AI 参与绩效考核的工具越来越多：聊天记录自动分析、工作产出自动评分、绩效面谈稿自动生成。听起来客观中立，实际用起来争议不断——员工不服、HR 解释不清、结论经不起追问。问题出在哪？在于把「数据算分」当成了「考核」。评分可以算，考核结论必须由人来下。
自动评分为什么难服众
一套自动评分要站得住，前提是输入的数据能代表真实工作。现实往往不成立：协作型岗位的很多产出不产生数据，客服的安抚质量、产品的判断质量，都难以量化；反过来，容易被记录的行为会被放大，回复快、产出多的评分高，工作重心在疑难问题上的员工反而吃亏。员工还不清楚评分依据——模型基于什么口径打的分、哪些行为被计入，这些常常是黑箱。评分依据说不清，结论自然难服众，申诉的时候 HR 拿不出解释，考核就从管理工具变成了矛盾源头。
考核结论必须人工复议
把 AI 评分当成参考意见而非最终结论，是使用这类工具的前提。可行的机制是双轨：AI 出分，主管结合平时观察与具体事例做复议，两者差距大的必须回到事实层面核对。复议时问三个问题：这个分数的依据是什么？有没有被数据遗漏的贡献？有没有被数据放大的表面功夫？员工的申诉通道要保持畅通，申诉由人来裁决。用基准测试与任务表现的区别一篇的视角看就明白：模型在测试集上算得好，不等于对具体人的工作评价得准，这两件事隔着大量情境信息。模型对自己结论的把握程度也值得追问，不确定性声明里讲的方法可以用来测工具的底细。
AI 在考核里能做什么
划清边界后，AI 在考核流程里的用武之地其实不小。事实整理是一块：把项目记录、周报、协作记录整理成时间线，供主管评分时参考；文本起草是一块：绩效沟通话术、面谈提纲、评语初稿，用 DeepSeek 或 Kimi 起草后再人工改写；校准讨论是第三块：把各团队的评分分布给模型做描述性统计，帮助发现宽严不一。这些都是围绕考核的辅助工作，产出物供人使用、由人定稿。真正碰不得的是直接输出最终绩效等级——评价影响薪酬与晋升，这个结论的责任没有外包的出口。
| 用途 | 具体做什么 | 产出怎么用 |
|---|---|---|
| 事实整理 | 把项目记录、周报、协作记录整理成时间线 | 主管评分时参考 |
| 文本起草 | 绩效沟通话术、面谈提纲、评语初稿 | 人工改写后再发出 |
| 校准讨论 | 对各团队评分分布做描述性统计 | 人看宽严是否一致 |
数据边界与工具选型
考核数据是员工个人信息的高密度区：绩效记录、沟通评价、与家庭相关的请假事由，都可能混在里面。选工具前先确认数据去向，企业版与本地部署优先，条款审查的方法见数据政策里的 AI 条款怎么审一篇；喂给模型前做去标识处理，与简历信息的处理边界同一逻辑。招聘环节的合规要点见岗位描述的准确性一篇，两篇合起来是 HR 用 AI 的主线索。
延伸阅读：员工对话能用来训练吗。
绩效 AI 使用自查
- 定位：AI 评分是参考，结论由主管复议后下
- 透明：评分依据可向员工解释，申诉有人裁
- 数据：去标识后再分析，敏感字段不进模型
- 落地：沟通稿与评语人工改写后发出
关于绩效评分的三问三答
- AI 评分能不能作为绩效改进的依据？：作为参考线索可以，比如发现某类任务耗时异常，但改进计划要和员工面谈后共同制定，单方面按机器分数下结论容易激化矛盾。
- 员工质疑 AI 评分，HR 该怎么回应？：如实说明评分是辅助工具、最终结论经过人工复议，并给出复议依据的具体事例。拿不出事例的评分，本身就该重新核。
- 小团队有必要引入自动评分吗？：团队小到主管能掌握每个人的工作实况时，自动评分的增益有限，直接的人工评价反而更准；工具适合规模大到人工观察覆盖不过来的场景。
