編者按：本文來自微信公眾號 “筆記俠”（ID：Notesman），作者：李寧，創(chuàng)業(yè)邦經(jīng)授權轉(zhuǎn)載。

數(shù)據(jù)驅(qū)動的管理決策，并非一個全新的概念，尤其在中國，許多企業(yè)在數(shù)據(jù)驅(qū)動決策方面已經(jīng)走在世界前列。

比如精準營銷、庫存管理等業(yè)務端的數(shù)字化轉(zhuǎn)型。在這方面，我們已經(jīng)積累了海量數(shù)據(jù)，并利用數(shù)據(jù)來持續(xù)優(yōu)化決策。

但在組織端，在人的決策方面，依靠數(shù)據(jù)驅(qū)動管理卻相對滯后。組織在管人時，更多還是依賴領導的直覺、感覺和經(jīng)驗來做判斷。

生成式人工智能出現(xiàn)以后，這一現(xiàn)象將會逐步得到改觀。

一、人的價值度如何衡量？

在過去，數(shù)據(jù)驅(qū)動的組織管理決策，往往是大廠的專利，巨頭企業(yè)的軟性護城河。

但人工智能的出現(xiàn)，某種程度上改變了這一邏輯。

為什么組織管理端的數(shù)據(jù)驅(qū)動決策很有限？來看幾個例子：

我在高管課程中 經(jīng)常 問決策者一個問題： 你們 支持員工遠程或混合辦公 嗎 ？

絕大多數(shù)人 的回答是 “ 否 ” ，他們?nèi)匀?傾向于讓員工到崗 ， 即到辦公室來工作 。

這背后反映了一個核心問題——當員工不在眼前時，管理者就很難衡量其貢獻。背后更深層次的原因是，管理者缺乏衡量員工在組織中貢獻度的數(shù)據(jù)。

另外，當很多員工合在一起的時候，組織的健康度和創(chuàng)新度就更無法衡量了，這造成了很多996、打卡文化……

為什么很多企業(yè)嚴格打卡，并用工作時長、打卡等作為“奮斗者指數(shù)”？這其實很矛盾。

事實上，企業(yè)在釘釘、飛書、企業(yè)微信等工具上已積累了大量數(shù)據(jù)。但為什么死磕“打卡”？因為大量數(shù)據(jù)在組織決策中并沒有被充分利用起來。

雖然企業(yè)在業(yè)務端已經(jīng)能夠?qū)崿F(xiàn)數(shù)據(jù)驅(qū)動決策，但在組織端，哪怕很多企業(yè)擁有復雜系統(tǒng)和完備的數(shù)據(jù)流。

但在人的決策上，仍依賴Excel報表和領導的主觀判斷，尤其在績效評估和招聘時。

在人工智能時代，人的價值到底應該如何衡量？有多少企業(yè)關注的仍然是像加班時長、打卡這樣淺層的數(shù)據(jù)？

創(chuàng)造力、創(chuàng)新力、系統(tǒng)的邏輯思考能力……才是我們真正需要衡量的維度！

但一個扎心的事實是，有關人的數(shù)據(jù)仍然被看作是成本而非資產(chǎn)。

現(xiàn)在，數(shù)據(jù)已經(jīng)變成企業(yè)重要的資產(chǎn)，但這更多體現(xiàn)在業(yè)務端。因為有了業(yè)務數(shù)據(jù)，我們就可以進行庫存管理、精準營銷、質(zhì)量管理等等。

但組織端的數(shù)據(jù)，比如飛書、釘釘上積累的人員協(xié)作記錄、會議文檔、在線溝通等與人相關的數(shù)據(jù)，反而成了成本，占用了大量的服務器空間，卻極少用于管理決策。

