ARTICLE · 1291063
AI考核改错了,比不考核更贵!
AI考核改错了,比不考核更贵!数智化转型实战 · 数智案例 AI 考核改错了，比不考核更贵 亚马逊在内部文件里承认，那几个用量指标“深度有缺陷”。但它一个都没扔，这才是重点。 5 月，亚马逊关掉了自己内部的 AI 排行榜。 10 月 27 日，它把一份备忘录挂上了官网。署名的是全球亚马逊商店副总裁兼杰出工程师 Terk Terkowitz，收件人是全公司的软件开发工程师，以及管这些工程师的经理。 这份文件没发布新工具，也没宣布什么战略。它做的是另一件事：承认自己一直在用一把有问题的尺子。原文那句话很短，也很难看： “我们都知道这些指标有多么深度的缺陷。” 它说的“这些指标”，是 token 消耗量、AI 工具采用率、代码变更量、代码审查次数。巧的是，这四项正好是过去两年多数公司用来向老板汇报“AI 推得怎么样”的那几个数。 一只脚踩油门，一只脚踩刹车。同一家公司，五个月前还在排行榜上比谁用得多，五个月后开始追问：这些用量到底换回了什么。 而且这不是亚马逊一家的觉悟。过去半年，微软、Uber、多邻国先后做了同一件事，只是没人大声说。真正值得写下来的是：它们改口之后没有做什么——这比承认错误有意思得多。 一把尺子量错了，最省事的做法是扔掉它。可亚马逊没扔。它改的是拿尺子的姿势。 一、先说清楚发生了什么 那张被关掉的榜单叫 KiroRank。它不是公司设计的，是今年春天几个员工自己搭的：按每个人在 Kiro（亚马逊的 AI 开发平台）上烧掉的 token 数量排名，靠前的人名字边上会挂数字徽章。 结果不出所料。有人开始让 AI 智能体去做一些根本没必要做的任务——不是为了把活干完，是为了把数字顶上去。这些算力，最后都记在亚马逊账上。 这个行为后来有了专门的名字，叫 tokenmaxxing。5 月，高级副总裁 Dave Treadwell 给员工发消息，据《金融时报》报道，原话是：请不要为了用 AI 而用 AI。榜单随后被撤下。亚马逊当时的说法是：这个看板只是测试版，从来不是正式或获批的工具。 五个月，两次动作 来源：亚马逊官网 2026-10-27《An update from Amazon engineering leadership》；《金融时报》关于 KiroRank 的报道 5 月 · 关停 KiroRank，高级副总裁出面喊停“为用而用”。这是止血。 9 月 · 新版工程师角色指引在公司内部传阅。这是改制度。 10 月 27 日 · 连同备忘录一起挂上官网，对客户公开。这是把话说死，不给内部留退路。 备忘录分四层，一层比一层硬： 第一层，承认为什么当初会用它们。真正在意的结果“可能延迟、难以测量、也难以从其他趋势里剥离”，只好退而求其次，用输入指标和吞吐指标顶上。 第二层，承认这些替代品有硬伤。“主要因为，它们与真正重要的东西是脱节的。” 第三层，也是最狠的一层。原文说：如果把这些指标当成目标而不是衡量工具，就会推向负面结果——推高成本，增加复杂度。 它甚至把这两件事分别挂到了公司自己的领导力原则上：tokenmaxxing 与“节俭”相悖；数代码行数与“创新与简化”相悖。一家公司用两条价值观，去否定自己刚立起来的两个 KPI，这种场面不多见。 第四层下一节说，它最容易被误读，也最值得抄。先补一句亚马逊对媒体的表态：公司并没有设置员工的 token 使用上限——它否定的不是 AI，是“把用量当成绩”。 二、它没扔掉指标，只改了拿尺子的姿势 按常规剧本，这时候应该说：这些指标不看了，以后只看结果。亚马逊没这么说。它紧接着写的那段话，多半会让只看标题的人白高兴一场： “更积极的一面是，这些输入指标与真正重要的产出之间，相关性良好，我们预计未来一段时间内还会继续如此。” 它给的理由很实在：拥抱 AI 最深的那些团队（它管这叫“前沿团队”），生产力和交付确实更高；而不采用 AI、产出指标也不涨的团队和个人，确实在掉队。所以原文的结论是：把这些输入指标，带着谨慎和判断力去用，去思考你的职业和你所在组织的表现，是合适的。 具体用法只有两句话，却是整份文件里最值得抄走的： 特别关注 AI 采用率的第 10 百分位——找出那些没能有效用起来的团队，搞清为什么；以及第 90 百分位——找出那些用得最猛的团队，然后确认一件事：它们的交付，是不是跟上了用量。 注意第二条。