来源：HRflag

　　当AI从员工可以选择的效率工具，转变为岗位说明、能力标准和绩效评价的一部分，企业需要重构的就不只是一项指标，而是整套工作制度。

　　过去三年，很多企业都在鼓励员工使用AI。它们购买工具、组织培训、举办提示词大赛，也不断向员工解释：AI不是为了取代谁，而是为了提高效率。但当AI使用开始进入岗位说明、晋升标准和年度绩效评估，组织与员工之间的关系便发生了变化——AI不再只是企业提供的一项福利，而逐渐成为员工必须掌握的一种工作方式。

　　谷歌正在把这种变化推向一个更清晰的阶段。据相关报道，谷歌部分非技术岗位的员工已经被告知，AI工具的使用情况可能影响其2026年度绩效评估。一些岗位的AI使用要求被正式写入角色说明，销售人员需要使用内部AI工具记录和分析通话，部分团队还设定了每周使用次数；战略、运营及客户相关岗位则被要求使用AI起草文件、分析销售对话和提炼客户洞察。

　　这并不意味着谷歌已经在全球范围内建立了一套统一的“AI使用率考核制度”。现有息更准确的表述是： 谷歌允许技术和非技术团队的管理者，根据岗位需要，把AI使用纳入角色要求和GRAD绩效评估。 不同团队、岗位和职级的标准并不完全相同，高级员工通常还被期待展示更成熟的AI理解和应用能力。

　　这个边界很重要，因为谷歌事件真正值得企业管理者关注的，并不是一家科技公司要求员工每周打开几次AI工具，而是绩效管理正在出现一个新的判断：当企业已经为AI投入大量资金，并且AI能够实质改变工作流程时，员工是否仍然可以把“不使用AI”理解为一种个人选择？答案正在变得越来越明确。

　　从“提供AI工具”到“改变岗位契约”

　　在生成式AI刚刚进入企业时，大多数公司采用的是自愿试用模式。企业提供账号，员工根据兴趣探索，一些积极使用AI的人能够更快完成文案、数据整理、会议纪要和方案初稿，因此被视为数字化能力较强的员工。与此同时，那些暂时没有使用AI的人通常也不会因此受到直接影响，因为岗位说明、工作目标和绩效标准仍然沿用原来的版本。

　　这套状态能够维持，是因为企业当时对AI的价值也没有形成稳定判断。管理层不知道AI能够节省多少时间，业务部门不确定哪些流程适合应用，信息安全团队担心数据进入公共模型，HR也很难判断一次AI培训究竟改变了什么。于是，AI长期停留在“鼓励使用”的灰色地带：组织希望员工积极尝试，却没有重新定义岗位责任。

　　谷歌正在做的，是把这种模糊关系逐渐制度化。AI不再是岗位之外的一项附加技能，而是开始进入岗位本身：销售人员不仅要完成客户沟通，还要使用AI整理和分析通话；战略人员不仅要交付文件，还要证明自己能够借助AI提高研究和推演效率；管理者不仅要审核员工结果，还要判断员工是否采用了与岗位相匹配的人机协作方式。

　　这意味着企业与员工之间的“岗位契约”正在发生变化。过去，一个岗位主要定义员工需要完成什么；现在，部分企业开始进一步规定员工应当采用怎样的技术能力和流程完成工作。就像财务人员不能拒绝使用电子表格，销售人员不能完全脱离客户管理系统，未来很多知识岗位也很难长期把AI排除在自己的工作方法之外。

　　科技行业的实践表明，谷歌并非孤例。Meta、微软、亚马逊、Salesforce以及部分科技创业公司，都在通过岗位要求、绩效评价、晋升标准或使用数据推动AI应用，科技行业正在从“鼓励员工使用AI”走向“要求员工证明AI带来的工作影响”。因此，更准确的判断是，谷歌把这一趋势从技术岗位扩展到了更广泛的非技术工作，并让AI绩效管理从科技行业的内部实践变成企业管理层无法回避的议题。