二、數(shù)據(jù)何為難以驅(qū)動管理？

為什么數(shù)據(jù)驅(qū)動在業(yè)務端領先，組織端卻很落后呢？究其原因，就涉及數(shù)據(jù)驅(qū)動業(yè)務/管理的基本邏輯。

我嘗試用一個公式來說明：

Y代表目標（如轉(zhuǎn)化率、成本控制），X代表影響Y的關鍵因素。

比如在 業(yè)務端 ， 我們可以 通過算法和統(tǒng)計找到 X與Y 對應的 關聯(lián)；

比如有哪些 X可以精準影響到Y的提升，我就可以 精準優(yōu)化。

但組織端的問題在于——如何衡量X和Y？

企業(yè)要提升員工創(chuàng)新度，“創(chuàng)新度”如何衡量？這顯然缺乏直觀的指標。

所以，大多數(shù)組織只能把公式進行簡化。他們的基本假設是，創(chuàng)新度和工作時長、出勤率等表層指標有關?？梢?，很多深層次指標沒有被有效抓取。

通常企業(yè)在針對明確目標時可以完成得很好，例如，把庫存周轉(zhuǎn)從10天降至5天。

但創(chuàng)新是看得見摸不著的，所以缺乏抓手，這就導致了錯誤的決策。

為什么數(shù)據(jù)驅(qū)動在組織端做得很不好？原因在于沒有找到好的X和Y。我認為背后存在三點原因：

1.觀念障礙：許多人根深蒂固地認為，人的復雜性是不可以被數(shù)據(jù)獲取的。人是千人千面的，針對不同的人應該有不同的管理方式。

他們認為管理要依賴經(jīng)驗和直覺，就否定規(guī)律性的存在，數(shù)據(jù)驅(qū)動就無從提起。

如果另外一種人相信，人背后有很強的規(guī)律性的話，我們就可以從數(shù)據(jù)中提煉出X和Y。

2.難以構建有效的X和Y：假設二者之間存在鏈接，我們就要通過各種方法來找到X和Y之間的關聯(lián)，但構建有效的X和Y困難重重，創(chuàng)新因素難以識別，創(chuàng)新本身也難以測量。

組織端缺乏現(xiàn)成數(shù)據(jù)，需要額外構建測量體系等等。

3.人才缺口：人是復雜的，所以在做數(shù)據(jù)驅(qū)動的時候，就要構建更高維的指標。比如很多企業(yè)關注985、211或者加班時長這類淺層次指標。

但更深層次的指標是什么呢？這就涉及心理學、管理學甚至統(tǒng)計學的相關知識，很多企業(yè)沒有此類人才儲備。

三、人的復雜性可以被數(shù)據(jù)化嗎？

那么，人的復雜性可以被數(shù)據(jù)提取出來嗎？

我們嘗試通過實驗設計，來探究這個問題的答案。

這里有一個典型案例：在某些國家，人們在換領駕照時通常會有一個選項，詢問器官捐贈意愿。

數(shù)據(jù)顯示，不同國家的捐贈意愿比例差異極大——有些國家接近100%，有些則幾乎為零。

如果把原因簡單歸結為發(fā)達國家和發(fā)展中國家的差異，那么數(shù)據(jù)就會存在矛盾：丹麥、荷蘭、英國、德國等發(fā)達國家捐贈率極高，而同樣發(fā)達的奧地利、法國、匈牙利等國卻很低。

顯然，宗教、文化、經(jīng)濟等因素都很難解釋這種極端差異。最后發(fā)現(xiàn)，造成如此大差異的背后，在于問題的設計形式：

當表格設計為 “ 愿意捐贈請打勾 ” 時，打勾比例極低；

當設計為“不愿意捐贈請打勾”時，打勾比例同樣很低。

這揭示了心理學上的“默認選項偏差”——人們在難以抉擇時往往會遵循預設選項。

這種現(xiàn)象跨越國界，它證明了人類行為存在可預測的規(guī)律性。這為數(shù)據(jù)驅(qū)動組織管理，提供了依據(jù)。

類似規(guī)律也體現(xiàn)在養(yǎng)老金儲蓄政策中，只需將儲蓄設為默認選項，一個小小的改變就會極大提高民眾的儲蓄率。

人背后的確有某種規(guī)律可循，我們就可以用數(shù)據(jù)挖掘出背后的規(guī)律。

四、工作經(jīng)驗和未來績效無關

接下來再看一個數(shù)據(jù)如何支持管理決策的例子。

現(xiàn)在很多企業(yè)招聘人，更多還是看眼緣。但事實上，招聘有面試、筆試，過程中積累了大量的數(shù)據(jù)。

如果用X和Y來表示的話，招聘決策的邏輯是什么？招聘的過程是考試的過程，企業(yè)希望用考試成績來預測員工未來的表現(xiàn)。

比如有40個人申請這個職位，錄取了10個人，最后有4個人表現(xiàn)不合格，只留下了6個人。那么招聘的準確率就是60%。

為什么會這樣？因為招聘的測試和未來績效的相關度較低，即效度不夠。

但我們變換一種方式，招聘的成功率就達到了90%。

我羅列出10種潛在的招聘方式供大家選擇，結構化面試、工作知識測試、工作樣本測試、智商測試、道德測試、評估中心測試、職業(yè)興趣、個性測評－責任心、非結構化面試、工作經(jīng)驗。

因為時間成本，如果我們從中挑選出三個招聘方式會是什么？相信很多人會選擇工作經(jīng)驗、結構化面試等等。

我給大家分享一個目前為止，對于招聘方法和招聘結果最全面的研究（涵蓋了上千個不同的崗位，幾十萬人數(shù)據(jù)）表明：“工作經(jīng)驗”幾乎沒有辦法預測未來的績效。

