KPI 不会消失，它会改名叫 reward

上一篇《AI 从替你干活，到给你派活》讲的是 AI 开始给人派活、做验收，它把一个更基础的问题留在了后面：AI 凭什么判断谁做得好、谁做得差？绕来绕去，答案落在一个词上——KPI。

而“KPI 已死”是今年最好卖的一句话。说这话的人，多半没看过 OpenAI 在 DevDay 前后上线的管理员分析台。那套东西干的事非常传统：把用量、额度、token 消耗按团队和个人拆开；用一个任务分类器看每个人把 AI 花在了什么事上；把 Codex 对合并提交和代码行的贡献单独拉成一张趋势图；再配上一个现成的 ROI 算式——20 个销售，每人每周 2 份客户简报，每份省 3 小时，一年 46 周，就是 5,520 个小时；按每小时 75 美元折算，年化 20.7 万美元，减掉 6 万美元成本，245% 的回报。

一家正在把 AI 从工具变成同事的公司，转头卖给你一套最标准的 KPI。

事情正好和流行叙事相反：KPI 不但不会消失，它会覆盖得比现在更广，连今天还躲在“不方便量化”后面的那些人的工作，也会被逐个拖进指标里。而且它该换个名字——它在强化学习里叫 reward。

这句话对公司是好消息。对绝大多数打工人，不是。

与此同时，另一件事正在发生：一大批旧的 KPI 失效了。程序员那套用了二十年的指标，现在有一半已经量不到人身上。

“会消失”和“会失效”是两件事。把它们混在一起说，才有了 KPI 已死的错觉。

量化不是管理的洁癖，是进化的前提

一个系统要长期变好，需要三样东西：能在同一个数上看见变化、能比较它在变好还是变坏、能据此调整行为。缺了第一条，剩下的都是空谈。没有能长期跟踪的指标，组织就只能靠会议、记忆和感觉，去判断自己有没有进步——那不是学习，那是印象管理。

这套逻辑放到 AI 身上更直白。agent 不需要被激励，它需要一个 reward。所以在 AI 开始参与管理之后，KPI 反而比现在流行的各种“人性化”管理和目标管理更合适：只有它既能量出来，又能源源不断地被跟踪和迭代。你想让一个 agent 想办法把一件事做得更好，给它一段模糊的愿景是没用的，给它一个算得清的目标才有用。

同一条逻辑很快会被人用到人身上。

所以真正的问题从来不是“要不要量化”，而是“量化得准不准、覆盖得够不够”。

造指标这件事，第一次变得便宜

过去 KPI 又少又粗，不是因为它不想细，是因为造指标本身太贵。

要正确地算一个指标，你得先埋点、建数仓、对齐口径、维护报表，还得有人持续盯着它有没有算错。所以组织长期只用少数几个粗糙的代理——签了多少单、写了多少行代码、修了多少个 bug。不是这些数能代表价值，而是算别的数更贵。KPI 的粗糙，本质上是成本约束，不是管理思想落后。

AI 把这件事的成本打下来了。把数仓和原始数据交给模型，它能自己写程序把指标算准，自己挑统计特征、找异常、给结论。过去要一个数据团队开几次会才能对齐的口径，现在是一份数据加一个模型。造指标这件事，从需要立项的工程，变成了一次提问。

于是 KPI 可以同时变得更准、更广。大量原本“不方便量化”的人的工作——一次判断的对错、一次干预及不及时、一条工作流上哪个环节在漏——都能被拖进监控里，变成可以持续跟踪的指标。这是 AI 低成本解决长尾需求的一个实例：这里的长尾不是业务，是指标。以前不值得为它单独建一套度量的人和事，现在值得了。

从前，“拦住一次事故”根本进不了 KPI，因为没人愿意花成本把它算出来——没发生的事，产出是零。现在过程数据都在手边，拦下的那次风险可以被算进指标，甚至能追到具体是谁。风险这一侧从不可见，变成了可见。

旧的 KPI 正在失效，程序员是最好的样本

同一股力量，也在拆掉另一批指标。

程序员这个职业被拆得最彻底。Google 在 2024 年秋天说，公司新增的代码里大约四分之一由 AI 生成；一年以后，这个数字变成了一半；到 2026 年 4 月，大约是四分之三，而这些代码仍然要经过工程师复核。阿里云的说法更直接：内部 AI 辅助生成的代码比例已经接近 40%，他们的判断是“再过一年可能要 80%”。测试、review、门禁这一整套过程，也在交给 AI 代劳。程序员从“需求到代码的翻译机”，变成了“需求到提示词的翻译机”，甚至出现了根本不看代码的人。

那套用了几十年的考核，就跟着空了。

代码行数，以前用来衡量产出速度，现在量的是 AI 的产出；遗留 bug 数，看起来在评价程序员的可靠程度，其实大半是在测试 AI 的能力；问题响应速度，瓶颈已经不是人的水平，而是他多快能进入工作状态，以及他手上的 AI 工具有多快。

更关键的是第二步：当全公司用的都是差不多的 AI，这些指标上的差距会被拉平到很小。指标上看，人人都是高手。但程序员之间能力的差异并没有消失——它还是那么大，只是从旧指标里跑出去了。