　　50%的代码只是开始，非技术岗位才是更大的变量

　　AI辅助编程之所以最早进入绩效管理，是因为软件开发拥有相对清晰的工作对象。代码生成量、开发周期、缺陷率、测试通过率和系统稳定性都可以被记录，企业也更容易观察AI究竟帮助工程师解决了什么问题。谷歌管理层此前表示，公司约50%的代码由AI代理生成，再由工程师审核，这一数据本身已经说明AI不再是偶尔使用的辅助工具，而正在成为软件生产体系的一部分。

　　但真正决定企业AI转型规模的，并不是少数技术团队，而是数量更庞大的销售、市场、人力资源、财务、运营、法务、采购和客户服务岗位。它们共同构成企业日常运转的大部分信息流：会议、邮件、方案、预测、客户反馈、合同、政策、分析报告和管理决策。只要AI能够进入这些信息流，企业的生产方式就可能发生结构性变化。

　　以销售岗位为例，过去的销售绩效主要围绕收入、客户覆盖、转化率和回款展开。AI进入流程后，它可以完成通话记录、需求提取、异议分类、跟进提醒和机会预测，销售人员则需要把更多精力放在客户判断、关系建立和复杂谈判上。如果岗位仍然只考核最终收入，却不观察客户信息是否被系统化沉淀，企业就很难判断一名销售人员是在建立可复用的组织能力，还是仅仅依赖个人经验完成当期目标。

　　战略岗位的变化更加明显。AI可以在短时间内整理大量资料、生成竞争分析框架和模拟不同方案，但真正有价值的工作不再是“能否写出一份看起来完整的报告”，而是能否识别关键假设、验证数据来源、发现模型忽略的变量，并把分析转化为管理层能够采取行动的选择。AI降低了文字生产成本，却提高了判断质量的重要性。

　　HR岗位同样如此。招聘人员可以借助AI起草职位描述、整理候选人信息和准备面试问题，培训团队可以生成课程框架和个性化学习材料，HRBP可以分析员工反馈并准备组织诊断。然而，当这些工作都能更快完成以后，HR的价值并不会自动提高；如果岗位仍然停留在生成更多材料、发送更多通知和完成更多流程，AI只是放大了原有工作的数量，并没有改变工作的质量。

　　AI真正改变的不是员工完成原有任务的速度，而是企业对“这个岗位为什么存在”的回答。如果企业只是要求员工使用AI，却没有同步调整岗位任务、授权边界和价值标准，那么AI使用量越高，组织内部产生的低价值内容可能越多。

　　微软的工作趋势研究提出，企业不能只是把AI添加到原有流程上，而需要重新思考知识工作的构成。相关研究显示，83%的全球认为，AI将使员工更早承担复杂和战略性工作。这种变化意味着，即使是初级岗位，也可能需要更早学习如何分配任务、判断结果和管理AI，就像管理一个能力强但需要持续校验的新成员。

　　更大误区：把使用次数当成生产力

　　给员工设定每周AI使用次数，是推动初期采用的一种简单方法。它能够迫使员工跨过第一次使用的心理门槛，也能帮助管理者观察哪些团队仍然没有进入新工具。但如果这类指标直接进入绩效结果，企业很快就会遇到一个熟悉的问题：只要指标可以被完成，它就会被员工优化；至于指标是否创造价值，则可能退居其次。

　　员工可以为了达到要求增加提问次数，把原本一次可以完成的任务拆成多次操作，或者让AI参与本来并不需要AI的工作。这些行为在后台数据上会表现为“高频使用”，却不一定带来更好的客户结果、更高的决策质量或更低的交付成本。管理者如果只看到使用次数，就容易把操作痕迹误认为能力提升。

　　这种考核还可能形成新的“数字化表演”。过去，企业在协同平台普及过程中已经出现过类似现象：会议更多、消息更多、文档更多，并不意味着决策更快；系统登录率提高，也不等于业务流程已经改善。AI时代的表演性使用更加隐蔽，因为员工可以迅速生成大量结构完整、语言流畅的内容，而这些内容是否准确、独特和有用，需要额外的专业判断才能识别。

