Pengurusan Prestasi Apabila AI Melakukan Kerja: Apa yang Perlu Dinilai Selain Output

Oleh Victor Hoang · Dikemas kini 22 September 2026

Pengurusan prestasi apabila AI melakukan kerja bermaksud mengalihkan apa yang diberi skor, daripada berapa banyak yang dihasilkan seseorang kepada pertimbangan di sebalik apa yang dihasilkannya: masalah yang dipilih untuk diselesaikan, apa yang disahkannya sebelum dihantar, apa yang sengaja ditinggalkannya, dan sama ada dia menjadikan orang di sekelilingnya lebih baik. Volum output tidak lagi menjadi isyarat yang boleh dipercayai sebaik sahaja seorang ejen boleh menjana kebanyakannya dalam beberapa saat, dan proses semakan yang masih berpaut pada volum akhirnya mengganjari sesiapa yang memberi gesaan paling lantang, bukan sesiapa yang berfikir paling jelas.

Fakta Utama

• Hanya 13% pengguna kerap AI berkata organisasi mereka mengganjari pembaharuan kerja dengan AI walaupun hasilnya tidak mencapai sasaran, dan angka itu hampir dua kali ganda bagi "Frontier Professionals" (26% berbanding 11%). Sumber: Microsoft, 2026 Work Trend Index, "Agents, Human Agency, and the Opportunity for Every Organization"
• Data 2026 Microsoft sendiri membahagikan pengguna AI kepada peta keupayaan yang tidak sekata: 16% ialah "Frontier Professionals" dengan kemahiran dan sokongan organisasi, 10% ialah "blocked agency" (mahir, tidak disokong), 16% "stalled" (kemahiran rendah, sokongan rendah), dan 50% berada dalam "emergent zone" yang kurang berkembang. Sumber: Microsoft, 2026 Work Trend Index
• Pekerja yang pengurusnya aktif menyokong penerimaan AI melaporkan penglibatan 48%, berbanding 30% bagi mereka yang tanpa sokongan itu, dan penilaian produktiviti tertinggi meningkat tiga kali ganda apabila sokongan pengurus ada (33% berbanding 9%). Sumber: Gallup, "Employee Engagement Remains Flat as AI Adoption Accelerates," Julai 2026
• Analisis terhadap 623 juta perubahan kod dari 2023 hingga 2026 mendapati pertindihan kod meningkat 81% dan pemfaktoran semula kod warisan menurun 74% sejak commit dibantu AI menjadi lazim, bukti bahawa jumlah output yang meningkat boleh menyembunyikan kualiti yang menurun dan bukan membuktikan kemahiran yang meningkat. Sumber: Penyelidikan GitClear/GitKraken, dilaporkan oleh LeadDev, Julai 2026

Mengapa Volum Output Tidak Lagi Berfungsi sebagai Isyarat

Sepanjang kebanyakan sejarah kerja pengetahuan, berapa banyak yang dihasilkan seseorang ialah pengganti yang boleh digunakan untuk betapa baiknya dia. Lebih banyak tiket ditutup, lebih banyak baris dihantar, lebih banyak dek disiapkan: ini berkait longgar dengan kemahiran dan usaha, jadi pengurus bersandar padanya kerana mengira itu mudah dan menilai itu sukar.

AI memutuskan kaitan itu, bukan dengan menjadikan orang lebih teruk, tetapi dengan menjadikan proksi itu tidak bermakna. Apabila penganalisis junior dan penganalisis utama kedua-duanya boleh menjana analisis pasaran 12 halaman pada petang yang sama menggunakan alat yang sama, bilangan halaman tidak lagi membezakan mereka. Ini hakisan yang sama yang dijejak oleh Anak Tangga Pertama yang Patah pada peringkat pengambilan pekerja, kecuali di sini ia muncul pada pertengahan kerjaya, dalam semakan: jurang kemahiran antara dua penganalisis itu tidak menutup, ia hanya berpindah ke tempat yang tidak dapat dilihat oleh kiraan perkataan, sama ada analisis itu bertanya soalan yang betul dan sama ada seseorang berani mempertaruhkan keputusan padanya.

