，並以每月或每季的頻率定期檢視，同時連結到員工教練、人力配置、晉升與工具治理等可見決策。

1. 人的貢獻指標

若要判斷員工的實際表現，應減少著重可以用AI來膨脹的產出，轉而衡量AI無法取代的那些能力。跨職務來看，以下3項能力通常最重要。

邊界判斷力：員工能否可靠辨識AI何時超出能力範圍？接著會採取什麼行動？可考慮的指標包括：

  • 升級處理準確率：後續稽核若證實AI產出確實有缺陷、不完整，或超出AI可靠的能力範圍，該次升級處理即歸類為「有正當理由」。
  • 來源可追溯性分數：是否透明記錄數據來源、產出日期與使用的模型？抽樣規模應事先界定，例如每季抽查所有交付成果的20％。
  • 人工修正品質指數：員工若留下書面說明（如產出錯誤、數據過時或缺少情境），該次修正即屬「有正當理由」；未提出理由的修正會對分數產生負面影響。

統籌協作：員工能否運用AI工具提高團隊產出，而不只提高個人產出？換言之，能否協助他人有效運用AI？相關指標包括：

  • 團隊AI採用率：另依使用深度分群，包括零星使用（每週少於2次）、規律使用（每週2至4次），以及整合使用（每日使用且跨任務）。真正重要的是各群體的分布。
  • 工作流程貢獻指數：建議依員工改善工作流程的方式加權，新開發流程為1.0，改善既有流程為0.5，完成記錄並分享另加0.25；每季記錄一次。
  • 產出與人數比：以時間序列追蹤。比起絕對數值，變化率更具意義；團隊人數持平或減少時，分數若持續上升，代表統籌協作有效。

學習速度：工具、工作流程與政策改變時，員工能否隨之調整？組織若投資有系統的AI能力培養，就能傳達強烈訊息：精通AI是晉升途徑，而非對飯碗的威脅。可協助判斷這項重要面向的指標包括：

  • 工具採用落差天數：從工具正式推出，到員工首次留下可證明具生產效益的使用紀錄，中間相隔多少工作天。數值愈低，代表學習速度愈快；可追蹤團隊平均值或個人數值。
  • 訓練轉化應用率：追蹤有記錄的行為改變，也就是員工完成訓練後30天內，由本人或主管記錄至少一項具體應用實例。
  • 實驗率：「實驗」指有記錄地嘗試新的應用情境、提示策略或工具組合，無論結果成功與否。這項指標可培養不因失敗而懲罰員工的學習文化。

2. AI系統與代理指標

只衡量模型準確率或正常運行時間並不足夠，對代理式系統尤其如此。以下3個面向能提供更深入的判斷。

目標達成：AI代理是否在既定界線內，確實完成原本應做的工作？以下指標有助衡量：

  • 任務完成率：若產出符合事先界定的驗收標準，且不需人工修正或重新提交，即視為「成功完成」。應按AI代理、任務類型與時間持續追蹤，以察覺績效浮動。
  • 錯誤率：錯誤應依嚴重程度分為重大、中度與輕微，並記錄根本原因。整體錯誤率雖低，若掩蓋偏高的重大錯誤率，仍是重要風險訊號，應另行呈報。
  • 目標浮動指數：這項指標對執行多步驟任務的代理式系統格外重要，用來標示AI代理為可衡量的替代指標進行最佳化，卻偏離原定成果的情況。

可解釋性與可追溯性：我們能否知道AI為何採取某項行動？能否提出證明？以下指標可能有助回答：

  • 產出來源標示率：每項產出都應註明使用的數據輸入、模型版本與檢索情境。依事先界定的樣本進行稽核，例如每期抽查20％的產出。在受監管環境中，這項比率偏低會直接形成責任風險。
  • 可重現性分數：使用已記錄的參數，重新執行隨機抽取的產出樣本。若相同輸入能可靠產生相同輸出，系統才具備可稽核性。變異超過預定門檻，例如高於5％，就應啟動可追溯性審查。
  • 說明充分度分數：由結構化的人員審查小組，依情境由領域專家、法遵人員或終端使用者組成，評定AI代理產出是否附有足夠清楚的理由說明。組織必須制定明確評分準則，確保評分者之間的一致性。

升級處理品質：AI代理達到不應單獨處理的能力界線時，能否採取適當行動？對代理式系統而言，這可能是最重要的面向，因為實務上主要就是透過升級處理來維持人類監督。可用以下指標追蹤：