　　Workday在2026年发布的一项全球研究提供了值得关注的数据。85%的员工表示AI每周可以节省一至七小时，但接近40%的时间收益被纠错、重写和核验低质量输出所抵消，只有14%的员工能够持续获得清晰的正向净收益。在需要进行大量返工的人群中，25岁至34岁的员工占46%，说明熟悉数字工具并不必然意味着能够高质量地使用AI。

　　这组数据揭示了AI绩效管理中最容易被忽视的成本：员工节省的是初稿时间，却增加了核验、修正、解释和承担责任的时间。如果绩效系统只记录AI完成了多少任务，却不记录人工返工和风险控制成本，企业就会得到一张虚假的生产力报表。

　　Glean发布的2026年Work AI Index也呈现了类似落差。调查中87%的数字化工作者已经使用AI，75%认为AI提高了个人生产力，但只有13%认为所在组织的整体绩效因此得到显著改善；员工平均每周还需要投入6.4小时补充上下文、检查结果、调试错误和清理不准确内容。

　　AI使用率只能回答员工有没有接触工具，不能回答员工是否创造了更好的业务结果。它适合作为转型早期的过程指标，却不适合独立承担绩效判断，更不能成为决定奖金、晋升和人才去留的单一依据。

　　AI绩效考核应该衡量什么

　　传统绩效体系通常围绕目标完成、工作数量、交付周期、质量、协作和行为能力展开。AI进入工作流程后，这些指标不会全部失效，但它们所代表的含义正在变化。同样一份报告，一个人可能花三天独立完成，另一个人借助AI三小时完成；如果两份报告的质量相同，后者显然释放了更多产能，但企业还需要知道节省下来的时间去了哪里。

　　如果节省下来的时间被用于处理更多低价值任务，组织得到的是更高的吞吐量。如果被用于客户沟通、复杂判断、跨部门协作和新业务探索，组织得到的才是能力升级。如果员工利用AI缩短交付周期，却没有降低质量和风险，这是一种有价值的效率；如果只是更快地产生需要他人返工的内容，则是把成本转移给了下游。

　　因此，AI绩效管理的起点不应是“用了多少次”，而应是“AI改变了什么”。企业需要观察员工是否通过AI缩短关键流程、提高输出质量、改善客户体验、扩大业务覆盖，或者解决过去因成本过高而无法解决的问题。只有这些变化能够与岗位价值建立联系。

　　对销售岗位而言，AI使用质量可以体现在客户信息完整度、跟进及时性、机会判断准确度和方案个性化程度上，而不是通话被AI总结了多少次。对市场岗位而言，可以观察内容转化、洞察速度、实验数量和品牌一致性，而不是生成了多少篇文案。对财务岗位而言，更有价值的指标是预测准确率、异常识别效率和分析支持质量，而不是AI处理了多少张表格。

　　对HR而言，AI使用质量更不能等同于生成职位描述、面试题或者员工通知的数量。真正需要考察的是招聘周期是否缩短、候选人匹配是否改善、面试评价是否更一致、员工问题是否得到更快解决，以及HR是否通过AI释放了更多时间投入组织诊断和管理支持。 AI提高了行政工作的速度，绩效体系就必须把HR的价值重心推向判断、设计和干预。

　　企业可以把AI绩效划分为几类相互制衡的指标：业务结果反映最终价值，流程改善反映效率变化，质量指标防止低质量扩张，风险指标约束不当使用，能力指标观察员工是否能够解释和改进AI输出。这些维度必须共同存在，因为任何单一指标都容易把员工引向局部更优。

　　例如，一名员工借助AI把方案制作时间缩短50%，但方案采纳率下降，说明效率收益没有转化为价值。一名员工使用AI提高了销售线索覆盖，却增加了无效联系和客户投诉，说明规模扩张损害了体验。另一名员工使用频率不高，但通过建立一个稳定的AI工作流，使团队每月减少数十小时重复劳动，其贡献反而可能更大。

　　绩效评价需要奖励的不是“对AI最热情的人”，而是能够把AI转化为稳定结果，同时对质量、风险和责任保持清醒的人。

　　AI素养不是提示词技巧，而是一组完整能力

　　很多企业把AI培训等同于教授提示词，这在工具普及早期有一定作用。员工学会提供背景、明确任务、指定格式，通常就能明显改善输出质量。但当AI进入正式工作和绩效体系，仅靠提示词已经远远不够，因为员工面对的不只是如何让模型给出答案，还包括是否应该使用AI、应该提供什么数据、如何验证结果以及由谁承担责任。

