Ulasan Prestasi Baharu: Bagaimana AI Mengubah Cara Anda Mengukur Orang

Bayangkan dua pekerja dalam pasukan jualan yang sama. Seorang menghasilkan 45 urutan jangkauan seminggu. Seorang lagi menghasilkan 15. Di bawah logik prestasi tradisional, yang pertama adalah pekerja terbaik anda. Tetapi apabila anda melihat lebih dekat, anda sedar bahawa pekerja pertama menjalankan semuanya melalui pembantu AI dengan suntingan minimum, manakala yang kedua menulis urutan yang lebih sedikit tetapi lebih tajam yang menutup pada kadar dua kali ganda.

Siapa yang sebenarnya berprestasi?

Soalan itu tidak mempunyai jawapan yang jelas di bawah kebanyakan kerangka prestasi yang dibina dalam dekad terakhir. Dan itulah masalah yang perlu diselesaikan oleh CHRO dan CEO sebelum kitaran ulasan mereka yang seterusnya.

AI bukan sahaja mengubah cara kerja dilakukan. Ia merosakkan sistem pengukuran di bawah pengurusan prestasi. Jumlah output, kadar penyiapan tugas, dan metrik aktiviti (perkara yang masih dijejaki oleh kebanyakan syarikat) bukan lagi proksi yang boleh dipercayai untuk sumbangan apabila setiap pekerja mempunyai akses kepada alat yang secara dramatik menambah daya hasil mentah. Data tenaga kerja tambah AI berbanding ganti AI menunjukkan bahawa penambahan kini adalah corak dominan — bermakna masalah pengukuran adalah universal, bukan terhad kepada syarikat yang maju dalam teknologi.

Organisasi yang menyelesaikan kerangka pengukuran baharu dahulu bukan sahaja akan mempunyai data prestasi yang lebih baik. Mereka akan mempunyai kelebihan pengekalan, model pampasan yang memberi ganjaran kepada tingkah laku yang betul, dan budaya yang sebenarnya mempercepatkan penggunaan AI dan bukannya menghukumnya secara senyap.

Mengapa Metrik Tradisional Menjadi Rosak

Pengukuran prestasi sentiasa merupakan penghampiran. Kita menjejak apa yang kelihatan dan boleh dikira kerana sumbangan sukar untuk dikuantifikasi. Selama beberapa dekad, itu berfungsi dengan munasabah baik kerana jurang antara pekerja berprestasi tinggi dan pekerja biasa kebanyakannya adalah fungsi usaha, kemahiran, dan fokus — semua berkorelasi dengan output yang boleh diperhatikan.

AI merosakkan korelasi itu.

Apabila pengurus pemasaran boleh menghasilkan sepuluh kali kandungan yang boleh dihasilkannya secara manual, jumlah mentah berhenti memberi isyarat usaha atau kemahiran. Ia memberi isyarat akses AI dan kesediaan untuk menggunakannya. Dan kedua-dua perkara itu tidak peta secara bersih kepada siapa pekerja terbaik anda.

Tiga mod kegagalan khusus muncul dalam organisasi yang belum mengemas kini kerangka mereka:

Inflasi output tanpa isyarat kualiti. Pekerja yang menggunakan alat AI menghasilkan lebih banyak: lebih banyak e-mel, lebih banyak laporan, lebih banyak cadangan. Tetapi jika kriteria ulasan anda memberi ganjaran kepada jumlah, anda mengukur alat, bukan orang. Organisasi yang mengenali masalah ini awal boleh mengelak daripada mempromosikan orang yang salah berdasarkan metrik aktiviti yang diambang. Kerangka keputusan eksekutif untuk strategi tenaga kerja AI menangani cara jurang pengukuran berhubung dengan keputusan strategi tenaga kerja yang lebih luas.