Ini Goodhart's Law yang muncul di dalam sistem prestasi: apabila ukuran menjadi sasaran, ia berhenti menjadi ukuran yang baik. Metrik output ialah proksi yang boleh diterima untuk kemahiran kerana ia sukar digembungkan tanpa turut melakukan kerja yang lebih baik. AI menjadikannya sangat mudah digembungkan tanpa peningkatan pertimbangan yang sepadan, iaitu keadaan tepat di mana sesuatu metrik secara senyap bertukar daripada berguna kepada mengelirukan. Pasukan yang terus menilai orang berdasarkan volum selepas peralihan itu sedang mengukur siapa yang mempunyai langganan AI paling murah hati dan paling kurang teragak-agak menghantar output yang belum disemak, berkaitan dengan apa yang didokumenkan Workslop: Bagaimana Kerja Remeh Janaan AI Menghakis Usaha dan Pemilikan dari sisi penerima: kerja yang kelihatan siap tetapi tidak.

Volum juga tidak lagi setanding antara orang walaupun dengan niat baik. Dua pekerja dengan akses AI yang sama boleh menghasilkan volum yang sangat berbeza bergantung pada berapa banyak pengesahan yang dilakukan setiap seorang sebelum menghantar. Orang yang menyemak kerja ejen dua kali lebih teliti akan, dengan betul, menghasilkan volum mentah yang lebih sedikit daripada orang yang menghantar draf pertama. Sistem yang masih mengganjari volum secara senyap menghukum pekerja yang lebih teliti, hampir bertentangan dengan apa yang sepatutnya dilakukan oleh pengurusan prestasi. Masa semakan tambahan itu pun tidak percuma. Ia beban yang sama yang dihuraikan oleh kadar kerja dan burnout dalam era AI sebagai cukai pengesahan, jam yang diandaikan oleh proses semakan telah dibebaskan oleh AI sedangkan hakikatnya ia hanya dipindahkan.

Apa yang Perlu Dinilai Sebagai Ganti

Jika volum disisihkan, semakan mesti beralih kepada perkara yang lebih sukar dipalsukan dan lebih sukar digembungkan dengan gesaan yang lebih baik. Empat perkara bertahan dengan agak baik.

Pertimbangan dan pembingkaian masalah

Sebelum sesiapa menjana apa-apa, seseorang telah memutuskan masalah mana yang bernilai diselesaikan dan cara membingkainya. Keputusan itu tidak kelihatan dalam output akhir dan sepenuhnya milik manusia. Tanya apa yang dipilih orang itu untuk dikerjakan dan pembingkaian alternatif apa yang ditolaknya, serta sebabnya. Jawapan yang kukuh di sini mengatasi hasil kerja yang digilap, kerana hasil kerja yang digilap yang menjawab soalan yang salah lebih teruk daripada tidak berguna: ia mahal dan meyakinkan.

Kualiti pengesahan

Jurang antara "AI menghasilkan ini" dengan "ini betul" ialah tempat kebanyakan kerja sebenar berlaku sekarang, dan ia tepat jurang yang dibincangkan oleh Mengekalkan Ketajaman Pertimbangan Manusia: Paradoks Penyahkemahiran AI di Tempat Kerja dari sisi kemahiran. Nilai bagaimana seseorang mengesahkan dakwaan, nombor atau cadangan sebelum ia keluar, bukan sama ada dia menggunakan AI untuk mendrafnya. Adakah dia menyemak sumber di sebalik statistik yang dipetik? Adakah dia mengira semula nombor itu dengan cara kedua? Adakah dia menguji tekanan cadangan itu terhadap hujah balas yang jelas? Orang yang menangkap kesilapan ejennya sendiri sebelum pelanggan melihatnya sedang melakukan tugasnya. Orang yang meneruskan kesilapan itu tidak, tidak kira betapa pantasnya mana-mana seorang bekerja.

Apa yang dipilih untuk tidak dihantar

Isyarat yang diremehkan: kekangan diri. AI menjadikan murah untuk menjana lima versi apa-apa, jadi menghantar draf keempat yang sederhana dan bukan melakukan satu lagi pusingan kini satu pilihan, bukan kekangan masa. Tanya apa yang dipotong, dipermudah atau enggan dihantar oleh seseorang kerana belum cukup baik. Ia proksi yang boleh digunakan untuk piawaian dalam dunia di mana "saya kehabisan masa" ialah alasan yang jauh lebih lemah daripada dahulu.