　　真正的AI素养包含任务判断能力。员工需要识别哪些任务适合交给AI，哪些任务只能得到辅助，哪些任务由于涉及敏感信息、重大决策或专业责任，不应直接交由通用模型处理。一味追求“所有工作AI化”并不是先进，而是缺乏任务分级。

　　它还包括上下文组织能力。模型输出质量往往取决于员工能否提供目标、约束、数据和判断标准，这要求员工真正理解业务。一个不了解客户、产品和组织规则的人，即使熟练使用工具，也很难持续生成高质量结果；相反，专业知识越扎实，AI越可能成为能力放大器。

　　验证能力则决定AI输出能否进入实际业务。员工必须能够检查事实、数据、逻辑、引用、偏见和潜在风险，知道何时需要查阅原始材料，何时需要请专业人员复核。企业如果要求员工提高AI使用量，却没有为核验工作分配时间，就相当于一边提高生产速度，一边削弱质量控制。

　　更高层次的能力是流程设计。成熟的AI使用者不会每次从空白对话开始，而会把任务拆解为稳定步骤，建立模板、数据接口、审核节点和异常处理机制。个人偶然获得一次漂亮答案并不构成组织能力，只有当工作方法能够被重复、共享和审计，AI价值才从个人技巧转化为企业资产。

　　最后是责任意识。员工不能以“这是AI生成的”为理由回避对结果的解释，也不能因为模型表达得足够自信，就把判断权悄悄转移给工具。AI可以参与分析，最终提交、批准和执行的人仍然需要理解结论、说明依据并承担相应责任。

　　世界经济论坛《未来就业报告2025》显示，到2030年，企业预计员工39%的核心技能将发生变化，AI与大数据、网络与安全、技术素养位居增长最快的技能之列；与此同时，创造性思维、韧性、灵活性、好奇心和终身学习仍然持续上升。这说明AI能力并不是用机器技能替代人的能力，而是提高了对判断、学习和适应能力的要求。

　　PwC的2026年全球AI就业晴雨表也发现，AI暴露程度更高的岗位，其技能要求变化速度是低暴露岗位的两倍以上；最受AI影响的初级岗位，对领导力等传统高级技能的需求概率甚至达到低暴露初级岗位的七倍。当AI能够快速完成基础分析和内容生产，员工就必须更早进入判断、沟通和责任承担环节，企业若仍然按照过去的年资逻辑设计能力模型，就会出现岗位已经升级、人才标准却没有变化的错位。

　　“鼓励使用”与“限制使用”并不矛盾

　　谷歌事件引起讨论的另一个原因，是公司早期曾经对员工使用生成式AI设置较严格的边界。2023年，公开报道显示，Alphabet提醒员工不要向公共聊天机器人输入机密材料，也提醒工程师避免直接采用聊天机器人生成的代码，因为相关输出可能存在不符合要求的建议和信息泄露风险。

　　如果只看表面，这似乎形成了一种冲突：企业一边向市场推广AI，一边限制自己的员工使用AI。放到企业治理语境中，两者实际上并不矛盾。企业可以要求员工掌握AI，同时规定只能使用经过批准的内部工具；可以鼓励AI分析，同时禁止输入特定类别的数据；也可以要求员工提高效率，同时保留人工审核和责任追踪。

　　谷歌后来为员工提供了能够访问内部文档的专用AI工具以及面向编码场景的内部系统，这说明企业真正需要解决的不是“允许还是禁止”，而是工具、数据和场景之间的匹配。公共模型、企业版模型、内部部署模型和经过权限控制的智能体，并不具有相同的风险水平。员工也不能因为某个工具能够完成任务，就默认它有权接触完成任务所需的全部信息。

　　因此，所谓“对外推广、对内设限”的信任问题，不应被简单理解为企业态度反复。更值得关注的是，企业是否向员工清楚解释了边界为何变化、哪些工具可以使用、哪些数据不能进入模型、出现问题由谁处理，以及绩效要求是否与工具权限保持一致。

