一、被忽视的难题：人机协同带来了管理会计的真空
很多企业开始让员工使用AI写作、AI编程、AI数据分析，但管理方式几乎没有改变——仍是上级给下级派活，然后考核完成质量与时效。问题是：如果一项工作由员工独立完成需要8小时，使用AI后只需2小时，那么这6小时的时间节省算谁的绩效？ 如果算员工的，那员工可能刻意降低工作效率“藏拙”；如果算公司的，员工失去使用AI的动力。这个看似琐碎的矛盾，正在成为组织管理中最棘手的问题。
二、重新设计绩效评估：从“计时计件”到“人机增量”
可行的新框架包含三个维度：
- 维度一：基础效率指标（AI辅助率） 。定义岗位中可被AI辅助的工作比例，设定基线。例如，初级分析师岗位的AI辅助率基线为40%（即理论上有40%的工作时间可由AI辅助完成）。员工实际使用的AI辅助率超出基线，加分，但前提是质量不降。
- 维度二：增值产出指标（AI放大系数） 。衡量员工在使用AI后，产出的复杂度或创新度是否提升。例如，原本只能完成描述性数据分析的员工，因AI协助完成了预测性建模，这就是明显的“放大”。这个维度依赖管理者的专业判断，无法完全量化，但必须成为绩效面谈的固定议题。
- 维度三：协作贡献指标（训练AI的投入） 。使用AI的过程本身就在训练或优化企业内部的AI模型。员工主动反馈错误输出、标注优质样本、优化Prompt模板，这些行为应被纳入绩效加分项，因为这相当于在为组织积累可复用的数字资产。
三、管理者的角色转化：从督工到教练
人机协同逼迫管理者必须回答三个新问题：
- 我团队里哪些核心能力是AI短期无法替代的？（答案是：跨领域迁移能力、利益相关方的关系协调、危机中的非程序化决策）
- 我该如何重新设计团队的工作流，让AI先过一遍粗活，人的精力集中在判断与创造上？
- 当AI给出的建议与资深员工的经验冲突时，我以谁的为准？
一个值得参照的实操做法：每周团队例会增加15分钟的“人机对话复盘”——每人分享本周AI给自己带来最大启发的一次输出，以及AI让自己最恼火的一次错误。这既是技能共享，也是组织对AI不确定性的集体适应。
四、更深层的挑战：管理伦理
当AI辅助评估员工绩效时，算法偏见问题必须正视。例如，AI模型若用历史数据训练，而历史数据中本身就包含性别或年龄偏见，AI会将其放大。解决办法：AI只提供数据维度的客观事实（如响应时长、修改次数），绩效结论仍由管理者综合判断，AI不能替代管理者的最终签字权。