Metrik kelajuan yang memberi ganjaran kepada penggunaan awal, bukan semestinya pekerja berprestasi tinggi. Pekerja pertama yang menggunakan AI akan menunjukkan keuntungan produktiviti yang dramatik tanpa mengira keupayaan asas mereka. Jika ulasan S1 anda memberi ganjaran kepada kelajuan itu, anda memberi penilaian tinggi kepada orang yang menggunakan alat dahulu, bukan orang yang mengaplikasikan pertimbangan terbaik, menghasilkan kerja berkualiti tertinggi, atau menjadikan pasukan di sekeliling mereka lebih baik.

Persepsi pengurus yang ketinggalan berbanding anjakan sebenar. Intuisi kebanyakan pengurus tentang siapa yang "kelihatan produktif" telah terbentuk dalam konteks pra-AI. Penyelidikan daripada kajian keupayaan organisasi McKinsey 2025 mendapati bahawa skor persepsi pengurus menyimpang daripada metrik output yang boleh diukur sebanyak 35% dalam pasukan di mana penggunaan AI tertinggi. Pengurus memberi nilai rendah kepada pekerja fasih AI yang bekerja dengan senyap dan cekap, dan memberi nilai tinggi kepada aktiviti yang kelihatan dalam pekerja yang nampak sibuk tetapi menghasilkan kerja berkualiti rendah.

Hasilnya adalah sistem pengurusan prestasi yang perlahan-lahan mengukur tenaga kerja anda dengan salah. Dan salah ukur pada skala besar mempunyai akibat serius: orang yang salah dipromosikan, orang yang salah hilang, dan pampasan terikat kepada metrik yang tidak lagi mencerminkan nilai.

Rupa Prestasi Yang Baik Sekarang

Daripada cuba membetulkan metrik yang rosak secara beransur-ansur, pendekatan yang lebih bersih adalah untuk menetapkan dimensi prestasi baharu yang mencerminkan apa yang sebenarnya penting dalam persekitaran ditambah AI. Terdapat tiga.

Dimensi 1: Nisbah Output AI

Nisbah output AI adalah ukuran betapa berkesan seseorang menambah output mereka menggunakan AI berbanding rakan sejawat dalam peranan yang sama. Ia bukan tentang jumlah mentah. Ia tentang pengganda.

Pekerja berprestasi tinggi bukan sahaja menggunakan AI lebih banyak. Mereka menggunakannya dengan lebih bijak. Mereka tahu bila untuk mempercayai output AI, bila untuk menulis semula, bila untuk menolak. Mereka telah membangunkan aliran kerja yang menjadikan AI benar-benar berguna berbanding pantas secara dangkal. Dan mereka menghasilkan kerja yang tahan di bawah penelitian, di mana lapisan pertimbangan jelas milik mereka.

Dalam amalan, mengukur nisbah output AI bermakna beralih daripada pengiraan aktiviti kepada nisbah output-kepada-kualiti. Berapa banyak daripada apa yang mereka hasilkan digunakan, diluluskan, atau ditukarkan di hiliran? Wakil jualan dengan 60 urutan yang menukar pada 4% mempunyai nisbah lebih tinggi berbanding seorang dengan 120 urutan yang menukar pada 1.5%.

Ini memerlukan pembinaan gelung maklum balas yang sistem semasa anda mungkin tidak miliki. Tetapi ia boleh dijejak, dan ia adalah isyarat yang betul.

Dimensi 2: Kualiti dan Pertimbangan

AI menghasilkan draf pertama pada skala. Sumbangan manusia dalam aliran kerja ditambah AI semakin banyak tentang pertimbangan: menangkap kesilapan, menambah konteks, mengaplikasikan kepakaran domain yang tidak dimiliki model.

Dimensi ini bertanya: seberapa baik seseorang dalam melihat apa yang silap dilakukan AI? Dalam menambah apa yang tidak dapat dilakukan AI?