　　如果企业要求员工用AI提高绩效，却不给员工合规工具，员工就可能转向个人账号和未经批准的平台。如果企业为不同部门提供的工具能力差距很大，却使用同一套绩效标准，考核结果也会失去公平性。如果高级管理者不断强调AI速度，却让员工独自承担所有安全和质量风险，组织内部自然会产生不信任。

　　AI治理最危险的状态不是限制太多，而是目标很激进、规则很模糊。员工既担心不用AI会落后，又担心使用AI违反政策，只能在效率要求与风险要求之间自行猜测。

　　绩效体系可能出现的五种失真

　　将AI纳入绩效之后，更先出现的失真是指标博弈。员工会围绕系统能够记录的行为进行优化，提高登录次数、提示数量或生成内容数量，却不一定改善业务结果。管理者得到大量看似客观的数据，但这些数据只记录了工具活动，没有记录价值创造。

　　另一种失真来自岗位差异。研发、市场、销售、财务、法务和HR使用AI的机会不同，即使在同一职能中，数据权限、客户类型和工作复杂度也会造成明显差异。用统一的AI使用率比较所有员工，会奖励那些任务更容易被工具记录的人，忽略承担复杂判断和高风险工作的员工。

　　工具可及性也会影响公平。有些团队能够使用能力更强的模型、内部知识库和自动化接口，另一些团队只能使用基础聊天工具；有些岗位拥有结构化数据，另一些岗位需要花大量时间清理信息。如果绩效系统不考虑这些条件差异，就可能把技术资源差距错误地解释为个人能力差距。

　　隐形劳动是第三类问题。检查AI答案、补充上下文、纠正错误、处理例外和向同事解释结果，都需要时间，但这些工作很少出现在生产力仪表盘上。频繁使用AI的员工可能承担更多复核责任，如果企业只奖励生成速度，就会让认真审核的人看起来反而不够高效。

　　内容同质化也会影响绩效判断。当大量员工使用相似模型、模板和提示词，企业内部的报告、方案和客户沟通可能迅速趋同。形式会变得更加整齐，语言会更加成熟，但真正有区分度的洞察可能减少。管理者如果把表达流畅误认为分析深入，就容易高估AI带来的质量提升。

　　更敏感的失真来自数据和决策权。员工的AI使用日志可能记录其工作内容、问题类型、使用频率和交互习惯，如果这些数据被直接用于绩效评价，企业需要说明数据收集范围、评价逻辑和申诉机制。尤其当AI系统进一步参与员工评分、晋升建议和绩效校准时，组织必须防止把一个难以解释的模型判断包装成客观结论。

　　欧盟《人工智能法》已经把部分用于就业和劳动者管理的AI系统纳入高风险范畴，招聘筛选、候选人评价等场景需要满足更严格要求。对中国企业而言，涉及员工个人信息、自动化决策和重大权益的应用，同样需要结合个人信息保护、劳动用工及内部规章制度进行审慎设计。

　　这意味着HR不能只负责推动AI使用，还要参与定义数据边界。哪些使用数据只用于培训和流程优化，哪些可能影响个人评价，员工能否查看和纠正相关记录，人工管理者是否拥有最终决定权，都应该在制度实施前说明。否则，AI绩效管理越精细，组织面临的信任和合规压力可能越大。

　　管理者必须承担新的绩效责任

　　很多企业谈AI转型时，习惯把问题描述成员工能力不足。员工不会写提示词、不愿意尝试工具、依赖旧流程，似乎只要增加培训和考核，采用率就会提高。但大规模AI应用的主要瓶颈往往不在员工，而在管理者没有重新设计工作。

　　员工不知道应该用AI完成什么，通常意味着团队没有明确的优先场景。员工使用AI后仍然很忙，可能意味着管理者把节省下来的时间继续填入更多任务。员工不敢使用AI，可能是因为安全规则模糊；员工只生成大量低价值内容，则可能是因为团队仍然以数量而不是结果评价工作。