Bagaimana mereka meningkatkan keupayaan pasukan

Sebahagian kerja berpengaruh tertinggi dalam pasukan yang tepu AI tidak kelihatan dalam output mana-mana individu: templat gesaan yang dibina dan dikongsi seseorang, senarai semak pengesahan yang ditulisnya selepas menangkap output ejen yang buruk, rakan junior yang dibimbingnya tentang mengapa sesuatu cadangan itu salah. Metrik Budaya yang Penting (dan Metrik Kosong yang Perlu Dilepaskan) membuat hujah yang lebih luas untuk menjejak tingkah laku seperti ini dan bukan bilangan kosong; semakan prestasi harus melakukan perkara yang sama pada peringkat individu. Ahli pasukan yang outputnya sendiri kelihatan purata tetapi menjadikan tiga rakan sekerja jauh lebih baik sering orang yang paling tidak anda mahu hilang.

Isyarat Lama berbanding Isyarat Baharu

Isyarat lama mengira kelajuan, volum dan kemasan. Isyarat baharu meneliti pembingkaian, pengesahan, kebolehpertahanan dan sama ada hasilnya bertahan.

Masalah Keadilan: Akses AI dan Kemahiran Tidak Diagihkan Sama Rata

Sistem prestasi yang secara senyap menganggap semua orang mempunyai keupayaan AI yang sama sedang membandingkan orang di padang yang tidak sekata dan menamakannya adil. Work Trend Index 2026 Microsoft sendiri membahagikan pengguna AI yang ditinjau kepada peta kasar empat penjuru: 16% ialah "Frontier Professionals" dengan kemahiran dan sokongan organisasi untuk menggunakan ejen pada kerja kompleks; 10% ialah "blocked agency," mahir tetapi tanpa lesen atau sokongan untuk menggunakannya; 16% "stalled," tanpa kedua-duanya; dan kira-kira separuh berada dalam zon tengah yang kurang berkembang. Dua pekerja dengan bakat yang sama boleh jatuh ke dalam kumpulan yang sangat berbeza bergantung pada pasukan mana mereka berada atau alat mana yang diluluskan pengurus mereka.

Itu mempunyai akibat langsung untuk semakan. Jika pengurus seseorang menyediakan lesen AI gred sempadan dan aktif membimbing penggunaannya, dan pengurus seorang lagi tidak, membandingkan output mereka secara bersemuka mengukur keputusan penyediaan pengurus, bukan orang itu. Data Gallup Julai 2026 menyokong ini dari sudut lain: pekerja yang pengurusnya aktif menyokong penggunaan AI melaporkan penglibatan 48% berbanding 30% bagi yang tanpa sokongan itu, dan peningkatan produktiviti tertinggi yang dilaporkan sendiri hampir empat kali ganda dengan sokongan pengurus (33% berbanding 9%). Pengurus, bukan sekadar pekerja, ialah input utama kepada berapa banyak output dibantu AI yang boleh dijana seseorang dengan munasabah.

Terdapat juga versi jurang kemahiran bagi masalah yang sama, berasingan daripada akses. Sesetengah orang belajar menulis gesaan yang spesifik dan boleh disahkan serta menyemak hasilnya; yang lain menerima apa sahaja yang pertama kali kembali. Kedua-duanya tidak muncul sebagai perbezaan usaha. Ia muncul sebagai perbezaan pertimbangan, yang secara mudah mengelak masalah akses: nilai pemikiran, bukan daya pemprosesan, dan akses yang tidak sekata menjadi jauh kurang penting. Matematik keadilan yang sama terus berlanjutan ke gaji: lihat pampasan dan keadilan dalam era AI untuk apa yang rosak apabila output seorang yang memanfaatkan AI kelihatan, di atas kertas, seperti output lima orang.