Penganalisis kewangan yang dapat mengenal pasti tiga andaian yang tertanam dalam model yang dijana AI yang akan menyebabkannya gagal dalam keadaan sebenar sedang berprestasi pada tahap tinggi. Pemasar yang tahu bila mesej yang dijana AI yang betul secara teknikal akan gagal tepat sasaran kepada khalayak tertentu sedang menambah nilai yang tidak muncul dalam jumlah output.

Pertimbangan sukar dikuantifikasi, tetapi ia bukan tidak kelihatan. Ia muncul dalam kadar kesilapan di hiliran, dalam betapa kerap kerja seseorang memerlukan semakan ketara oleh orang lain, dan dalam maklum balas kualitatif daripada orang yang bergantung kepada output mereka. Proses semakan rakan sejawat berstruktur yang secara khusus bertanya tentang kualiti pertimbangan, bukan sekadar kuantiti output, memberi anda data di sini.

Dimensi 3: Kerjasama dan Pemindahan Pengetahuan

Ini adalah dimensi yang paling banyak diabaikan oleh kerangka prestasi, dan mungkin yang paling penting secara strategik untuk transformasi AI.

Sesetengah pekerja bukan sahaja menggunakan AI dengan baik. Mereka menjadikan rakan sepasukan lebih baik dalam menggunakan AI. Mereka berkongsi aliran kerja, mendokumentasikan prompt yang berfungsi, membina sistem bersama, dan merendahkan halangan penggunaan bagi rakan sejawat yang lebih lambat menyesuaikan diri. Ini adalah tepat tingkah laku yang program AI champions formal direka untuk muncul dan memberi ganjaran — mengubah pemindahan pengetahuan tidak formal menjadi sumbangan yang berstruktur dan boleh dinilai.

Sumbangan itu adalah luar biasa. Pekerja yang membawa tiga rakan sekerja yang teragak-agak ke dalam penggunaan AI yang berkesan telah menggandakan keupayaan AI organisasi. Tetapi di bawah kerangka prestasi tradisional, tiada satu pun daripada itu kelihatan. Ia kelihatan seperti masa yang tidak digunakan untuk output peribadi.

Organisasi ditambah AI yang berprestasi tinggi mula memperlakukan pemindahan pengetahuan dan pemboleh AI pasukan sebagai tingkah laku prestasi yang boleh dinilai, bukan tambahan lembut — tetapi kriteria sebenar dengan pemberat dalam ulasan.

Mereka Bentuk Semula Kitaran Ulasan

Mengubah apa yang anda ukur hanyalah separuh kerja. Anda juga perlu mengubah proses dan kalibrasi.

Apa yang Perlu Ditambah kepada Kriteria Prestasi pada 2026

Jadual di bawah menunjukkan pandangan sebelum/selepas bagaimana kriteria prestasi harus berubah:

Dimensi Kriteria Tradisional Kriteria Dikemaskini
Produktiviti Jumlah penyiapan tugas, pengiraan aktiviti Nisbah output AI, penukaran output-kepada-kualiti
Kualiti Kadar kesilapan pada hasil kerja Ketepatan pertimbangan, kadar semakan semula di hiliran
Pertumbuhan Penyiapan latihan kemahiran Kecekapan alat AI, penggunaan aliran kerja baharu
Kerjasama Penyertaan mesyuarat, projek pasukan Pemindahan pengetahuan AI, pemboleh rakan sejawat
Inisiatif Melampaui kerja yang diberikan Membina sistem AI bersama, mendokumentasikan amalan terbaik

Matlamatnya bukan untuk membuang kriteria sedia ada sepenuhnya. Ia untuk menyusun semula pemberat dan menambah dimensi yang kini penting.

Apa yang Perlu Dibuang atau Susun Semula Pemberat

Jumlah output mentah dan metrik aktiviti harus dipindahkan dari petunjuk utama kepada petunjuk sekunder — konteks dan bukannya kriteria penilaian. Jika seseorang menghasilkan dua kali jumlah dengan separuh kualiti, jumlah itu bukan isyarat.

