随着 AI 与 People Analytics 的扩散,围绕绩效管理的讨论也在发生变化。由人手动撰写目标、在季度末手工整理达成率的方式,正在逐渐失去说服力。当协作工具、工作记录、客户数据和 HR 数据被连接起来,目标推进情况就可以更频繁、更细致、更自动地呈现出来。
但这并不意味着 OKR 会被自动化。AI 可以提出目标表述建议,People Analytics 可以快速展示指标变化。然而,什么应被视为重要目标,哪些指标可以被承认为绩效证据,未达成的原因又该如何解释,仍然是组织判断的问题。AI 时代的 OKR,正在从目标撰写技术,转向更重视解释与责任的运营体系。
AI 不能代替 OKR 决策,但会降低证据收集成本
Google OKR playbook 说明,Key Result 应描述结果,而不是活动;完成证据应当是 available、credible、easily discoverable。其举例包括文档、笔记、published metrics reports 等证据。这一原则在 AI 与 People Analytics 时代变得更加重要。
AI 可以从会议记录、项目管理工具、客户反馈和工作文档中找出目标推进的信号。过去需要领导者亲自询问才知道的延误信号,也可能通过数据更早浮现。People Analytics 可以按组织单元呈现与离职、投入度、协作、能力和生产率相关的指标。证据收集的成本会下降。
然而,证据变多与目标变好并不是一回事。必须区分 AI 找出的信号究竟意味着实际绩效,还是仅仅意味着活动量。文档撰写量、会议参加次数、工单处理件数很容易被测量。但客户体验改善、战略执行、组织能力积累,则需要更谨慎地解释。AI 可以收集证据,但这些证据意味着什么,仍需由人来审视。
People Analytics 越强,Key Result 越需要严格
People Analytics 是让 HR 不再依赖直觉、而是基于数据进行决策的强大基础。AIHR 将 People Analytics 描述为一种数据驱动的 HR 能力,并提出 descriptive、diagnostic、predictive、prescriptive analytics 等分析类型。随着这一趋势增强,OKR 的 Key Result 会变得更加严格。
例如,在“强化领导力培训”这一 Objective 之下,如果把“开展 5 次培训”作为 Key Result,AI 与数据工具很容易追踪这项活动。但这仍然是活动指标。按照 Google playbook 的原则,Key Result 应当是 outcomes, not activities。需要思考更接近结果的指标,例如“新任领导者 60 天内开展团队成员 1:1 的比例”、“核心人才保留率”、“项目决策 lead time”、“客户投诉复发率”。
数据越多,模糊的目标就会越快暴露出来。没有明确要测量什么的 OKR,无法放上仪表盘。相反,如果只把容易测量的事设为目标,组织就可能错过重要变化。People Analytics 时代的 Key Result 设计,不是给目标加上数字,而是把组织真正想改变的结果翻译成数据语言。
月度 check-in 将不是数据仪表盘,而是解释会议
Atlassian 建议在 OKR 运营中每月进行 score、analyze、summarize。当 AI 与 People Analytics 结合后,月度 check-in 将拥有更多数据。进度、工作量、协作网络、员工体验、客户反应、问题延误信号,都可能汇集在同一个画面中。
但 check-in 不能止步于仪表盘审阅。CIPD 说明,有效的 HR 决策应建立在 best available evidence 与 critical thinking 的结合之上。证据帮助判断,但不能替代判断。数据所告诉我们的,更接近于“发生了什么”。领导者和 HR 需要追问的是:“为什么会发生这种情况,现在要改变什么?”
因此,AI 时代的 OKR check-in 不应是读数字的会议,而应成为解释会议。如果指标变差,与其追责负责人,不如共同拆解原因。需要区分是目标设计有问题、资源不足、部门间依赖没有被解决,还是市场条件发生了变化。数据是会议的起点,而不是结论。
数据越多,HR 的问题就越会从绩效转向责任