它的作用不是表扬用得多的团队，恰恰相反，是用来检验这个指标本身：一个排在用量榜首、交付却纹丝不动的团队，正是文件前面警告的“推高成本”。同一个数字，一头牵着机会，一头牵着账单。 一句话拆解 体温计可以量，但不能当靶子。 用量数据本身没错，错的是把它挂到墙上排名、挂钩奖金、变成一个人人争抢的靶心。同一个数，当诊断用是信息，当目标用是处方——而处方会制造它想治的病。 所以亚马逊这次做的，其实是一次工具属性的转换：把这几个数字从“考核工具”改成“提问工具”。前者问的是“你够不够努力”，后者问的是“你卡在哪儿”。这两个问题，员工给出的答案完全不同。 三、刷量不是员工变坏了，是指标长歪了 很多人把刷量当成态度问题：这人不老实，得加强管理。我不太同意。刷量是制度设计出来的行为，换成你我坐在那个位置上，多半也会这么干。 有条经验被反复验证过：当一个数字变成目标，它就不再是一个可靠的数字。因为它开始被生产，而不是被测量。你要 token 消耗量，员工就给你生产 token 消耗量——顺带把成本也生产出来。 过去半年，栽在这条规律上的不止亚马逊一家。 三家公司，同一个动作 来源：404 Media 关于微软内部备忘录的报道 2026-08；Uber 管理层公开表态；Fortune 等多方对多邻国 CEO 播客访谈的报道 微软 · 8 月，CoreAI 执行副总裁 Jay Parikh 在内部备忘录里写：tokenmaxxing 不是我们要优化的东西，我们要优化的是每个 token 带来的影响。据媒体拿到的内部数据，有工程师 28 天烧掉了 2.8 万美元的 token。 Uber · 约 5000 名工程师的采用速度远超财务预期，一年的 Claude Code 预算 4 月就见底；5 月，首席运营官公开承认，token 用量还没转化成有用的消费者功能。 多邻国 · 2025 年 4 月宣布“AI 优先”时，把 AI 使用情况纳入了绩效评价。2026 年 4 月，CEO 在播客里说，他们把这条撤了。 多邻国 CEO 那段话，我建议你原样念给自己听一遍： “我们最后退回来了。我们说：不。你绩效里最重要的事，是你把本职工作做到最好。AI 常常能帮你做到，但如果帮不上，我不会强迫你去用。” 他补的那句更扎心：原来那套做法给人的感觉是“与其对真正的结果负责，不如去推一个在某些情况下根本不合适的东西”。这话不是别人批评他，是他自己复盘。 所以症结不在“用 AI 该不该管”，而在它管不到个人这一层。Gartner 在 6 月 24 日那份预测里说得最直接——它判断到 2028 年，AI 编码的成本会超过一名开发者的平均薪资。分析师 Nitish Tyagi 的原话是：token 上的纪律，不会从开发者自己的选择里长出来，因为人会优先优化速度和便利，而不是成本效率。 腾讯集团副总裁司晓在 2026 数博会的演讲里，把这件事的经济学讲透了：如果账单由公司买、成本由公司担、产出归个人，那么个人过度消耗就成了理性选择，最后就会“变成表演”。他还补了一句所有 CEO 都会问的话——Token 账单涨了这么多，你们个人提效了，公司的收益在哪儿？ 四、为什么你的公司也会走到这一步 讲完大厂，说回我们自己。这两个月我被问得最多的一句话是：AI 我们也在推，可老板一问，除了“大家都装了”，我说不清省了多少。 这不是能力问题，是三个结构性困境叠在一起。 01 现成的数，都是没用的数。老板问“AI 推得怎么样”，一周内能交上来的只有登录率、调用量、活跃人数——平台自带报表。而交付周期要跨三个部门取数，返工率没人统计，单件成本压在财务那儿。不是故意挑错尺子，是手边只有这一把。 02 省下的时间，不等于省下的钱。设计用 AI 省了三小时，人还是那个人、工资还是那份工资、工位还是那个工位。这三个小时如果变成刷手机，公司的账上一分钱没动。时间只有在被重新分配、或者直接减少投入时，才变成利润。这一条，是“说不清省了多少”最真实的答案。 03 岗位之间的差距，比想象中大。BCG 2025 年一项覆盖 1250 家企业的调研显示：只有 5% 的企业能在规模化层面跑出价值，60% 几乎没跑出实质价值；而 AI 创造的价值，约七成集中在销售、营销、供应链、制造这几块核心职能。你要行政、法务、前台“每人每周用满 X 次”，其中相当一部分人手上的活，本来就没有 AI 的着力点。那他们只剩一条路：为了指标而用。 