跳至主要內容
脈絡觀察

AI 進績效評估前要先定義好工作

企業開始把 AI 使用寫進績效期待，員工不確定該不該揭露，主管不知道怎麼評品質。AI 使用率只能當採用訊號；績效評估要先定義品質、責任與可追問的證據，才能在 AI 進入工作後公平判斷人的貢獻。

AI 進績效評估前要先定義好工作文章主圖

「我們要把 AI 使用率放進今年績效目標嗎？」

這句話如果出現在會議室裡，我大概會先沉默幾秒。

這個問題很重要，而且遲早會來。公司買了 Copilot、導入內部知識庫、開了 AI 課程，總會有人問：那我們怎麼知道大家有沒有用？用了之後有沒有變好？

麻煩的是，這個問題一旦接上績效制度，就會變得很敏感。員工會開始猜：我用 AI 完成提案，是加分還扣分？品質變好了，主管會覺得我能力變強，還是覺得這份成果不算是我的？誠實標註了 AI 協助，會不會反而輸給那些沒揭露的人？

這些問題沒有一個有標準答案，但每個都會影響員工接下來怎麼用 AI。說真的，這一題急著給答案，很容易兩面都不討好。

先別急著量使用率

把 AI 使用率放進績效指標，看起來很直覺。系統有 log，員工有帳號，主管也想知道採用狀況。對高層來說，這比討論「工作方式有沒有改變」容易太多。

可是使用率能回答的東西其實很窄：這個人有沒有碰工具。

它很難回答更重要的問題：這個人有沒有把問題定義清楚，知不知道哪些資料不能丟進去。AI 產出裡的推論漏洞有沒有被挑出來、需要主管判斷的地方有沒有留下來，log 上也看不見。至於交付前，人有沒有把該承擔的責任接回來，就更看不見了。

績效制度如果只追 AI 使用量，員工很快就會學會一件事：表演使用。開會說有用 AI、週報貼幾個 prompt、交付物後面補一句「已使用 AI 協助」。這些動作可以讓採用率變漂亮，工作的品質不一定跟著動。

還有另一種麻煩。過度追使用量，會懲罰到那些謹慎的人。法遵、財務、人資、客訴、醫療或金融相關工作裡，有些資料本來就不能隨便丟給通用模型，有些判斷需要保留人工審核；還有一些任務，用 AI 做的成本其實比收益高。這些人如果因為用得少就被評低，制度等於在獎勵冒險。

這點要看組織的風險環境，不能一概而論。

flowchart TD;

subgraph S1["使用率陷阱 (Usage-Driven)"];

A1["計算系統 Log / 登入次數"] --> B1["員工展示 Prompt 與 AI 標籤"];

B1 --> C1["表面採用率提高，實質品質未受檢驗"];

end;

subgraph S2["品質判準思維 (Quality-Driven)"];

A2["定義好工作的產出標準"] --> B2["審視資料來源、假設與例外處理"];

B2 --> C2["評估人的判斷力、驗證品質與責任承擔"];

end;

做得好的標準要經得起追問

如果企業真的想把 AI 納入績效管理，我會建議把績效討論的起點換掉。把「他有沒有用 AI？」收進資訊部門的採用報表就好，會議室裡真正要討論的問題是：

「在 AI 參與之後，這份工作怎樣才算做得好？」

這個問題聽起來很普通，但回答它，會逼組織把原本含糊的判斷攤開。以前主管可能憑經驗看提案：內容完整、格式漂亮、速度夠快，就覺得這個人表現不錯。AI 進來後，格式漂亮和速度快的含金量會一起下降，主管需要看見更底層的東西。

舉個例子。一份市場分析報告，AI 可以幫忙整理資料、生成初稿，文字也能弄得很順。主管需要看的，可能變成員工有沒有挑對資料來源、保留了哪些假設、刪掉了哪些看起來合理其實不對的東西、有沒有把建議拉回業務限制。這些判斷過去藏在員工腦子裡，現在需要被寫進工作紀錄或交付標準。