Penetapan Matlamat yang Bertahan terhadap Daya Pemprosesan yang Digembungkan AI

Kebanyakan kerangka matlamat dibina dengan andaian siling kasar pada kelajuan seseorang menghasilkan. AI menghapuskan siling itu untuk sesetengah tugas dan membiarkannya tidak tersentuh untuk yang lain, jadi matlamat yang ditulis sebelum peralihan itu sering menjadi terlalu mudah atau tidak bermakna secara tidak sengaja dalam masa satu suku tahun. Paradoks Produktiviti AI ialah versi peringkat organisasi bagi masalah ini: penerimaan tinggi dan kesan perniagaan yang diukur tidak mengikut pada kadar yang sama, sebab untuk tidak mempercayai mana-mana matlamat yang menganggap "menggunakan lebih banyak AI" sama dengan "menyampaikan lebih banyak nilai."

Beberapa pelarasan yang bertahan:

• Kaitkan matlamat dengan hasil yang boleh disahkan oleh perniagaan, bukan aktiviti yang boleh digembungkan oleh pekerja. "Terbitkan 20 artikel" kini matlamat yang buruk kerana ia boleh dicapai dengan output yang belum disemak. "Perbaiki kadar lead berkelayakan daripada kandungan organik sebanyak X%" bertahan, kerana AI tidak boleh memalsukan penukaran.
• Tetapkan piawaian pengesahan bersama sasaran daya pemprosesan, secara jelas. Jika matlamat melibatkan output dibantu AI, namakan apa maksud "disemak" untuk jenis kerja tertentu itu, bukan sebagai aspirasi samar tetapi sebagai senarai semak yang boleh dipertanggungjawabkan kepada seseorang.
• Semak semula matlamat lebih kerap daripada kitaran tahunan atau separuh tahunan yang lama. Sasaran yang ditetapkan dengan andaian keupayaan alat suku tahun lalu boleh menjadi lapuk dalam beberapa bulan memandangkan betapa pantasnya keupayaan ejen bergerak; matlamat yang masuk akal pada Januari boleh menjadi kurang mencabar menjelang Jun atas sebab yang tiada kaitan dengan pertumbuhan orang itu.
• Asingkan "adakah lebih banyak dihantar" daripada "adakah orang itu bertambah baik." Pengurus boleh menjejak kedua-duanya, tetapi ia mengukur perkara berbeza, dan hanya yang kedua tergolong dalam perbualan kompetensi atau kenaikan pangkat.
• Tulis matlamat yang tidak boleh dicapai seseorang dengan memberi gesaan lebih kuat. Jika sasaran boleh dipenuhi sepenuhnya dengan menjana lebih banyak output AI tanpa pertimbangan tambahan, ia tidak mengukur perkara yang menjadi sebab pengurusan prestasi wujud.

Mengendalikan Perbualan Semakan dalam Dunia Ini

Mekanik perbualan berubah kurang daripada isinya, tetapi beberapa tabiat lebih penting sekarang berbanding lima tahun lalu.

Tanya "tunjukkan kepada saya," bukan "beritahu saya"

Daripada meminta seseorang merumuskan apa yang dicapainya, minta dia menelusuri satu hasil kerja dari awal hingga akhir: apa yang diminta daripada AI, apa yang kembali, apa yang diubahnya dan sebabnya. Ini memunculkan pertimbangan dengan cara yang tidak dapat dilakukan ringkasan hasil, dan ia juga masa yang sesuai untuk bertanya bagaimana AI mengubah pendekatannya terhadap kerja itu sendiri, bukan sekadar outputnya.

Asingkan semakan kerja daripada semakan orang

Sesuatu hasil kerja boleh cemerlang kerana alatnya cemerlang. Tanya secara langsung: bahagian mana yang akan berbeza jika orang yang kurang mahir menggunakan alat yang sama? Jika jawapan jujurnya "tidak banyak," hasil kerja itu bukti yang lemah untuk semakan, tidak kira betapa baik ia kelihatan di atas kertas. Di sinilah akauntabiliti ditentukan dalam praktiknya: Cara Membina Budaya Akauntabiliti berhujah bahawa pemilikan mesti melekat pada orang, bukan alat, dan semakan ialah tempat prinsip itu sama ada bertahan atau senyap-senyap tergelincir.