考核一旦落到“人人有份”，它衡量的就不再是价值，而是服从。 五、清单 A：这五个指标，建议现在就停 先说该删的。判断只有一条：这个数字涨了，是不是真的说明事情变好了？答案要加“但是”的，就不该进考核表。 1 · Token 消耗量 / 调用次数 为什么失效：它量的是成本，不是产出。这是少有的“用得越多越该警惕”的指标。 会逼出什么：让智能体去跑没意义的任务；一次能问完的事，拆成十次问。 2 · AI 工具活跃率 / 渗透率 为什么失效：它量的是“装没装、开没开”，是采购部的成绩单，不是业务的成绩单。 会逼出什么：登录一下就走；把本来不需要 AI 的活，也搬到 AI 里过一遍。 3 · AI 生成内容的件数 为什么失效：篇数、条数、代码行数都是产量口径，和好坏无关。亚马逊直接把“数代码行数”和“创新与简化”摆在对立面。 会逼出什么：生成一堆没人看的初稿；代码越写越长，系统越改越乱。 4 · 把“AI 使用率”写进绩效评分表 为什么失效：一进评分表，它就从“可以被讨论的事实”变成“必须被满足的条件”，员工开始管理证据，而不是管理工作。多邻国 2026 年 4 月撤掉的正是这一条。 会逼出什么：有人专门负责“证明自己在用”，而不是“用出结果”。 5 · 部门排行榜 / 内部竞赛 为什么失效：排名制造比较，比较制造刷量。亚马逊 5 月关掉 KiroRank，就是最近的例子。 会逼出什么：把算力变成面子。而且这张榜单会替你说出一句你不打算说的话：用量就是成绩。 六、清单 B：换成这三层，一层比一层难造 接下来说该看的。分三层，从“最难造假”的那层往上搭。顺序很重要——先有第一层，第三层才有意义。 第一层 · 交付 就用你司已经在看的经营数字，别新造。三个够用：交付周期（从接单到交付、从需求到上线、从简历到入职）、一次做对率（返工、改稿、重做占多少）、单件成本（每份方案、每张图、每个工单花掉的人工小时）。 为什么用它：有历史、有对比、财务认。不完美，但没人能靠它们演戏。 第二层 · 结构 这一层是 AI 特有的，用来判断“这个环节现在到底能不能用”：人工接管率（AI 出初稿后，人改掉了多少——改得越多，说明这个环节还没到时候）、单位产出成本（每个交付物摊到多少工具与算力花费）、例外升级率（多少比例要人接手兜底）。 为什么用它：它同时管住了两头。接管率太高说明工具不行，太低反倒要查是不是没人认真审。 第三层 · 能力 先行指标，看的是明年：能说清 AI 边界的人有多少（既能举出一个帮上忙的活，也能举出一个帮不上的活）、进了流程的有效用例有几个（不是试过多少个，是有几个已经写进 SOP、换了人也照跑）。 为什么用它：前两层告诉你今年过得怎么样，这一层告诉你明年还有没有牌。 指标有了，还得会说。亚马逊那个“看两头”的办法，可以直接搬过来当会议议程——每次复盘只看三档： 三档读法 · 每次复盘只问三个问题 用得最少的 10% · 卡在哪儿？是工具不好用，还是这活本来就用不上？ 中间的大多数 · 不动。这一档最不需要管理。 用得最猛的 10% · 交付跟上了吗？跟不上，就是前面说的“推高成本”。 顺带给个现成答案。AWS 副总裁兼杰出工程师 Marc Brooker 在 CNBC 采访里说，他看的是功能交付速度：这段时间交付了多少个发布、多少个变更在生产环境里成功，直接当投入产出来看。没有新指标，只有老指标用对了地方。 七、清单 C：90 天，四件事，按顺序做 道理讲完，落到动作。四步有顺序，跳着做会返工。 第 1 周 止血。关掉排行榜和竞赛；把“AI 使用率”从考核表里删掉整行，而不是降权重。同时把话说清楚：不是不用 AI，是不再用它来评价人。这句话必须由一把手讲。 第 2-4 周 立基线。只挑一个流程，动手前先把三个数记下来：周期、返工率、人工小时。没有基线，三个月后你依然说不清省了多少——而且这次是真的说不清。 第 2 个月 建失败备案。这是亚马逊那句“这是一项发现，而不是一次失败”的组织版：做一张登记表，谁手上哪个活 AI 帮不上，写清楚为什么，登记不扣分、季度复盘拿出来讨论。不给正向激励，这张表会是空的。 第 3 个月 两头复盘。照上一节那三档问题开一次会，只开一次。会议产出不是排名，是两件事：谁需要支援，哪个环节该停。 