它跑到哪去了？跑到人跟 AI 一起工作的过程里，具体说，是做选择的准确性。

AI 干活的方式，是不停地向人寻求确认：这个需求你理解成什么、这个架构怎么选、技术方向走哪条、这段实现细节要不要这么写、解决这个问题要改动多大范围。每多做一次准确的选择，交付就往上抬一点；错得多一点，质量就往下滑一点。单次看不出来，累积到交付，水平的鸿沟就出来了。

这些，“代码行数、bug 数、响应速度”一个都测不到。

新的 KPI 会把“选择有多准”也测出来

失效的是旧指标，不是量化本身。

既然 AI 能把造指标的成本打下来，那“选择有多准”就不是量不了，而是以前没人量。这一维甚至早就有了天然的埋点——AI 每一个要人确认的地方，都是一次选择被记录下来的位置。把整条决策链交给模型，它完全可以回头标出：哪一次确认补上了关键信息，哪一次把后面的路带偏了，哪一处改动范围最后被证明是错的。一次两次看不出什么，但一条工作流的全过程记下来，人和人的差距是能被算出来的。

能被算出来，就意味着能被考核、被排序、被替换。

于是 KPI 的覆盖面从最外面那一层往里走。过去组织只测得到业务结果，加上少数几个粗过程代理；现在它能同时覆盖业务收益、工作质量和过程本身——包括你在过程中做了什么判断、拦下了什么、把范围控制在了多大。

旧的指标腾出位置，新的指标补上来。它们量的是同一件事：人对结果的贡献。区别只在于，过去是用产出这个代理去猜，现在可以算得更准一点。

战略层做取舍，执行层拿 reward

把这个观点推到组织层面，就是一句话：要让整个组织自我进化，可行的一条路，是把它 KPI 化。

只有能被长期跟踪的东西，才能被持续迭代。给组织里每一个可度量的单元定义一个 reward，整个系统就有了反馈回路，才有可能像模型一样一轮一轮地变好；没有这一层，所谓的“组织学习”就只能靠人走、人留、人的记忆往下传。RSI 这个词用在模型上成立，用在组织上也一样成立。

另一面是：当管理这件事越来越多地由 AI 来做，KPI 比那套追求“人性化”的做法更好用。理由不是它更冷，是它可跟踪。AI 不需要被哄着往前走，它需要有人告诉它什么算好。

质量、效率、成本这三样东西，永远不可能同时拉满。

想要更高的质量，就得接受更慢、更贵；想把成本压到底，就得接受更多错误和返工。这不是算力问题，是取舍问题，而取舍必须由人来定——只有能对结果负责的一方，才有资格替别人决定哪一把尺子先让步。这也正是 OKR、目标管理这类东西最后仍然有价值的地方：它激发的不是执行，是高级管理者的主观能动性，是他在几个互相拉扯的目标之间做的那个判断。

但别把 OKR 铺到整条工作流里。工作流里的“工具人”和 AI，不需要被激发主观能动性，他们需要一个清晰、能被跟踪的 reward。用一套为人的意志设计、昂贵又模糊的东西，去考核本来该被量化的执行，只会把两个目标都搞砸。

乐观期不会太长

短期看，这一切的感觉是好的。

大量用上 AI 的公司，会先经历一段蜜月期：员工的效率明显提升，积极性变高，满意度也变高。原因不难理解——每个人的 scope 都变大了，脏活累活交给 AI，自己负责更完整的一摊事，工作甚至比过去轻松。

但这段蜜月期不会太长。管理者很快会开始问三个问题：这些人是不是真的在创造价值？工作流成熟之后，他们每天的工作该怎么衡量？该怎么激励——或者督促——他们拿出更大的产出？

问题一旦被问出来，答案就写好了：针对工作流的 KPI 会孕育而生，也就是前面几节讲的那套东西。企业会因此拿到一条会自我进化的流水线；而绝大多数站在流水线上的员工，会变成这条流水线的工具人，被各种指标裹挟着往前走，并且随时可能被它绕过。

被腾出来的只有最上面那一小层——做判断和取舍的那几个人。他们确实从重复的度量里退了出去，去做更值得人做的事。这不是所有人的命运，只是一小撮人的。

欢迎来到新的《摩登时代》

上世纪三十年代，卓别林在《摩登时代》里演了一个在流水线上拧螺丝的工人：机器越转越快，他整个人被卷进齿轮，最后被机器吐出来。那部电影讽刺的，是工业时代如何把人变成一个零件。

一百年过去，我们换了一套更体面的说法。今天的工具人不用站在流水线旁边，他坐在家里，用自然语言指挥一群 agent，做的事看起来更有技术含量，也没人拿秒表掐他。但他的位置没有变：他仍然是那台更大的机器里的一个环节。只不过这一次，管理他的是 AI，驱动他的是 KPI，而整条流水线会自己变好——好到有一天，它不再需要他。

这是一个确定的坏消息，给绝大多数还站在流水线上的人。它同时是一个等了很久的好消息，给公司最上面那几个人：他们想要的从来不是一群需要被激励、被说服、被留住的人，而是一条会自我进化的流水线。

KPI 没有消失。它只是从一张考核表，长成了整条流水线的操作系统。而流水线从来不关心上面站着的是谁。