内容来源：“AI未来2025阅读新风向”发布会。

分享嘉宾：李宁，清华大学领导力与组织管理系Flextronics讲席教授、系主任。

责编| 柒 排版| 鹅妹子

第 9013 篇深度好文：3939 字 | 10 分钟阅读

商业思维

笔记君说：

数据驱动的管理决策，并非一个全新的概念，尤其在中国，许多企业在数据驱动决策方面已经走在世界前列。

比如精准营销、库存管理等业务端的数字化转型。在这方面，我们已经积累了海量数据，并利用数据来持续优化决策。

但在组织端，在人的决策方面，依靠数据驱动管理却相对滞后。组织在管人时，更多还是依赖领导的直觉、感觉和经验来做判断。

生成式人工智能出现以后，这一现象将会逐步得到改观。

一、人的价值度如何衡量？

在过去，数据驱动的组织管理决策，往往是大厂的专利，巨头企业的软性护城河。

但人工智能的出现，某种程度上改变了这一逻辑。

为什么组织管理端的数据驱动决策很有限？来看几个例子：

我在高管课程中经常问决策者一个问题：你们支持员工远程或混合办公吗？

绝大多数人的回答是“否”，他们仍然倾向于让员工到岗，即到办公室来工作。

这背后反映了一个核心问题——当员工不在眼前时，管理者就很难衡量其贡献。背后更深层次的原因是，管理者缺乏衡量员工在组织中贡献度的数据。

另外，当很多员工合在一起的时候，组织的健康度和创新度就更无法衡量了，这造成了很多996、打卡文化……

为什么很多企业严格打卡，并用工作时长、打卡等作为“奋斗者指数”？这其实很矛盾。

事实上，企业在钉钉、飞书、企业微信等工具上已积累了大量数据。但为什么死磕“打卡”？因为大量数据在组织决策中并没有被充分利用起来。

虽然企业在业务端已经能够实现数据驱动决策，但在组织端，哪怕很多企业拥有复杂系统和完备的数据流。

但在人的决策上，仍依赖Excel报表和领导的主观判断，尤其在绩效评估和招聘时。

在人工智能时代，人的价值到底应该如何衡量？有多少企业关注的仍然是像加班时长、打卡这样浅层的数据？

创造力、创新力、系统的逻辑思考能力……才是我们真正需要衡量的维度！

但一个扎心的事实是，有关人的数据仍然被看作是成本而非资产。

现在，数据已经变成企业重要的资产，但这更多体现在业务端。因为有了业务数据，我们就可以进行库存管理、精准营销、质量管理等等。

但组织端的数据，比如飞书、钉钉上积累的人员协作记录、会议文档、在线沟通等与人相关的数据，反而成了成本，占用了大量的服务器空间，却极少用于管理决策。

二、数据何为难以驱动管理？

为什么数据驱动在业务端领先，组织端却很落后呢？究其原因，就涉及数据驱动业务/管理的基本逻辑。

我尝试用一个公式来说明：

Y代表目标（如转化率、成本控制），X代表影响Y的关键因素。

比如在业务端，我们可以通过算法和统计找到X与Y对应的关联；

比如有哪些X可以精准影响到Y的提升，我就可以精准优化。

但组织端的问题在于——如何衡量X和Y？

企业要提升员工创新度，“创新度”如何衡量？这显然缺乏直观的指标。

所以，大多数组织只能把公式进行简化。他们的基本假设是，创新度和工作时长、出勤率等表层指标有关。可见，很多深层次指标没有被有效抓取。

通常企业在针对明确目标时可以完成得很好，例如，把库存周转从10天降至5天。

但创新是看得见摸不着的，所以缺乏抓手，这就导致了错误的决策。

为什么数据驱动在组织端做得很不好？原因在于没有找到好的X和Y。我认为背后存在三点原因：

1.观念障碍：许多人根深蒂固地认为，人的复杂性是不可以被数据获取的。人是千人千面的，针对不同的人应该有不同的管理方式。

他们认为管理要依赖经验和直觉，就否定规律性的存在，数据驱动就无从提起。

如果另外一种人相信，人背后有很强的规律性的话，我们就可以从数据中提炼出X和Y。

组织端缺乏现成数据，需要额外构建测量体系等等。

3.人才缺口：人是复杂的，所以在做数据驱动的时候，就要构建更高维的指标。比如很多企业关注985、211或者加班时长这类浅层次指标。

但更深层次的指标是什么呢？这就涉及心理学、管理学甚至统计学的相关知识，很多企业没有此类人才储备。

三、人的复杂性可以被数据化吗？

那么，人的复杂性可以被数据提取出来吗？

我们尝试通过实验设计，来探究这个问题的答案。

这里有一个典型案例：在某些国家，人们在换领驾照时通常会有一个选项，询问器官捐赠意愿。

数据显示，不同国家的捐赠意愿比例差异极大——有些国家接近100%，有些则几乎为零。

如果把原因简单归结为发达国家和发展中国家的差异，那么数据就会存在矛盾：丹麦、荷兰、英国、德国等发达国家捐赠率极高，而同样发达的奥地利、法国、匈牙利等国却很低。

显然，宗教、文化、经济等因素都很难解释这种极端差异。最后发现，造成如此大差异的背后，在于问题的设计形式：

当表格设计为“愿意捐赠请打勾”时，打勾比例极低；

当设计为“不愿意捐赠请打勾”时，打勾比例同样很低。