　　因此，员工的AI绩效不能脱离管理者的AI管理绩效。管理者需要说明本团队哪些工作适合AI、预期改善什么指标、哪些风险必须人工控制，以及节省的时间应该重新投入何处。没有这些设计，要求员工“多用AI”只是把转型责任下放，却没有提供转型条件。

　　管理者还需要处理目标提高的问题。当员工借助AI把原本需要五天的任务缩短到两天，企业很容易把下一周期目标直接提高一倍。如果所有效率收益都立即转化为更高工作量，员工会迅速意识到，主动展示AI能力只会带来更多任务，而不会带来更有价值的工作、更大的发展空间或合理的收益分享。

　　这种激励会产生两个结果。一部分员工选择隐藏真实效率，避免目标不断上调；另一部分员工使用AI批量完成任务，却减少必要的检查，以维持越来越高的产出要求。最终，企业看到的使用率持续上升，真实质量和员工体验却在下降。

　　更合理的做法，是把AI节省的时间分配给多个方向：一部分用于增加业务产出，一部分用于提升质量和客户体验，一部分用于学习新能力，还有一部分用于流程创新。这样，员工才能看到AI不仅意味着“用更少的人做更多的事”，也意味着减少重复劳动并进入更有价值的工作。

　　管理者还要对团队的工具公平负责。如果绩效要求建立在AI能力之上，组织就必须保证相应员工拥有合适的工具、数据、培训和支持。 不能把AI素养定义为员工个人责任，却把工具不足、权限混乱和流程落后排除在绩效讨论之外。

　　HR要重构的不是一项指标，而是四套系统

　　谷歌事件给HR最直接的启示，是绩效表里是否需要增加“AI使用”一栏。但如果改革停留在这里，企业很可能把一次工作方式转型做成新的。AI进入绩效，必须与岗位、能力、学习和治理系统同步变化。

　　岗位系统需要从职位名称转向任务组合。企业应当拆解每个岗位中的信息搜集、内容生成、判断决策、沟通协作、执行操作和风险承担，识别哪些任务可以自动化，哪些可以增强，哪些必须由人完成。只有看清任务结构，企业才知道AI究竟改变了岗位的哪一部分。

　　例如，招聘岗位中，职位描述初稿、简历信息整理和面试安排可能高度适合AI；候选人动机判断、关键岗位评价和录用决策则需要更强的人类参与。岗位价值将从流程执行逐渐移向人才判断、候选人关系和业务理解，相应的绩效指标也应从“完成多少招聘流程”转向“招聘质量和组织能力是否改善”。

　　绩效系统需要从活动记录转向价值证据。员工可以在绩效复盘中说明AI应用场景、原有流程、改善结果、质量验证和风险控制，但不必提交所有提示词或追求统一使用量。真正有价值的案例应当能够回答：这项应用节省了什么成本，改善了什么结果，是否可以复制，是否产生新的风险。

　　能力系统需要建立分层标准。基础层员工需要理解工具边界、数据规则和基本核验；熟练层员工需要能够将AI嵌入稳定工作流；高级员工则应当能够重构流程、评估风险并带动团队应用。职级越高，评价重点越不应该是操作次数，而应转向场景设计、业务判断和组织影响。

　　学习系统不能依赖一次性培训。AI工具和使用场景变化很快，企业需要通过真实任务、案例复盘、同行辅导和小规模实验形成持续学习机制。培训结束率可以作为运营数据，却不应被当作能力证明；员工是否能在实际工作中解决问题，才是学习效果的核心。

　　治理系统需要明确工具白名单、数据分类、人工审核、使用记录、异常上报和责任边界。成熟的AI风险管理强调，治理、场景识别、风险测量和风险处置必须形成连续机制，组织还需要根据不同场景配置不同程度的人类监督和管理责任。

　　这四套系统必须同时推进。岗位没有改变，绩效指标就找不到价值落点；能力标准没有改变，员工不知道怎样才算高质量使用；学习支持没有改变，考核就会变成惩罚；治理边界没有改变，员工越积极使用AI，企业暴露的风险反而可能越多。