當然，不用叫員工把每一步寫成流水帳。那會把大家逼瘋，主管也不會想看。

務實一點的做法，是替不同類型的工作定義幾個事後可以追問的證據欄位。像這樣：

工作類型需要看的重點可留下的工作痕跡
分析與決策建議資料來源、假設、風險與取捨主要依據、被排除的選項、人工判斷點
客戶或員工溝通語氣、合規、對象情境修改理由、敏感資訊處理方式
流程改善問題定義、影響範圍、例外處理流程前後差異、需要人工接手的節點

這張表只是一個方向提醒，每家公司要依職務內容與風險環境自己調過才能用。它想說的事情很單純：績效制度要看的重點，可以慢慢從「你做了多少」移到「你怎麼判斷、怎麼驗證、怎麼承擔」。AI 讓執行變快之後，主管更需要看見的是人的判斷品質。

HR 要保護公平感，也要保護主管的判斷空間

這件事需要 HR 站進來。

IT 可以定工具、權限、資料安全與系統紀錄，法遵可以看風險、政策與監管要求。可是績效制度碰到的是另一件事：員工怎麼理解「我做得好不好」，主管怎麼給回饋，組織怎麼避免把 AI 使用變成新的不公平。這些問題不會出現在系統規格書裡，也不在法遵的檢核清單上。

CIPD 在 2026 年的 AI governance guide 裡提醒，people professionals 的治理範圍應涵蓋任何影響人的 AI 部署，範圍超出 HR 系統本身。這句話放到績效制度裡，其實很有重量。公司一旦開始問 AI 使用與績效的關係，這就已經超出單純的工具採用問題，會碰到職涯、評估、公平感與責任分配。1

Microsoft 2026 Work Trend Index 也把問題講得很清楚：AI 與 agents 會擴大個人能力，但組織要能承接這種能力，需要處理領導、文化、管理實務，以及工作如何被衡量。報告裡提到，較成熟的 AI 使用者更常討論 AI 輔助工作的品質標準，也更常把 agent 工作流、人機交接與品質標準文件化。2

Gallup 的資料補上另一個角度。截至 2026 年 2 月，美國一半受雇員工至少偶爾在工作中使用 AI；在已導入 AI 的組織中，65% 員工認為 AI 對自己的生產力有正面影響。可是只有 12% 強烈同意 AI 已經改變組織工作方式。3 這個落差很值得 HR 看：個人已經覺得自己變快，組織的流程、角色與評估方式還沒有跟上。5

Deloitte 2026 Human Capital Trends 也提到，AI 擴大進入工作後，工作者正在重新追問 effort、ownership、fairness、accountability。這些字放在績效管理裡，就是一連串很實際的問題：使用 AI 後，努力要怎麼被看見、成果歸誰、錯誤由誰負責；不同職務可以使用 AI 的程度差很多，績效評分又要怎麼保持公平？4

flowchart TD;

subgraph S1["1. 品質判準 (Quality Standard)"];

A1["從產出速度與數量，轉為假設與邏輯"] --> B1["重點看資料來源審查、推論漏洞排除與脈絡適應"];

end;

subgraph S2["2. 責任歸屬 (Accountability)"];

A2["明確標記人工審核與接手節點"] --> B2["成果歸屬與錯誤承擔機制不因使用 AI 而模糊"];

end;

subgraph S3["3. 可追問依據 (Traceable Evidence)"];

A3["留下決策與修改的思考痕跡"] --> B3["重點是事後能向主管說明調整理由，簡要即可"];

end;

subgraph S4["4. 制度公平感 (Fairness & Risk)"];

A4["區隔高風險合規與低風險嘗試場域"] --> B4["避免制度過度追量而懲罰嚴謹合規的謹慎行為"];

end;