这揭示了心理学上的“默认选项偏差”——人们在难以抉择时往往会遵循预设选项。

这种现象跨越国界，它证明了人类行为存在可预测的规律性。这为数据驱动组织管理，提供了依据。

类似规律也体现在养老金储蓄政策中，只需将储蓄设为默认选项，一个小小的改变就会极大提高民众的储蓄率。

人背后的确有某种规律可循，我们就可以用数据挖掘出背后的规律。

四、工作经验和未来绩效无关

接下来再看一个数据如何支持管理决策的例子。

现在很多企业招聘人，更多还是看眼缘。但事实上，招聘有面试、笔试，过程中积累了大量的数据。

如果用X和Y来表示的话，招聘决策的逻辑是什么？招聘的过程是考试的过程，企业希望用考试成绩来预测员工未来的表现。

比如有40个人申请这个职位，录取了10个人，最后有4个人表现不合格，只留下了6个人。那么招聘的准确率就是60%。

为什么会这样？因为招聘的测试和未来绩效的相关度较低，即效度不够。

但我们变换一种方式，招聘的成功率就达到了90%。

我罗列出10种潜在的招聘方式供大家选择，结构化面试、工作知识测试、工作样本测试、智商测试、道德测试、评估中心测试、职业兴趣、个性测评－责任心、非结构化面试、工作经验。

因为时间成本，如果我们从中挑选出三个招聘方式会是什么？相信很多人会选择工作经验、结构化面试等等。

我给大家分享一个目前为止，对于招聘方法和招聘结果最全面的研究（涵盖了上千个不同的岗位，几十万人数据）表明：“工作经验”几乎没有办法预测未来的绩效。

我们知道，工作经验一定是有价值的。但问题在于单从简历上面列出来的工作经验是不一样的。

同样做一份工作，不同的人从中学到的知识和凝练的技能，也是完全不一样的。而结构化面试、工作知识测试的效度就会相对较高。

可见，如果企业积累足够多的测评数据，加上未来工作绩效的考评数据，就可以不断优化自身的招聘体系。

回到混合办公的话题：混合办公不会降低绩效，反而会降低员工的离职率。这是携程做的一个实地试验，发表在了《Nature》上。

这就是一个典型的数据驱动管理的决策。数据驱动的价值在于，提升决策的精准度。如果决策方向错了，效率再高，也是一种资源浪费。

数据驱动的价值在验证认知、拓展认知，甚至挑战认知。

五、如何衡量组织的创新度？

延伸到组织层面，我们如何衡量组织的创新度与健康度？

一个企业里有优秀的员工，不见得它是一个优秀的组织。

能不能用一个合适的工具来度量组织呢？我们提出了“组织网络分析法”，它把人与人的协作链接，具体画出来了。

我们发现：组织中大部分的合作是跨部门、跨层级，自发产生的，它并不是按照组织的设计而发生的。跨部门的协作，对于组织的效能和绩效，会产生极大的影响。

其中，一个核心的指标，叫“小世界网络和创新”，很多企业在谈论，为什么很多大厂没有做出Deepseek，哪怕他们有很多985、211大学生，反而是初创型公司做出来的？

研究表明：一个组织内部的网络结构，和能否产生大量创新型想法相关。其中一个指标是“小世界网络”。

同样一个组织构架，可能呈现出两种不同的形式，一是低小世界网络，二是高小世界网络。

以90年代的硅谷为样本，硅谷的创新奇迹就呈现“小世界网络”的特征。

它更像是一个公司网络，在硅谷各公司之间，呈现你中有我、我中有你的形态，这就得以让想法和技术自由流动。

比如，生成式AI从2017年Transformer构架被提出来以后，就进行了快速地扩散。

六、AI助力从人治走向数治

过去，用数据驱动组织管理，有两类缺陷一直没有被解决：

一是无法用X和Y来衡量创新度、人的价值等；

二是人才缺口，大多数中小企业缺乏相关人才。

但人工智能可以。

第一，它把传统非结构化的数据，变得结构化，让我们能够更精准地衡量出人的贡献。例如：

有研究表明，让人工智能给出股票购买建议，可以得4.5倍回报。

它通过让AI大量阅读新闻标题，从而判断是正面还是负面消息，前者买进，后者卖出。

过去量化分析是基于结构化的量化数据，但现在有了生成式AI，非结构化的信息也可以被纳入决策体系当中。举例说明：

一家物业公司通过分析晨会录音，来判断会议质量、员工贡献度以及预警等。

我们做过一个研究：让AI基于文本做一些判断。研究发现：

AI 的打分和人的打分，呈现出惊人的一致性。

我们让六个人对同一个文本打分和让AI打六次分，二者相关度已经达到0.7以上。

所以，如果用AI来分析员工想法的创新度，就能够解决组织中的创新评价问题。

生成式人工智能大大降低了分析的门槛，以前大部分HR缺乏数据分析的能力，但有了AI的赋能，就可以突破传统数据分析的困境。

数据分析的能力就被普惠化了。企业也可以搭建一个智能体来做更复杂的分析。

AI时代帮助我们从人治走向数治。

在AI的助力下， 组织可以更好地平衡创新、绩效以及员工福祉，通过不断完善挖掘数据背后的规律，从而实现组织的和谐发展。

*文章为作者独立观点，不代表笔记侠立场*