  • 邊緣案例分流準確率：事先依風險類別界定邊緣案例，如高價值決策、新型輸入或觸發監管要求的情況。若案例在規定回應時間內送達正確的升級層級，即屬「分流正確」。
  • 誤升級率：AI代理若過度升級處理，會增加營運負擔並侵蝕使用者信任。應追蹤這項比率，以平衡升級機制的敏感度與特異度。
  • 人工介入支援率：衡量系統架構是否在實務上確實支援人工介入，而不只在原則上允許。無論發生頻率多低，任何失敗或受阻的人工介入嘗試，都屬重大系統故障。

3. 人機系統指標

最後，組織必須衡量人機組合能否創造優於任一方單獨工作的成果。這項區分雖然重要，衡量難度也很高，因為需要大量數據。若組織具備所需資源，可採用以下指標衡量這項協作：

  • AI替代率：追蹤人類實際退出工作迴路的工作占比。AI替代率上升本身未必有問題；但若同時伴隨產出品質下降或錯誤率上升，就表示價值創造已轉為價值侵蝕。
  • 互補性指數：衡量人類參與確實產生可證明差異的案例占比，例如發現錯誤、重新界定問題或加入情境判斷。高分代表人機真正互補，而非人類只負責蓋章。低分可能表示AI代理能力極強，也可能表示人員不投入；兩種情況需要截然不同的因應方式。
  • 價值歸因比率：將總產出價值拆分為可歸因於AI執行，以及可歸因於人類判斷、篩選或修正的占比。這項方法要求很高，卻具重要策略意義。隨著AI能力提升，該比率會改變；長期追蹤可看出組織是否投資於正確的人類能力，還是正在逐步掏空這些能力。

重新設計績效管理

組織不必一次重建所有流程。可先挑選一項已被AI改變的工作流程，如顧客服務、銷售提案、政策起草、軟體交付或財務報告，接著採取4個步驟。

依AI能力前緣盤點工作

把工作流程拆分為不同任務類型：例行、仰賴判斷、高風險，以及高度仰賴關係。找出鋸齒狀前緣出現的位置，也就是AI產出看似合理、實際上卻經常出錯的任務。這是後續所有工作的前提。

先重新設計指標，再重新設計評分表

以少數領先指標取代產出量，包括通過多少項可追溯性查核、升級處理品質、重工減少幅度、顧客體驗變化，以及團隊能力提升。

將發展對話與薪酬決策分開

若同一項AI生成訊號同時用來進行教練指導與決定薪酬，員工會視之為監控。員工若了解使用哪些數據、數據會影響哪些決策，以及如何提出異議，衡量就會更像教練指導。缺少這種透明度，再完善的指標也會被員工視為監控。

明確界定工作流程中AI的當責

AI嵌入工作流程時，組織必須事先回答3個問題：

  • 在可取得的資訊與時間條件下，員工是否有能力察覺這項AI錯誤？
  • 系統設計是否提供員工查核的誘因與工具？
  • AI是在已知能力邊界內失敗，還是被部署到原本就不適合的任務？

這3個問題——可控制性、系統設計與治理——決定責任應由誰承擔。若缺乏清楚界定，「人類參與流程」（Human-in-the-Loop）就會淪為無人負責的說法。企業應為工具或AI代理指定一名負責人，通常是產品負責人、營運領導人，或數據、分析和AI長；此人對AI的績效、防護機制與更新當責。企業也應公布第二層所述的AI代理計分卡；每當AI代理的授權範圍改變，負責人就應更新計分卡。問題發生時——而問題終究會發生——企業必須能清楚回答「誰對這套系統的行為負責」，而不能只問「誰交付了這項工作」。

AI要成功，必須看見人的價值

組織正面臨一項悖論：績效衡量方式獎勵快速產出，卻無法讓缺漏的假設浮現、無法獎勵原本能察覺問題的人，也無法要求AI當責。能夠勝出的組織，會重新設計績效管理，讓原本看不見的價值變得可見，包括邊界判斷、人機協作品質，以及有人當責的成果。若等到AI代理已深度嵌入工作流程才採取行動，就像大樓已有人進駐，才開始重建當責結構。

現在就開始。重新設計一項工作流程、導入3層衡量方式，並在第一起事故迫使組織面對問題以前，先回答「責任」的問題。

（費艾文編校）