所以 HR 要做的，是把問題帶回制度語言。

HR 的位置比較微妙，兩邊都要顧：一邊是高層推動採用的壓力，一邊是員工對公平的敏感。比較實際的做法，是幫組織拆清楚幾件事：哪些職務可以鼓勵 AI 使用，哪些任務需要揭露 AI 協助，哪些成果必須留下人工審核點，還有哪些績效指標會意外懲罰謹慎行為。

這裡有一個我會帶回會議室的說法：

「我們可以鼓勵 AI 使用，但績效評估要先定義品質、責任與證據。使用率只能當採用訊號，不能直接當貢獻判準。」

這句話至少能讓討論先離開「大家到底有沒有用 AI」的焦慮，回到制度真正要回答的事：當 AI 已經進入工作，組織怎麼判斷人的價值。至於每個職務的品質判準長什麼樣子，還是得一個部門一個部門坐下來談。

延伸閱讀

參考資料

  1. CIPD, “How people professionals can develop, deploy and use AI in an ethical, legal and sustainable way,” 發佈日期：2026-03-19（超過兩個月，本文僅作治理框架的背景脈絡）. 這份指南支撐 HR 應參與所有影響人的 AI 部署治理，範圍包含 HR 系統外的工作流程。https://www.cipd.org/en/knowledge/guides/people-professionals-ai-use/ ↩

  2. Microsoft WorkLab, “2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization,” 發佈日期：2026-05-05. 這份報告支撐本篇關於工作衡量、品質標準、人機交接與組織承接能力的判斷。https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization ↩

  3. Gallup, “Global Indicator: Artificial Intelligence,” 發佈日期：2026-04-02（頁面持續更新，本文引用的 2026 年 2 月數據為當次更新內容，僅作背景脈絡）. 這份資料支撐本篇關於個人 AI 生產力感受與組織工作方式改變落差的判斷。https://www.gallup.com/699797/indicator-artificial-intelligence.aspx ↩

  4. Deloitte, “2026 Global Human Capital Trends,” 發佈日期：2026-01-14（超過兩個月，本文僅作趨勢背景脈絡）. 這份報告支撐本篇關於 effort、ownership、fairness、accountability 在 AI 工作環境中需要重新校準的判斷。https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends.html ↩

  5. Gallup, Andy Kemp, “Rising AI Adoption Spurs Workforce Changes,” 發佈日期：2026-05-19. 這篇文章補充 AI 採用增加、員工感受生產力改善，以及組織尚未大幅重設工作方式的落差。https://www.gallup.com/workplace/704225/rising-adoption-spurs-workforce-changes.aspx ↩

常見問題

AI 使用率可以直接當績效指標嗎？

使用率只能回答員工有沒有碰工具，反映不了判斷品質與責任承擔。把使用率寫進 KPI 容易誘發「表演使用」，也會懲罰法遵、財務等必須謹慎使用 AI 的職務。比較穩的做法是把使用率當採用訊號，貢獻判準另外定義。 AI 進入工作後，主管應該怎麼評估工作品質？ | 把評估重點從產出數量與速度，移到資料來源選擇、假設保留、錯誤排除與人工判斷點。可以替不同類型的工作定義幾個事後可追問的證據欄位，例如分析類工作留下主要依據、被排除的選項與人工判斷點。 員工需要揭露 AI 使用嗎？ | 依職務與風險環境而定。組織應先拆清楚哪些任務需要揭露 AI 協助、哪些成果必須保留人工審核點，並確保誠實揭露的人不會因此在評分上吃虧，否則制度會反過來獎勵隱瞞。 為什麼 AI 績效評估需要 HR 參與？ | IT 管工具與權限，法遵管政策與監管，但員工怎麼理解「做得好」、主管怎麼給回饋、制度會不會製造新的不公平，屬於績效制度與公平感的問題。CIPD 2026 年的指引也主張 people professionals 應參與所有影響人的 AI 部署治理。

訂閱電子報，第一手收到新文章