如果AI让员工生产力提高3倍，简单地将他们的目标三倍化是否公平？

声明：我独立撰写了原始想法和示例，并使用AI协助润色、缩短和翻译此文。如果您不希望阅读AI辅助的写作，请随时跳过。 我一直在为公司开展AI实施项目，最近遇到了一个问题，我认为随着AI代理进入实际工作流程，这个问题将变得更加重要。一位客户是一家B2B公司。传统上，销售人员花费大量时间寻找潜在客户、研究公司、识别联系人、起草外联邮件、准备会议、做笔记、更新CRM系统并计划跟进。一旦我们分解工作流程，很大一部分工作看起来是可自动化的。一个潜在客户代理可以寻找潜在客户。一个研究代理可以丰富公司和联系信息。一个外联代理可以起草邮件。一个会议代理可以总结通话。一个CRM代理可以更新机会并建议下一步行动。我们的估计是，重复性手动工作可能降至之前的30-40%左右。然后管理层提出了一个非常合理的问题：从公司的角度来看，这很有意义。您投资AI是因为期望更高的生产力。但从员工的角度来看，另一个问题立即出现：我认为这就是AI采用不再主要是技术问题，而成为组织设计问题的地方。 许多传统的KPI假设行动是昂贵的。许多绩效指标是围绕一个简单的约束设计的：人类时间是有限的。因此，公司衡量诸如拨打的电话、发送的邮件、解决的工单、设计的作品、审查的合同、交付的功能等。当每个行动消耗有意义的人类努力时，这些指标更有意义。AI改变了这些行动的经济学。生成300封外联邮件成本低廉。但这并不意味着300封邮件比50封有针对性的邮件创造更多价值。生成100个设计成本低廉。但这并不意味着100个设计都值得投入生产。编码代理可以产生大量代码。代码行数仍然不能告诉我们关于可维护性、可靠性、架构或实际业务价值的多少信息。当一个行动的成本接近零时，行动数量成为价值的一个较弱的代理。简单地将KPI从30增加到100可能会增加活动，但不会相应增加收入、利润、客户满意度或质量。 AI也改变了“工作”的实际组成部分。我越来越发现将工作分为两类很有用。一类是相对容易委托给代理的工作：重复性任务、结构化的输入和输出、清晰的规则、历史示例、可验证的结果和可管理的错误成本。另一类包括诸如定义目标、处理模糊性、权衡取舍、管理例外情况、做出高风险决策、处理重要客户、协调人员并对结果负责的事情。随着更多执行被委托，人类工作流程开始看起来像这样：人类设定目标和约束→代理研究/生成/执行/监控→人类处理例外和重要决策→系统记录结果→人类改进规则和工作流程。这意味着知识工作者可能逐渐成为数字劳动力的管理者。销售人员可能管理多个代理，用于潜在客户开发、研究、外联、会议和CRM。开发人员可能使用编码、测试、审查、文档和研究代理。运营人员可能监督内容、分析、监控和执行代理。因此，专业能力可能越来越多地包括这样的问题：您能否识别代理何时出错？您是否知道何时可以信任其输出？当事情出错时，您能否有效干预？您能否改进系统以使其下次表现更好？ 这导致了我们如何评估员工的问题。想象两位资深客户支持员工。员工A非常出色，每天亲自解决150个困难案例。但他们的大部分知识留在脑海中。员工B只亲自解决100个案例，但记录重复问题、改进知识库、标记代理失败、创建更好的规则，并在30人的团队中将支持代理的准确性提高5%。传统的绩效系统通常青睐员工A，因为他们的个人产出更高。但员工B可能创造了更多的组织价值。我认为公司可能越来越需要区分：直接产出：这位员工个人生产了什么？杠杆产出：这位员工如何提高了代理、系统和其他员工的生产力？AI使杠杆产出变得更加重要，因为知识现在可以操作化。一个好规则不再只是一份文档。它可以由代理执行数千次。优秀员工的判断可以成为基础设施。 这也解释了为什么优秀员工可能抵制“训练AI”。假设您最好的员工向公司提供了他们的操作手册。公司将其转化为规则、提示、工作流程和代理。初级员工变得更有能力。团队变得更高效。然后公司给予专家更多工作。但他们的薪酬、晋升机会和地位保持不变。他们为什么继续贡献他们的知识？公司通常将不愿记录流程、维护知识库或标记AI失败解释为“抵制变革”。有时激励系统只是告诉员工，保留知识对他们个人来说更安全。如果公司希望员工持续改进AI系统，他们最终可能需要将系统贡献视为绩效的一部分。例如：这位员工是否提高了代理的准确性？他们是否识别了重要的故障模式？他们是否创建了可重用的规则或工作流程？他们是否减少了人类干预？他们的工作是否提高了整个团队的生产力？当然，这很容易成为另一个糟糕的KPI系统。衡量“撰写的提示数量”或“创建的知识库文章数量”可能会重新创建同样的问题。指标必须与实际效果相关。一条将代理错误率降低10%的规则可能比100页未使用的文档更有价值。 最难的问题可能是如何分配生产力收益。假设AI每年为团队节省1,000小时。公司显然应该捕获部分价值。更高的产能、更低的单位成本和更好的利润率是投资的合法回报。但如果每个节省的时间立即转化为更多相同的工作，员工很快就会学到一课：使用AI好意味着我得到更多工作。这可能不是一个稳定的激励结构。更健康的模型可能将生产力收益分配到三个领域：公司捕获经济效益。一些释放的时间被再投资到更高价值的工作中，如客户关系、创新、复杂问题或新机会。员工通过薪酬、晋升、更好的角色、减少重复性工作或对系统级贡献的明确认可获得一些好处。然后循环变为：员工贡献知识→代理改进→团队生产力提高→公司受益→员工受益→员工有理由继续改进系统。这就是为什么我认为AI采用最终将迫使公司重新设计绩效管理。收入、利润、保留率、质量和客户结果仍然重要。但公司可能需要添加另一个维度：这个人通过其他人类和AI代理创造了多少杠杆？有趣的问题不再只是：它可能越来越多地是：我很好奇公司在实践中是如何处理这个问题的。如果AI让某人的生产力提高2倍或3倍。