当 AI 与 People Analytics 扩散,HR 可以看到更多绩效信号。但信号越多,也会产生新的风险:把个人活动量误认为绩效,只重视可测量指标,或者在数据质量较低的状态下将其连接到评价与薪酬。
Google OKR playbook 说明,运行良好的 OKR 会明确什么是重要的、要优化什么、要做出怎样的 tradeoff。这一原则在数据时代同样适用。HR 的问题不能停留在“谁的绩效好”。它必须转向“为了什么目标,我们正在优化什么”、“提高这一指标是否会损害其他重要价值”、“这一结果是个人努力的结果,还是系统与资源分配的结果”。
尤其在韩国企业中,数据可能迅速与评价、薪酬相连接。因此,HR 必须先设定数据使用的边界。OKR 进展数据可以成为绩效对话的参考资料,但如果直接变成评价公式,就会有风险。AI 生成的摘要也应与可审查的依据一同呈现。数据越多,就越需要负责任的解释规则。
AI 时代的 OKR,比自动化工具更重要的是运营治理
AI Index 表明,其目标是追踪、收集、整理并可视化 AI 相关数据,帮助政策制定者、研究者、企业领导者和公众理解 AI。这一趋势对 HR 也有启示。未来,绩效管理将处理更多数据。但数据越多,组织就越必须决定测量什么、谁可以访问,以及用于哪些决策。
AI 时代的 OKR 运营至少需要三类治理。第一,是目标数据的质量标准。需要确定哪些指标可以被承认为 Key Result,哪些数据只能作为参考。第二,是解释权限的标准。需要确定 AI 摘要、仪表盘、People Analytics 结果由谁解释,并在哪些会议中最终确认。第三,是评价、薪酬连接的标准。需要区分 OKR 数据在多大程度上是绩效对话的依据,又从哪里开始成为薪酬判断资料。
例如,如果把协作工具中的消息数量或会议出席率直接解释为“投入度”或“协作绩效”,就会有风险。相反,客户响应时间、重复投诉减少、核心项目决策 lead time 等与工作结果相连接的指标,可以成为 OKR 解释的良好起点。HR 不能只看指标是否方便取得,还必须同时衡量其与结果的相关性、个人信息与劳动用工风险,以及能否向成员解释清楚。
OKR 连载的出发点,是认为 OKR 不是目标管理表格,而是绩效管理运营体系。在 AI 与 People Analytics 时代,这一视角变得更加重要。目标表述可以由 AI 更快生成。进度可以由系统更频繁地展示。但组织选择什么、放弃什么、承认哪些证据为绩效,并不会被自动化。
归根结底,AI 时代的 OKR 不是技术导入的问题,而是组织如何负责任地解释更多数据的问题。HR 的角色也将从工具管理员转向绩效语言的设计者。到来的并不是 AI 代替管理目标的时代,而是组织必须围绕 AI 揭示的证据做出更精细判断的时代。

![[OKR 连载 ⑧] AI 与 People Analytics 时代的 OKR,目标管理将不再是自动化,而是解释能力的竞争](https://hr.widion.com/wp-content/uploads/2026/06/1312-okr-ai-people-analytics-interpretation-series-08.png)

![[OKR系列⑥] OKR运营中领导者的角色不是督促目标,而是调整优先级](https://hr.widion.com/wp-content/uploads/2026/06/1305-okr-leader-priority-adjustment-series-06.png)
![[OKR系列⑤] OKR被纳入评价的瞬间,挑战目标就会变成安全目标](https://hr.widion.com/wp-content/uploads/2026/06/1295-okr-evaluation-compensation-series-05.png)
![[OKR系列④] OKR导入失败,并不是因为目标太多,而是因为责任变得模糊](https://hr.widion.com/wp-content/uploads/2026/06/1294-okr-responsibility-blur-series-04.png)


![[OKR 系列 ①] OKR 讨论,正从目标管理表单转向绩效管理操作系统](https://hr.widion.com/wp-content/uploads/2026/06/1289-okr-operating-system-series-01.png)