Metrik kelajuan harus dipisahkan daripada penilaian prestasi. Seberapa pantas seseorang menggunakan AI awal pada 2025 atau 2026 tidak meramalkan seberapa baik mereka menggunakannya sekarang, dan ia tentu tidak meramalkan sumbangan jangka panjang. Kelajuan penggunaan adalah petunjuk utama, bukan dimensi prestasi.

Cara Mengkalibrasi Merentasi Pemisahan Pengguna AI dan Bukan Pengguna AI

Di sinilah kebanyakan organisasi tersandung. Dalam mana-mana pasukan, anda akan mempunyai pekerja yang telah mengintegrasikan AI secara bermakna ke dalam aliran kerja mereka dan pekerja yang belum. Jika anda mengkalibrasi penilaian prestasi pada skala tunggal tanpa mengambil kira perkara ini, anda pada dasarnya menilai pekerja berdasarkan campuran sumbangan mereka dan penggunaan alat mereka.

Pendekatan yang betul adalah untuk memperlakukan kecekapan AI sebagai paksi berasingan semasa kalibrasi dan bukannya membiarkannya mendistorsi penilaian merentasi papan. Semasa sesi kalibrasi ulasan, pengurus harus secara eksplisit membenderakan di mana penggunaan AI adalah faktor dalam perbezaan output, dan menyesuaikan perbandingan dengan sewajarnya.

Ini tidak bermakna bukan pengguna mendapat laluan bebas. Kegagalan untuk menggunakan alat AI yang tersedia dan relevan kepada sesuatu peranan adalah isu prestasi — tetapi ia harus diperlakukan secara eksplisit, bukan dibakar secara tidak kelihatan ke dalam penilaian.

Implikasi Pampasan

Soalan sama ada mengikat kefasihan AI kepada pampasan adalah salah satu perdebatan yang lebih tajam dalam people ops sekarang. Data premium gaji kefasihan AI untuk 2026 memberi CHRO penanda aras pasaran luar untuk mengkalibrasi tempat menetapkan pelarasan pampasan berkaitan AI. Jawapannya bergantung kepada tingkah laku yang ingin anda pandu.

Jika kefasihan AI adalah jangkaan asas untuk sesuatu peranan (bermakna kerja itu secara harfiah memerlukannya sekarang), ia tidak sepatutnya menjana premium. Ia adalah keperluan minimum. Membayar lebih untuk menggunakan alat standard peranan adalah seperti membayar bonus untuk menggunakan e-mel. Anda akan mewujudkan budaya penggunaan AI yang dipamerkan dan bukannya penggunaan yang tulen.

Tetapi jika kefasihan AI adalah di atas dan melampaui — jika pekerja melakukan kerja yang sebelum ini tidak mungkin dilakukan, menghasilkan hasil pada tahap yang benar-benar mengubah apa yang peranan boleh berikan — maka pengiktirafan pampasan adalah sesuai dan kritikal dari segi pengekalan. Menurut tinjauan HR Gartner 2025, 48% pekerja fasih AI berprestasi tinggi menyebut kepercayaan bahawa sumbangan AI mereka tidak dicerminkan dalam pampasan sebagai sebab utama untuk mempertimbangkan perpindahan.

Risiko ketidakaktifan di sini adalah asimetri. Orang yang paling berkemampuan AI anda mempunyai pilihan. Syarikat yang membiarkan kefasihan AI tidak diiktiraf dalam pampasan akan kehilangan mereka kepada organisasi yang tidak.

Pertimbangan Undang-Undang dan Keadilan

Penggunaan AI tidak berlaku secara seragam merentasi tenaga kerja. Dan corak siapa yang menggunakan dan siapa yang tidak cenderung berkorelasi dengan faktor yang mewujudkan risiko undang-undang.

