夜雨聆风前两篇，我们分别从招聘与培训场景，讨论HR如何按照「选场景、定任务、拆流程、备数据、分人机、写提示」六个步骤，把AI放进真实工作流程。
这一篇，我们进入另一个重要场景：绩效考核结果分析。
每次绩效考核结束后，HR通常会汇整分数、计算等级分布，再提交绩效结果报告。但如果分析只停留在平均分、优秀率和不合格率，就很难回答真正重要的问题。
低绩效是少数个人问题，还是某类群体的共同问题？部门之间的差异来自实际绩效，还是主管评分尺度不同？公司整体绩效结果是否与经营成果一致？绩效考核制度是否真正得到有效执行？
绩效考核结果分析正是AI可以协助HR提高分析效率与深度的场景。
第一步：选定AI协作场景
绩效管理场景，包含了目标设定、过程追踪、绩效评估、结果沟通与绩效考核结果分析。
本次选择的是「绩效考核结果分析」，因为它涉及大量人员、指标、分数、等级与评语数据，人工整理耗时，也容易忽略群体和部门之间的差异。
AI可以协助整理数据、比较差异、发现异常及归纳问题线索，并提出问题的相应对策建议，提升绩效数据分析活动的价值。
第二步：定义任务与目标
不只要求AI「分析绩效结果」，更要说清楚分析的目的，希望找出什么问题。
例如：
根据本次绩效考核数据，分析不同职级、岗位与年资群体的绩效特征，比较各部门结果差异，判断公司整体绩效分布是否合理，并辨识考核执行中可能存在的评分偏差与管理问题。
这样，分析目标就不再只是产出统计报表，而是从结果中找到需要进一步调查与改善的线索。
第三步：拆解分析流程
绩效考核结果分析可以分成四个层次：
群体特征分析 → 部门差异比较 → 公司整体结果判读 → 考核执行问题辨识。
群体层面，可以分析不同职级、职类、年资及绩效等级人员的共同特征；部门层面，可以比较平均分、等级分布、指针达标率及评分差距；公司层面，则要观察整体绩效结果是否与经营结果相互支持。
最后，还要回到考核执行本身，检查是否存在普遍高分、平均主义、轮流评优、评分过度集中或主管尺度不一致等现象。
第四步：确认分析所需数据
AI分析能否有效，首先取决于数据是否完整。
我认为至少需要：
- 员工所属部门、岗位、职级与任职年资；
- 人员绩效评估规则与评估结果数据；
- 主管评语与绩效面谈纪录；
- 部门绩效及公司经营绩效结果；
- 过去三年的绩效考核结果。
如果只有总分，AI只能进行简单排序，很难判断分数背后的问题。
同时要特别注意，根据我的实操经验，不要直接让语言模型依靠文字推理，完成大量、多步骤的数字统计，因为易出错（AI跟我道歉很多次）。
AI虽然能说明统计方法，但在多条件分组、跨表比对、加权计算或长链条运算中，仍可能出现漏算、错算或口径混用。
更稳妥的方式，是把数据先交给Excel、Python或专业统计工具执行统计，再让AI协助解读统计结果、发现异常与形成报告。计算完成后，仍要抽样核对原始数据、公式、分组条件及统计口径。
绩效数据还涉及员工个资与薪酬决策，输入AI前应进行匿名化、权限控制及敏感信息处理。
第五步：设计人机分工
在这个场景中，人机分工最好再细分为三类工作。
统计工具负责数字的精确统计，包括平均数、中位数、标准偏差、等级分布、部门差异及历期变化（我用Excel的透视分析协助我进行）。
AI负责分析与解读统计结果、比较群体差异、归纳主管评语、辨识异常、提出问题，与需要进一步查证的需求。
HR与管理者则负责确认数据口径、理解业务背景、判断问题原因，以及决定后续改善措施。
例如，某部门平均分特别高，可能代表绩效确实优秀，也可能是指标较容易或主管评分宽松。数据与AI可以发现异常，但真正原因仍要结合部门业绩、目标难度和管理情境判断。
因此，可以概括为：
工具负责准确数字统计，AI负责解读与发现线索，人负责判读结果与作出决策。
第六步：最后才撰写提示词
当前五步清楚后，才将要求转化为提示词。
例如：
请根据已完成统计的绩效考核数据，分别分析不同职级、岗位及年资群体的绩效特征，比较各部门平均分、等级分布及指标达成差异，并结合公司经营结果，判断整体绩效分布是否合理。同时辨识可能存在的评分过宽、过严、过度集中或主管尺度不一致问题。请区分数据事实、分析推论及待查证事项，不要仅凭分数判断个人能力或工作态度。
绩效考核结果分析的目的，不是找出哪些人分数最低，而是透过结果发现组织运行中的问题。
当HR能从群体、部门、公司整体与考核执行四个层次进行分析，绩效数据才不只是分配奖金的依据，而能真正成为管理改善的工具。
而AI在这个场景中的价值，不是代替统计工具计算，也不是代替管理者下结论，而是协助HR更快从大量结果中看见差异、异常与值得追查的线索。