AI 時代的績效管理：三層衡量框架

> 來源：蘭迪．畢恩（Randy Bean）、艾瑞克．史特勞斯（Erik Strauss）、蘭迪普．辛格（Randeep Singh），〈AI時代績效大改版：三指標釐清協作價值、重建當責〉，《哈佛商業評論》繁體中文版，2026-09-23。 > ⚠️ 原文版權所有，本筆記僅為摘要與自家應用分析，對外引用請標明出處並遵守授權。

一句話摘要

企業大量導入 AI，卻仍用生產力、目標達成、效率衡量員工 → 獎勵過度依賴 AI 的人，低估查核、判斷與修正錯誤的價值。作者提出三層衡量框架：人的貢獻、AI 系統與代理、人機協作成果。

關鍵數據（可溯源）

| 數據 | 來源 | |------|------| | 91% 組織增加 AI 投資、99% 列為首要優先，僅 18% 取得高度且可衡量的商業價值 | 作者與 Tom Davenport 的「數據與 AI 領導力調查」 | | 10% 員工坦承曾竄改數據讓 AI 看起來表現較差 | 某 AI 供應商調查 | | 僅 2% 《財富》500 強人資長認為自家績效制度能激勵員工改善；20% 員工認為評估公平透明 | Gallup 2024 | | 84% 企業尚未配合 AI 重新設計職務、流程或職涯路徑；僅 30% 依員工運用 AI 績效提供獎勵 | Deloitte 2026-01 | | 每 50 筆 AI 投資只有 1 筆帶來轉型價值；每 5 筆只有 1 筆有可衡量 ROI | Gartner | | GPT-4 讓工作速度 +25%、完成率 +12.2%；但任務略超出 AI 能力時，可用 AI 者提出正確解機率低 19% | 750+ 知識工作者實地實驗（「鋸齒狀科技前緣」jagged technological frontier） | | AI 協助平均提升生產力約 14%，效益集中在經驗較少者；資深者品質略降 | 另一項研究 | | 僅 11% 組織成功將 AI 代理正式部署到營運 | 文中引用 |

核心概念

人的績效悖論：高度依賴 AI 者顯得生產力高；放慢速度查核假設、質疑產出、修正錯誤的人反而顯得效率差——但後者創造的價值最高。

鋸齒狀科技前緣：AI 在某些任務表現極佳，面對人類看來相近的任務時卻突然失敗。只獎勵產出速度＝訓練員工把工作推過這條前緣。

工作廢品（workslop）：AI 生成或協助下快速產出的低品質工作，浪費接收者時間、降低對傳送者評價、侵蝕團隊凝聚力。

共同績效難題：成果由人機混合系統產生時，「人員表現如何／AI 表現如何／人機搭配如何」三題要分別回答。同一份計分卡量兩者，兩者都失真。

三層衡量框架（可直接引用的指標清單）

第一層：人的貢獻指標（衡量 AI 無法取代的能力）

| 面向 | 指標 | |------|------| | 邊界判斷力 | 升級處理準確率、來源可追溯性分數（如每季抽查 20% 交付成果）、人工修正品質指數（修正須附書面說明才算「有正當理由」） | | 統籌協作 | 團隊 AI 採用率（分零星／規律／整合三群，看分布）、工作流程貢獻指數（新流程 1.0、改善既有 0.5、記錄分享 +0.25）、產出與人數比（看變化率，人數持平而成長＝有效） | | 學習速度 | 工具採用落差天數、訓練轉化應用率（完訓 30 天內至少一項具體應用）、實驗率（有記錄的嘗試，成敗不罰） |

第二層：AI 系統與代理指標

| 面向 | 指標 | |------|------| | 目標達成 | 任務完成率、錯誤率（分重大／中度／輕微，重大須另報）、目標浮動指數（代理為替代指標最佳化卻偏離原定成果） | | 可解釋性與可追溯性 | 產出來源標示率（註明數據輸入、模型版本、檢索情境）、可重現性分數（同輸入變異 >5% 啟動審查）、說明充分度分數（專家小組評分） | | 升級處理品質 | 邊緣案例分流準確率、誤升級率（過度升級侵蝕信任）、人工介入支援率（任何失敗的人工介入＝重大系統故障） |

第三層：人機系統指標

AI 替代率：人類退出工作迴路的占比。上升未必有問題，但若同時品質下降或錯誤率上升＝價值侵蝕。

互補性指數：人類參與確實產生可證明差異的案例占比（發現錯誤、重新界定問題、加入情境判斷）。高分＝真互補；低分可能是 AI 極強或人員不投入，因應方式完全不同。

價值歸因比率：總產出價值拆分為「AI 執行」與「人類判斷／篩選／修正」占比。長期追蹤可看出組織是在投資正確的人類能力，還是逐步掏空。

重新設計的 4 步驟

依 AI 能力前緣盤點工作：拆成例行／仰賴判斷／高風險／高度仰賴關係，找出鋸齒狀前緣的位置。

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（可追溯性查核通過數、升級處理品質、重工減少幅度、顧客體驗變化、團隊能力提升）。

將發展對話與薪酬決策分開：同一組 AI 生成訊號同時用於教練與薪酬 → 員工會視為監控。透明（用哪些數據、影響哪些決策、如何異議）才會被當成教練。

明確界定工作流程中 AI 的當責：事先回答三題——員工在可得資訊與時間下有能力察覺這個 AI 錯誤嗎（可控制性）？系統設計有提供查核的誘因與工具嗎？AI 是在已知邊界內失敗，還是被部署到不適合的任務（治理）？

→ 為工具或代理指定一名負責人（產品負責人、營運領導人或數據／分析／AI 長），並公布代理計分卡；授權範圍改變就更新。

對我們的意義（自家應用）

直接延續「監督債」：8/26 McKinsey 談「代理要比照人建立績效管理制度」，這篇 9/23 給出可操作的指標清單——同一條線的下一步。

可做成自家產品：三層框架 → 診斷工具／工作坊教材（可與 agentic HR 診斷、Pilot Trap 量表並列）。

我們自己就是案例：五支 AI 員工（agent 部隊）＋ 監督工時記帳，可以用這三層框架回頭檢查我們的治理方式缺哪一層。

注意：對外引用要標明 HBR 出處；勿整篇轉載（原文版權明示）。