Pekerja yang lebih tua, terutamanya mereka yang berumur lebih 50 tahun, menggunakan alat AI pada kadar yang lebih rendah secara purata. Penyelidikan OECD mengenai AI dan peralihan pasaran buruh mendokumentasikan corak ini dan menyatakan bahawa akses berbeza kepada latihan — bukan rintangan — sering menjadi pemacu utama jurang penggunaan merentasi kumpulan umur. Pekerja dalam jenis peranan tertentu atau dengan tempoh perkhidmatan yang lebih lama mungkin mempunyai aliran kerja yang lebih tertanam dalam diri yang lebih sukar untuk diubah. Jika penilaian prestasi berubah secara ketara berdasarkan penggunaan AI, dan penggunaan AI berkorelasi dengan umur atau tempoh perkhidmatan, anda mempunyai masalah potensi impak berbeza di bawah undang-undang diskriminasi pekerjaan.

Ini tidak bermakna anda tidak boleh mempertanggungjawabkan pekerja atas kegagalan mengembangkan keupayaan yang relevan. Bermakna anda perlu memastikan akses saksama kepada latihan dan sokongan sebelum anda mengikat keupayaan tersebut kepada hasil prestasi. Organisasi yang mewujudkan program peningkatan kemahiran AI hanya untuk jabatan atau peringkat tertentu, kemudian menilai semua orang berdasarkan kecekapan AI, mendedahkan diri mereka.

Laluan yang lebih bersih: dokumentasikan ketersediaan dan penyiapan latihan AI sebelum melaksanakan kriteria kefasihan AI. Jadikan sokongan mudah diakses merentasi kumpulan umur, peranan, dan tempoh perkhidmatan. Senarai semak onboarding AI untuk 2026 adalah titik permulaan yang berguna untuk memastikan akses saksama merentasi tenaga kerja anda sebelum anda mengikat penyiapan latihan kepada hasil ulasan. Dan libatkan penasihat undang-undang apabila anda mereka bentuk struktur pampasan yang dikaitkan dengan kadar penggunaan AI.

Syarikat yang melakukan ini dengan betul juga membina perlindungan bukan pembalasan yang eksplisit untuk pekerja yang membangkitkan kebimbangan tentang alat AI — kerana ia adalah dasar yang betul dan kerana ia mewujudkan isyarat bahawa organisasi adalah bijak tentang tekanan penggunaan.

Apa Ini Bermakna pada Peringkat Lembaga Pengarah

Pengukuran prestasi mungkin kelihatan seperti kebimbangan operasi HR, tetapi implikasi strategiknya berada tepat pada peringkat lembaga pengarah.

Organisasi yang salah mendapat pengukuran semasa transformasi AI akan mengalami dua masalah yang bergabung. Pertama, mereka akan mempromosikan orang atas sebab yang salah, membina lapisan pengurusan penuh dengan pekerja yang bermain secara strategik metrik penggunaan awal dan bukannya orang yang mengamalkan pertimbangan kukuh dalam konteks ditambah AI. Kedua, mereka akan kehilangan pekerja terbaik mereka kepada syarikat yang benar-benar mengiktiraf sumbangan AI dengan tepat, kerana pekerja berprestasi tinggi tahu nilai mereka.

Kedua-dua masalah itu mahal dan lambat untuk dipulihkan.

CHRO yang membawa kerangka prestasi yang direka bentuk semula kepada lembaga pengarah bukan sahaja membentangkan inisiatif HR. Mereka membentangkan strategi pengekalan bakat, mekanisme pembinaan keupayaan, dan pembeza persaingan untuk menarik orang yang sebenarnya akan memacu masa depan AI organisasi.

Pengukuran prestasi adalah tuas. Betulkan, dan transformasi tenaga kerja AI memecut kerana orang yang betul diberi ganjaran dan dikekalkan. Salah, dan anda menjalankan program transformasi sambil secara senyap merendahkan lapisan pertimbangan manusia yang menjadikan output AI benar-benar berguna.

Itu bukan pertukaran yang sepatutnya selesa dibuat oleh mana-mana eksekutif.

Ketahui Lebih Lanjut