编辑荐语：企业大举加码 AI，但绝大多数绩效考核仍然沿用旧标准，催生绩效悖论：滥用 AI 刷产出受奖励，校验纠错的员工反而吃亏。本文提出三维评估框架，区分三类指标：人类贡献指标、AI系统与智能体指标、人机协同系统指标，帮助企业重新定义 AI 时代的良好绩效，厘清权责归属。
当工作成果由人类与AI协同产出时，“良好绩效”该如何定义?管理者怎样才能确保追求速度与效率的同时，不会牺牲人的判断力与责任担当?
当下，这些问题变得至关重要。纺织服装企业大举投入AI，管理者承受巨大压力，需要证明AI投资能够产生回报。兰迪·宾与汤姆·达文波特联合开展的“数据与AI领导力”年度调研于今年早些时候发布数据：91%的企业正在加大AI投入，99%的企业将AI投资列为组织最高优先级。然而仅有18%的企业表示，自身AI投资已经实现了高度可量化的业务价值。
AI在大量工作流程中提升了处理速度与成果质量，但绝大多数纺织服装企业尚未重新设计员工绩效评估方式，以适配这一变化。结合最新研究以及我们协助企业落地AI的实践经验，本文提出一套三维绩效评估框架，适用于AI时代的绩效考核，帮助企业区分三类指标：人类贡献指标、AI系统与智能体指标、人机协同系统指标。
服装行业的AI狂奔与绩效盲区
先看行业大势。2025年全球时尚行业AI产业规模已达17.5亿美元，年增长率超过39%;另有机构预测，到2032年这一市场将增长至22.3亿美元。在中国，纺织服装行业设备数字化率达到57.4%、设备联网率达51.8%，均已超越全国制造业平均水平。
AI正在从设计到销售全链路渗透。惠利玛VALI鞋服AI设计平台已服务超5万名注册用户、800多家企业，设计稿出图效率提升167倍，设计试错成本下降近七成，新品从设计到出货的周期从传统的90天压缩至30天左右。波司登的AI驱动全链路实践让头样开发周期从100天缩至27天，样衣研发成本降低60%。在生产端，有深圳服装企业将AI用于排料和裁剪，仅此一项就节省约20%的成本。在绍兴柯桥，智能化纺织工厂投入超3亿元建设，整体产能提升50%;永通印花借助自研AI花型设计系统，今年前七个月产值同比增幅达43%，全年产值有望突破6亿元。
2026服装行业科技创新大会明确指出，当前AI规模化应用正重构服装设计、生产、营销全链条。工信部2025年度数字化转型典型案例中，华孚时尚、迪尚集团等多家纺织服装企业凭借AI个性化定制、智能排产、质量溯源等场景应用成功上榜。
AI确实在帮行业省钱、提速、增效。但问题来了——当AI从工具变成“同事”，甚至“半个领导”，绝大多数企业的绩效考核体系，却仍然停留在“计件”时代。
人类绩效悖论
目前，纺织服装企业在评估员工使用AI开展工作时，仍沿用传统的成功衡量标准：生产力、目标完成度、工作效率。这就催生了一个悖论：高度依赖AI的员工看上去生产力极高;而另一部分员工会放慢节奏，校验预设条件、质疑AI输出结果、修正错误，恰恰在创造最大价值的时候，反而显得效率低下。
在这套评估模式下，管理者很可能奖励员工对AI的过度依赖，却惩罚能够规避重大失误的人类判断力;一味追求产出数量，忽视实际业务成效，看不清真正驱动高效工作的核心要素。
我们已经看到，把旧绩效指标套用到全新工作模式，会带来怎样的现实后果。当AI系统在传统指标上的表现优于人类，部分员工会产生防御心态：某AI厂商的调研显示，10%的员工坦言，他们会篡改数据，刻意拉低AI的表现。这一现象并不意外。当管理层将AI主要视作削减人力的工具，员工必然会承受压力，需要在传统关键绩效指标上证明自己比AI更强，因为他们深知自己的岗位岌岌可危。
但指标错配只是问题的一半，甚至可以说是相对容易解决的一半。另一重困境是：传统绩效管理体系本身早已失灵。盖洛普2024年的调研显示，当时企业才刚刚开始适应生成式AI，财富500强企业中，仅有2%的首席人力资源官高度认可本公司的绩效管理体系能够激励员工自我提升;受访员工里，也只有20%认为绩效评估公平、透明。
时至今日，情况并未出现明显好转。德勤今年1月发布的报告称，84%的企业没有围绕AI重新设计岗位、工作流程与职业发展路径;仅有30%的企业针对员工合理运用AI设置绩效激励。大多数企业的人才策略只聚焦员工培训。企业培训员工适应全新工作模式，评估方式却一成不变。这套做法的问题在于，它想当然地认为，让员工把原有工作做得更快，依然是正确的目标。
错误指标叠加失效的绩效管理，正在造成信任缺口。Gartner的数据显示，仅有1/5的AI投资能带来变革性价值，仅有1/5能够产生可衡量投资回报。但企业CEO依旧对AI驱动增长抱有很高期待。反观一线员工，能够真切感受到管理层的口号和实际落地之间的巨大落差。董事会的乐观预期与一线现实之间的鸿沟，正是绩效管理失效的根源。
AI时代，何为良好绩效?
传统绩效指标建立在如下工作特征之上：任务独立、可重复、由个人全权负责。而AI可以自动完成大量这类工作：文稿起草、内容摘要、翻译、样板代码编写、初步分析。一项覆盖750多名知识工作者的大规模实地实验表明，使用OpenAI的GPT4之后，员工工作速度提升超25%，任务完成度提升12.2%;在模型能力覆盖范围内，产出方案的质量也显著更高。
但这项研究同样揭示，只看产出量的评估方式潜藏巨大风险。当任务稍稍超出AI能力边界，可以使用AI的受试者输出正确答案的概率，比不使用AI的人低19%。研究者将这一现象命名为“锯齿化技术边界”：AI在部分任务中表现出众，但面对看似高度相近的相关任务时，却可能骤然失效。倘若考核只看重产出速度，不对结果准确性加以核验，就会促使员工将工作交由AI处理，突破其能力边界，寄望于AI不会出现差错。
另有研究证明，传统指标会错判价值的真实来源。一项研究发现，AI辅助平均可以提升约14%的生产力，但收益主要集中在经验不足的员工身上。资深从业者使用AI之后，效率仅有小幅提升，质量还出现轻微下滑。专家创造价值，依靠的是问题诊断、识别极端特殊场景、校验前提假设，以及指导团队何时不能信任工具;而多数管理者并不会主动权衡这一代价。
同时还存在更加隐蔽、长期的风险。对照实验表明，反复接触带有偏见的AI输出，会放大人类在感知、情绪与社会判断中的固有偏见。人们往往意识不到AI对自身的影响，更容易被偏见裹挟。一名看似“用数据说话”的同事，可能正在潜移默化习得模型自带的偏见。而标准绩效体系完全没有机制去发现这类问题。
与之相关的一大隐患是“劣质速成品”泛滥：借助AI快速产出大量低质量工作，充斥冗余内容、各类错误，实际信息价值极低。这类成果会耗费接收方大量时间，还...
会员内容
来源：
