大多数团队在评估人效时犯同一个错误：用单一标准衡量所有人。结果是数字看起来整齐，但测的不是真正重要的东西。
问题出在哪里
人效、能力、角色是三个不同层次的概念，但常被混为一谈：
- 用执行量衡量决策者 — 决策者为了”看起来忙”而忙，真正需要判断的地方反而没时间想
- 用同一标准衡量不同能力水平的人 — 高能力的人被低估，低能力的人被压垮
- 人效目标脱离角色定义 — 数字达标，但产出的东西没有价值
根本原因是：这三个维度之间有层级关系，必须按顺序推导，不能倒过来。
三个维度的层级关系
角色定义”应该产出什么”。不同角色的输出类型根本不同：
| 角色类型 | 核心输出 |
|---|---|
| 执行者 | 完成任务的数量与质量 |
| 协作者 | 对团队产出的推进和解除阻塞 |
| 决策者 | 判断的质量和方向的正确性 |
| 管理者 | 团队整体效能的变化趋势 |
能力定义”能做到什么程度”。同一个角色，初级和高级的天花板不同，期望效率自然不同。能力不只是技能熟练度，还包括：
- 对问题的判断速度（遇到新情况需要多少时间定位）
- 对边界的感知（知道什么时候该快、什么时候该慢）
- 对 AI 的放大能力（能否用 AI 扩展自己的实际输出）
人效是结果，不是输入。它是角色和能力共同决定的函数，不能脱离前两者单独设定目标。
推导框架
按以下顺序推导，而不是直接设定人效数字：
第一步：定义角色的核心输出
这个角色存在的价值是什么？产出是质量型（判断对不对）、数量型（做了多少）还是杠杆型（放大了多少其他人的效能）？
第二步：根据能力水平设定基准和天花板
- 基准：这个能力水平下，稳定能达到的最低预期
- 天花板：这个能力水平下，发挥充分时能达到的上限
两者之间的区间才是合理的效率目标范围。
第三步：在区间内设定当前目标
考虑上下文因素：当前项目复杂度、团队状态、工具成熟度。目标应该在基准之上、天花板之内，而不是拍脑袋定一个数字。
AI 改变了什么
引入 AI 之后，能力的定义需要调整。
传统意义上，能力主要指个人技能的熟练程度。AI 时代，”会不会用 AI 放大自己”本身成了能力的一部分。一个基础能力普通但善用 AI 的人，实际输出可能超过能力强但不用 AI 的人。
这带来两个变化：
能力评估需要包含 AI 使用的有效性 — 不只是”会不会用”，而是”用了之后实际输出有没有提升”。频繁使用 AI 但返工率高，说明 AI 使用没有真正转化为能力放大。
角色边界需要重新定义 — AI 承担了大量执行工作，人的核心价值逐渐集中在判断、定义问题、审查输出。这意味着决策类和判断类的输出权重在上升，执行类的输出权重在下降。用执行量衡量一个应该做判断的人，在 AI 时代会造成更严重的误判。
一个值得想的问题
速度和思考的平衡，取决于决策的可逆性：可逆的快，不可逆的慢。高能力的人本来应该把 AI 节省出来的时间用于更深的判断，而不是用来生产更多输出。
如果评估体系只看产出数量，最终会把所有人都推向同一个错误方向：跑得更快，但不一定跑得更对。
AI 场景下的评估体系设计
传统评估的核心问题是衡量产出量。AI 把执行成本压低之后，产出量变得廉价——人人都能快速生成大量输出。这时候继续用量来评估，等于在测一个已经不稀缺的东西。
评估重心必须做两个转移。
能力评估：从技能熟练度到判断质量
AI 场景下，真正拉开差距的能力是那些决定 AI 能不能被用好的能力：
- 问题拆解 — 能不能把复杂问题分解成 AI 可以执行的单元，边界清晰，互不依赖
- 约束设定 — 能不能给 AI 足够明确的条件，让输出第一次就在正确方向上
- 输出校准 — 能不能判断 AI 的输出什么时候足够好、什么时候需要推翻重来
- 错误识别 — 能不能在 AI 的错误传播之前发现并截住
这些能力看不见、不好量化，但决定了 AI 是放大器还是噪音来源。它们无法通过使用频率衡量，只能通过结果反推：返工率低、方向稳定、少走弯路，是它们存在的信号。
角色设计：从”做什么”到”决定什么”
AI 承担执行之后，角色的设计逻辑要变：不再只定义”这个角色负责哪些任务”，而是要定义”这个角色必须亲自做哪些判断”。
| 角色类型 | 传统核心职责 | AI 场景下的核心职责 |
|---|---|---|
| 执行者 | 完成任务 | 方向确认、输出审查、异常上报 |
| 协作者 | 推进和对齐 | 定义清楚问题边界，让 AI 和团队都能执行 |
| 决策者 | 做决定 | 判断 AI 给出的选项，设定不可逾越的约束 |
| 管理者 | 管理人 | 管理判断容量——团队能做多少高质量决策 |
新的瓶颈不再是执行容量，而是判断容量。一个团队一天能做多少高质量的判断，决定了他们能驾驭多大规模的 AI 输出。盲目扩大 AI 使用量，但判断容量没有跟上，只会产生更多需要返工的噪音。
衡量 AI 杠杆的有效性
AI 使用频率是中性指标，不应作为评估依据。真正需要衡量的是：用了 AI 之后，判断质量有没有提升，方向有没有跑偏。
| 衡量维度 | 正向信号 | 负向信号 |
|---|---|---|
| AI 使用效果 | 返工率下降，方向稳定 | 频繁使用但返工率高 |
| 判断质量 | 决策少被推翻，少走回头路 | 方向反复调整，输出大量废弃 |
| 问题定义能力 | AI 输出第一次就可用 | 需要多轮修正才能用 |
| 错误拦截 | 问题在 AI 输出阶段被发现 | 问题流入下游才被发现 |
重新设定效率目标
在 AI 场景下，用前面的三步推导框架时，第一步”定义角色的核心输出”需要重新审视：
原来的执行类产出，大部分可以由 AI 承担。人的核心产出向判断类和杠杆类集中。如果角色定义没有随之更新，效率目标就还是在衡量错误的东西。
一个简单的检验方法：把这个角色的主要工作列出来，逐项问”这件事 AI 能不能做？”能做的部分，不应再作为人效的主要衡量项；不能做的部分，才是这个角色真正的价值所在，也是效率目标应该聚焦的地方。