我們知道，工作經(jīng)驗一定是有價值的。但問題在于單從簡歷上面列出來的工作經(jīng)驗是不一樣的。

同樣做一份工作，不同的人從中學到的知識和凝練的技能，也是完全不一樣的。而結構化面試、工作知識測試的效度就會相對較高。

可見，如果企業(yè)積累足夠多的測評數(shù)據(jù)，加上未來工作績效的考評數(shù)據(jù)，就可以不斷優(yōu)化自身的招聘體系。

回到混合辦公的話題：混合辦公不會降低績效，反而會降低員工的離職率。這是攜程做的一個實地試驗，發(fā)表在了《Nature》上。

這就是一個典型的數(shù)據(jù)驅(qū)動管理的決策。數(shù)據(jù)驅(qū)動的價值在于，提升決策的精準度。如果決策方向錯了，效率再高，也是一種資源浪費。

數(shù)據(jù)驅(qū)動的價值在驗證認知、拓展認知，甚至挑戰(zhàn)認知。

五、如何衡量組織的創(chuàng)新度？

延伸到組織層面，我們?nèi)绾魏饬拷M織的創(chuàng)新度與健康度？

一個企業(yè)里有優(yōu)秀的員工，不見得它是一個優(yōu)秀的組織。

能不能用一個合適的工具來度量組織呢？我們提出了“組織網(wǎng)絡分析法”，它把人與人的協(xié)作鏈接，具體畫出來了。

我們發(fā)現(xiàn)：組織中大部分的合作是跨部門、跨層級，自發(fā)產(chǎn)生的，它并不是按照組織的設計而發(fā)生的?？绮块T的協(xié)作，對于組織的效能和績效，會產(chǎn)生極大的影響。

其中，一個核心的指標，叫“小世界網(wǎng)絡和創(chuàng)新”，很多企業(yè)在談論，為什么很多大廠沒有做出Deepseek，哪怕他們有很多985、211大學生，反而是初創(chuàng)型公司做出來的？

研究表明：一個組織內(nèi)部的網(wǎng)絡結構，和能否產(chǎn)生大量創(chuàng)新型想法相關。其中一個指標是“小世界網(wǎng)絡”。

同樣一個組織構架，可能呈現(xiàn)出兩種不同的形式，一是低小世界網(wǎng)絡，二是高小世界網(wǎng)絡。

以90年代的硅谷為樣本，硅谷的創(chuàng)新奇跡就呈現(xiàn)“小世界網(wǎng)絡”的特征。

它更像是一個公司網(wǎng)絡，在硅谷各公司之間，呈現(xiàn)你中有我、我中有你的形態(tài)，這就得以讓想法和技術自由流動。

比如，生成式AI從2017年Transformer構架被提出來以后，就進行了快速地擴散。

六、AI助力從人治走向數(shù)治

過去，用數(shù)據(jù)驅(qū)動組織管理，有兩類缺陷一直沒有被解決：

一是無法用X和Y來衡量創(chuàng)新度、人的價值等；

二是人才缺口，大多數(shù)中小企業(yè)缺乏相關人才。

但人工智能可以。

第一，它把傳統(tǒng)非結構化的數(shù)據(jù)，變得結構化，讓我們能夠更精準地衡量出人的貢獻。例如：

有研究表明，讓人工智能給出 股票 購買 建議 ， 可以 得 4.5倍回報 。

它通過讓 AI 大量閱讀 新聞標題， 從而判斷是 正面還是負面消息 ， 前者買進，后者賣出 。

過去量化分析是基于結構化的量化數(shù)據(jù)，但現(xiàn)在有了生成式AI，非結構化的信息也可以被納入決策體系當中。舉例說明：

一家物業(yè)公司 通過分析 晨會錄音 ， 來判斷會議質(zhì)量、員工貢獻度以及預警等 。

我們做過一個研究：讓AI基于文本做一些判斷。研究發(fā)現(xiàn)：

AI 的打分 和 人的打分，呈現(xiàn)出驚人的一致性 。

我們讓六個人對同 一個文本打分 和 讓 AI打六次 分，二者相關度已經(jīng)達到 0.7以上 。

所以，如果用AI來分析員工想法的創(chuàng)新度，就能夠解決組織中的創(chuàng)新評價問題。

生成式人工智能大大降低了分析的門檻，以前大部分HR缺乏數(shù)據(jù)分析的能力，但有了AI的賦能，就可以突破傳統(tǒng)數(shù)據(jù)分析的困境。

數(shù)據(jù)分析的能力就被普惠化了。企業(yè)也可以搭建一個智能體來做更復雜的分析。

AI時代幫助我們從人治走向數(shù)治。

在AI的助力下， 組織可以更好地平衡創(chuàng)新、績效以及員工福祉，通過不斷完善挖掘數(shù)據(jù)背后的規(guī)律，從而實現(xiàn)組織的和諧發(fā)展。

內(nèi)容來源：“AI未來2025閱讀新風向”發(fā)布會。

分享嘉賓：李寧，清華大學領導力與組織管理系Flextronics講席教授、系主任。

責編|柒

本文為專欄作者授權創(chuàng)業(yè)邦發(fā)表，版權歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。