AI提效反增管理难题：超半数管理者难评估员工产出

AI 被寄予厚望提升生产力，但一项新调查显示，对管理者而言，它眼下更像一个麻烦制造者。超过 50% 的管理者表示，在团队采用 AI 之后，评估员工的工作表现反而变得更困难了。

效率提升的背面：评估体系失灵

AI 工具确实在缩短任务完成时间、降低某些技能门槛，但管理者的困扰在于：当员工借助 AI 完成工作时，产出的“含人量”变得难以衡量。一份报告、一段代码、一张设计图，可能由人主导，也可能由 AI 生成后经人微调。管理者过去依赖的评估信号——耗时、过程可见性、技能熟练度——在 AI 介入后纷纷失效。

调查中超过半数的管理者承认，他们不确定员工提交的工作成果在多大程度上反映了个人能力。这种不确定性直接冲击绩效管理、晋升决策和团队分工。

“含人量”与可归因性难题

在组织行为学中，绩效评估的前提是产出能够可靠地归因到具体个体。AI 辅助工作打破这一前提的方式，本质上是引入了“产出与个体能力之间的代理信号失真”：当工具本身能显著提升产出下限时，低能力者借助 AI 可能呈现出接近高能力者的表面结果，而高能力者的增量贡献被工具效应稀释。学界通常把这类问题称为“可归因性”（attributability）问题——不是产出变了，而是把产出映射回人的那条链路变得不可靠。与此同时，AI 生成内容往往经过多轮人机迭代，过程痕迹分散在对话记录、生成日志与人工修改之间，传统的“过程可见性”因此从连续可观测退化为碎片化、甚至不可回溯，这进一步放大了评估的不确定性。

为什么管理者比员工更焦虑

员工关心的是 AI 能否帮自己更快完成任务，管理者关心的则是任务完成的质量归属和可复制性。当 AI 让产出变得“看起来都差不多”时，区分高绩效与低绩效的难度陡增。传统评估依赖的观察窗口——谁在加班、谁在反复修改、谁在解决棘手问题——在 AI 辅助的工作流中被压缩甚至消失。

另一个现实问题是，多数组织尚未建立针对 AI 辅助工作的评估标准。管理者被迫在旧框架下处理新问题，焦虑感由此放大。

绩效评估中的“信号”与“噪声”

管理者依赖的加班、反复修改、攻坚难题等观察窗口，在评估理论中属于“信号”：它们与真实能力相关，但并非能力本身，只是可观测的代理指标。信号之所以有效，依赖于它难以被低成本伪造。AI 介入后，这些信号的生产成本大幅下降——快速生成、多版本迭代变得廉价，信号的区分度随之被噪声淹没。当信号不再稀缺，管理者的判断就只能更多依赖难以量化的结果质量与情境判断，而这恰恰是旧评估框架最薄弱的环节。这也解释了为何焦虑更多集中在管理者一侧：他们承担的正是把模糊信号转化为晋升、分工与资源分配决策的责任。

短期解法与长期挑战

一些团队开始尝试过程留痕、AI 使用披露、以结果质量而非耗时作为核心指标。但这些做法尚未形成共识，也容易引发员工对监控的反感。对管理者来说，AI 带来的生产力红利是真实的，但评估体系的适配速度明显落后于工具普及速度。

超过 50% 的管理者表示，采用 AI 后评估员工工作变得更困难。

在评估标准跟上之前，AI 对管理层的“提效”承诺，恐怕还要打上一个问号。

AI 使用披露与过程留痕的治理张力

过程留痕与 AI 使用披露，实质上是在重建“可审计性”：让每一次人机协作留下可追溯的痕迹，从而恢复评估所需的归因链条。但这类做法与员工隐私、心理安全感之间存在天然张力——当留痕被感知为监控，员工可能转向规避性行为，例如隐藏 AI 使用或刻意表演过程，反而进一步扭曲评估信号。因此，短期解法的关键不在于是否留痕，而在于留痕的粒度、用途与告知方式：用于改进协作与校准标准的留痕，与用于奖惩排序的留痕，对员工行为的影响截然不同。这也是为何相关做法至今难以形成组织层面的共识。