　　一套更可行的AI绩效框架

　　企业如果准备把AI纳入绩效，可以从“业务影响”而非“使用行为”开始。每个岗位只需要选择少数高价值场景，明确当前基线和预期改善，例如方案周期、客户响应、预测准确率、一次通过率、返工时间或员工服务满意度。没有基线，任何“提高了效率”的说法都很难验证。

　　在业务影响之外，质量需要成为独立维度。AI生成内容的准确性、完整性、一致性和可解释性，都应根据岗位风险设置不同要求。普通内部材料可以采用抽样检查，面向客户的正式文件、财务数据、法律意见和人才决策则需要更严格的人工复核。

　　风险控制同样应进入评价。员工是否使用批准工具，是否遵守数据分类和权限要求，是否对AI内容进行必要标识，是否在不确定时主动升级处理，这些行为都比单纯的使用次数更能反映成熟度。风险管理不应只在事故发生后扣分，而应成为专业能力的一部分。

　　流程贡献可以识别那些把个人经验变成组织资产的人。一名员工建立了可复用模板、验证清单或自动化流程，帮助团队稳定节省时间，其价值往往高于个人大量使用AI。企业应该奖励可复制、可审计和可持续的改进，而不仅是个人效率。

　　人的判断仍然需要单独评价。员工是否能够解释AI为何得出某个结论，是否识别了模型遗漏的重要因素，是否在必要时拒绝AI建议，决定了人机协作的可靠性。一名真正成熟的AI使用者，不是永远接受模型，而是知道什么时候应该相信、什么时候必须怀疑。

　　协作影响则用来防止个人效率破坏团队效率。如果员工通过AI加快了自己的交付，却把大量核验工作留给同事，其个人生产力并不等于组织生产力。绩效评价需要观察上下游返工、沟通成本和结果采纳情况，避免把成本转移包装成效率提升。

　　AI使用本身不产生绩效，AI对业务结果、工作质量、组织能力和风险水平的改变才产生绩效。工具数据可以提供证据，却不能替代管理判断。

　　中国企业不宜直接照搬高压采用模式

　　谷歌、Meta和微软拥有较强的数字基础设施、内部模型、工程能力和数据治理体系，其员工也普遍处于高度数字化的工作环境。传统制造、零售、物流、医疗、金融和专业服务企业如果直接复制“每周使用量”指标，可能得到完全不同的结果。

　　很多中国企业当前的主要问题不是员工不愿意使用AI，而是业务数据分散、知识文档缺乏维护、系统之间无法连接、流程责任不清。员工即使掌握了工具，也只能在个人层面完成文案和总结，很难触及真正影响成本、收入和客户体验的核心流程。

　　在这种情况下，把AI使用纳入绩效容易造成责任倒置。企业尚未提供安全工具和可用数据，却要求员工证明AI产出；流程本身没有标准化，却要求员工通过AI提高效率；管理者没有明确业务目标，却让员工自行寻找应用场景。最终，AI转型变成基层员工的额外作业。

　　中国企业更适合从少数高频、高耗时、结果可验证的场景开始。比如客服知识检索、销售拜访整理、招聘材料准备、财务异常说明、供应链报告和内部制度问答，都比较容易建立基线，也便于观察质量变化。场景跑通以后，再将成熟方法写入岗位说明和绩效要求。

　　企业还需要注意制度程序和员工沟通。如果AI使用要求会影响绩效、薪酬、晋升或岗位安排，就不应只通过一次管理会议宣布。考核目的、指标定义、工具条件、数据使用方式、过渡周期和申诉机制都需要清楚说明，并结合企业规章制度和劳动用工要求审慎实施。

　　尤其需要避免使用未经解释的AI评分决定员工重大权益。员工有权知道自己因为什么被评价，管理者也必须能够提供业务证据，而不是把判断归因于系统。AI可以辅助整理绩效材料、发现趋势和提示异常，但最终评价仍应由了解工作情境的管理者承担。

　　企业还应设置适应期。AI能力差异既来自个人学习意愿，也来自岗位机会、工具接触和过往经验。直接把采用率与奖金绑定，容易放大原有数字差距；先提供培训、试验场景和辅导，再逐步进入发展性评价，最后才进入结果性评价，更有利于形成真实能力。