最后一张对照，对着自己那张考核表改就行： 改之前 · 删掉 AI 工具周使用率 ≥ 80% 月度 token 消耗排名 AI 生成内容 30 篇 / 月 参加 AI 培训 2 次打卡 改之后 · 换上 交付周期对基线的变化 一次做对率 / 返工占比 单件人工小时与工具成本 季度 1 条 AI 边界说明 写在最后 那份备忘录里还有一句话，我觉得比“深度有缺陷”更值得记住。亚马逊解释说，它之所以不在指引里定义“什么才是好的 AI 工程实践”，是因为——任何我们现在写下来的定义，到明年这个时候大概都会显得陈旧。 这句话其实替所有正在定指标的人回答了那个难题：你没法定行为。工具三个月换一茬，模型半年降一次价，今天的最佳实践明天就是包袱。你能定的只有结果。 它引了贝索斯 2012 年的一段话，大意是：大家总问我未来五到十年什么会变，很少有人问我什么不会变。而第二个问题才是更重要的那个。 照这个问法，明年会变的一堆：Agent 更强、单价更低，你现在买的工具可能整个换掉。不会变的是——客户要的东西，有没有按时、按质、按一个说得过去的成本交出去。二十年没变，AI 也没让它变。 核心认知 你考什么，就得到什么。 考用量，得到的是用量的表演；考交付，才可能得到交付。 亚马逊那份文件最诚实的地方，不是它承认错了，是它承认自己还会继续用这几个有缺陷的数字——但只用来提问，不用来排名。尺子没换，拿法换了。 指标定错了，比不考核更贵。 因为它会稳定地生产你最不想要的那种行为。 这周可以做件小事：把考核表里跟 AI 有关的那几行找出来，逐行问一句——这个数涨了，是不是真的说明事情变好了？答不上来的先划掉。 觉得有用，转给那个正在为“AI 推得怎么样”发愁的 HR 或业务负责人。 你们公司现在考的是哪几个数？评论区说说，我挑几个帮忙拆一拆。 关注【数智化转型实战】，每周聊一个老板听得懂的数智化转型干货。 数据来源与口径 ① 亚马逊官网 2026 年 10 月 27 日《An update from Amazon engineering leadership on the role of the developer in the age of AI》，作者 Terk Terkowitz（全球亚马逊商店副总裁兼杰出工程师），文内附有发给 SDE 与 SDM 的备忘录全文。本文引语为该文直译；“未设 token 使用上限”为亚马逊发言人向媒体确认。KiroRank 系员工自发搭建，5 月关停，相关细节据《金融时报》报道。 ② 微软内部备忘录：404 Media 2026 年 8 月报道，引语出自 CoreAI 执行副总裁 Jay Parikh；“有工程师 28 天消耗 2.8 万美元 token”为媒体获取的内部数据，非微软官方披露。 ③ 多邻国：CEO Luis von Ahn 2026 年 4 月播客访谈，经 Fortune 等多家媒体报道；其“撤回以 AI 使用情况考核员工”的决定为 2026 年 4 月。原文为英文，本文为意译。 ④ Uber 相关表述来自其管理层公开讲话与媒体披露：一年期 Claude Code 预算于 2026 年 4 月耗尽，工程师规模约 5000 人为报道口径；“token 用量尚未转化为有用的消费者功能”出自首席运营官 Andrew Macdonald。 ⑤ Gartner 2026 年 6 月 24 日新闻稿：到 2028 年 AI 编码成本将超过开发者平均薪资。分析师 Nitish Tyagi 关于“token 纪律不会从开发者个人选择中产生”的表述为该稿原文。此项属预测性结论，非已发生统计。 ⑥ BCG《The Widening AI Value Gap》（2025 年，1250 家企业调研）：5% 的企业能在规模化层面产生价值、35% 部分规模化但未见显著影响、60% 几乎无实质价值；约 70% 的 AI 价值集中在销售、营销、供应链、制造等核心职能。 ⑦ 腾讯集团副总裁、腾讯研究院院长司晓在 2026 中国国际大数据产业博览会的主题演讲，科技日报 2026 年 8 月 31 日报道。文内“成本由公司担、产出归个人”一段为演讲原意转述。 ⑧ AWS 副总裁兼杰出工程师 Marc Brooker 在 CNBC 采访中以功能交付速度作为投入产出判断口径，转述自公开报道。 ⑨ 本文方法建议（非统计数据）：三层指标（交付 / 结构 / 能力）、人工接管率与单位产出成本的定义、三档读法、90 天四步与考核表对照，均为基于项目实践的经验建议，供参考不作标准。
#AI落地 #从用量到交付 #数智化转型 #HR管理