Namakan jangkaan kefasihan AI dan bukan membiarkannya tersirat

Data 2026 Microsoft mendapati hanya 13% pengguna AI berasa diganjari kerana membaharui aliran kerja mereka dengan AI, walaupun hasilnya tidak mencapai sasaran, jurang yang dinamakannya "Transformation Paradox": orang bersedia mengubah cara bekerja, tetapi insentif belum menyusul. Menutup jurang itu bermula dengan menyatakan dengan jelas, dalam semakan, rupa penggunaan AI yang baik untuk peranan itu, dan bukan menganggap semua orang sudah tahu.

Sediakan ruang untuk "saya memilih untuk tidak menggunakannya di sini"

Kadangkala keputusan yang betul ialah tidak menggunakan AI langsung: draf sensitif pelanggan, rundingan sarat pertimbangan, penulisan yang memerlukan suara tertentu. Semakan yang secara tersirat mengganjari penggunaan AI di mana-mana melatih orang menggapainya walaupun ia alat yang salah.

Risiko Jujur: Syarikat Hanya Menaikkan Kuota

Tiada satu pun daripada ini berfungsi jika pucuk pimpinan bertindak balas terhadap output yang digembungkan AI dengan sekadar menaikkan bar dan menamakan garis asas baharu itu "prestasi." Ia tidak memerlukan pemikiran: jika pasukan dahulu menghantar 20 laporan sebulan dan AI menjadikan 35 boleh dicapai, tetapkan sasaran baharu pada 35 dan isytiharkan pekerjaan tidak berubah. Itu bukan pengurusan prestasi yang menyesuaikan diri dengan AI. Ia memerah lebih banyak output pada bilangan kakitangan yang sama sambil secara senyap mentakrifkan semula "memenuhi jangkaan" ke atas, tanpa bertanya sama ada 15 laporan tambahan itu baik atau sama ada sesiapa sempat mengesahkannya.

Di sinilah masalah keadilan dan masalah pengukuran bertemu. Kuota yang dinaikkan untuk menyamai daya pemprosesan dibantu AI menganggap akses dan kemahiran yang sama merentas pasukan, yang telah ditunjukkan oleh artikel ini runtuh dalam praktiknya. Ia juga menganggap output tambahan bernilai sama dengan yang asal, yang dicadangkan penyelidikan GitClear tidak selamat: commit dibantu AI di situ meningkat seiring lonjakan 81% dalam kod berulang dan penurunan 74% dalam pemfaktoran semula kod lama, lebih banyak output dan kualiti lebih buruk serentak. Pasukan jualan, sokongan atau kandungan harus bertanya soalan yang sama terhadap angkanya sendiri sebelum menganggapnya lantai baharu.

Versi jujur peralihan ini lebih perlahan dan kurang menyanjung dek slaid pasukan pimpinan: sebahagian masa yang dibeli semula oleh AI harus pergi kepada pengesahan, sebahagian kepada meningkatkan keupayaan kolektif pasukan, dan hanya sebahagian kepada daya pemprosesan mentah tambahan. Syarikat yang mengambil semuanya sebagai daya pemprosesan dan menamakan hasilnya "prestasi" sedang memerah orangnya lebih keras dan menyerahkan perakaunan kepada chatbot. Organisasi yang melakukannya dengan betul ialah yang pemimpinnya boleh menyatakan secara khusus apa yang mereka minta pekerja lakukan secara berbeza sekarang bahawa mesin boleh menghasilkan draf pertama, termasuk bahawa sebahagian jawapannya ialah "hasilkan kurang output mentah, tetapi berdiri sepenuhnya di belakang lebih banyak daripadanya." Bersikap jelas tentang pertukaran itu, dengan lantang, itulah tepatnya yang dihujahkan oleh kontrak sosial AI di tempat kerja kini terhutang oleh majikan kepada pekerja, dan bukan secara senyap mentakrifkan semula "memenuhi jangkaan" ke atas sambil berharap tiada siapa bertanya sebabnya.

Untuk sisi reka bentuk organisasi bagi peralihan ini, termasuk bagaimana julat kawalan berubah apabila pengurus menyelia lebih sedikit orang yang melakukan lebih banyak kerja berat pengesahan, lihat Daripada Pelaksana kepada Orkestrator: Bagaimana AI Menulis Semula Pekerjaan Penyumbang Individu dan Kemahiran Pelengkap AI: Apa yang Sebenarnya Perlu Diambil dan Dibangunkan Sekarang.