　　从“考员工”转向“考组织”

　　谷歌把AI使用带入非技术岗位绩效，标志着企业AI竞争进入了一个更艰难的阶段。购买工具已经不再是主要问题，员工是否注册账号也不是最终答案。管理层真正需要解决的是，如何把AI从个人便利转化为组织能力。

　　这一转化要求企业回答一组过去可以暂时回避的问题：哪些岗位必须掌握AI，哪些任务不能交给AI；效率收益如何计算，返工成本由谁记录；员工使用数据能否进入绩效，评价结果如何解释；节省出来的时间用于增加工作量，还是升级工作价值。这些问题都不是技术团队能够独立决定的。

　　HR在其中承担的角色，也不只是组织几场培训或修改一张绩效表。HR需要推动岗位任务重构，建立分层能力标准，设计兼顾结果与风险的评价方式，并确保员工获得公平的工具和学习机会。更重要的是，HR需要让管理者对AI转型承担责任，而不是把所有适应成本留给员工。

　　未来企业之间的AI差距，不会简单表现为谁的员工提问更多，也不会表现为谁购买了最贵的模型。真正的差距会出现在组织能否把个人节省的时间转化为更快的决策、更好的客户体验、更稳定的质量和新的业务价值。

　　谷歌事件因此提供了一个清晰的信号： AI素养正在从简历上的加分项，变成岗位履职的一部分。 但对企业来说，更关键的问题不是“是否把AI写进绩效”，而是有没有能力定义什么才算值得奖励的AI使用。

　　如果企业奖励的是登录次数，员工就会增加登录；如果奖励的是内容数量，组织就会得到更多内容；如果奖励的是可验证的业务改善、可靠判断和可复制的流程，AI才可能真正成为核心生产力工具。AI从可选走向必选，只是转型的开始，决定企业能否获得价值的，始终不是员工有没有打开AI，而是整个组织有没有因此学会用新的方式工作。

　　参考来源

　　1. Business Insider：Google Pushes More Employees to Adopt AI — and Not Just Engineers https://www.businessinsider.com/google-employee-ai-adoption-non-technical-software-engineer-performance-review-2026-2

　　2. xix.ai：Google Makes AI Usage a Factor in Performance Reviews for Nontechnical Staff https://xix.ai/ainews/google-makes-ai-usage-a-factor-in-performance-reviews-for-nontechnical-staff.html

　　3. The Wall Street Journal：Tech Firms Aren’t Just Encouraging Their Workers to Use AI. They’re Enforcing It. https://www.wsj.com/tech/ai/tech-firms-arent-just-encouraging-their-workers-to-use-ai-theyre-enforcing-it-d43ebf84

　　4. Microsoft Work Trend Index：2025: The Year the Frontier Firm Is Born https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born

　　5. Workday：New Workday Research: Companies Are Leaving AI Gains on the Table https://investor.workday.com/news-and-events/press-releases/news-details/2026/New-Workday-Research-Companies-Are-Leaving-AI-Gains-on-the-Table/default.aspx

　　6. Glean Work AI Institute：Work AI Index 2026 https://www.glean.com/work-ai-institute/reports/work-ai-index

　　7. World Economic Forum：The Future of Jobs Report 2025 https://www.weforum.org/publications/the-future-of-jobs-report-2025/

　　8. PwC：2026 Global AI Jobs Barometer https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html

　　9. Reuters：Google， One of AI’s Biggest Backers， Warns Own Staff About Chatbots https://www.reuters.com/technology/google-one-ais-biggest-backers-warns-own-staff-about-chatbots-2023-06-15/

　　10. The Agent Times：Google Restricted Employees from Using Gemini on Proprietary Code https://theagenttimes.com/agents/article/google-restricted-employees-from-using-gemini-on-proprietary-cfa493ad

　　11. European Commission：Navigating the AI Act https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-act

　　12. NIST：Artificial Intelligence Risk Management Framework https://www.nist.gov/itl/ai-risk-management-framework

　　— END —

　　原文链接：https://mp.weixin.qq.com/s/axmAAtJodVQV8zQW2ccxeQ