最近做了几个AI项目和数字化项目，在不断讨论OGSM、KPI、考核指标的过程中，我逐渐形成了一个观点：

指标不仅是衡量结果的工具，更是在定义团队未来的工作方向。

过去，我一直认为指标是在项目结束后用于评价工作的。

但最近越来越发现，真正优秀的团队，并不是项目结束后再看指标，而是在项目开始时，就通过定义指标来统一目标、指导行动。

一个真实的感悟

很多创新项目都有一个共同的问题：

刚开始方向很明确，大家热情很高。但做到一半之后，却开始出现各种声音：

• 接下来应该做什么？

• 哪个功能优先？

• 什么算项目成功？

尤其是AI项目，这种情况更加明显。

因为AI不是传统的软件开发，很难一开始就把所有需求定义完整。

后来我发现，很多时候并不是团队不会做，而是没有想清楚最终到底要衡量什么。

四个案例，让我重新认识了指标

1. AI编程：不同指标，代表不同方向

在讨论AI编程提效指标时，我们发现：

如果指标定义为开发效率提升，团队关注的是交付速度。

如果定义为AI参与率，团队关注的是AI承担工作的比例。

如果定义为AI完成率，团队追求的甚至是AI独立完成开发任务。

看起来只是指标不同，本质上却是在回答不同的问题：

我们只是希望开发更快，还是希望开发模式发生变化？

指标不同，团队努力的方向完全不同。

2. BI项目：不能统计的指标，没有管理价值

BI项目最开始准备考核”数据准确率”。

后来讨论发现：

这个指标听起来很好，但几乎无法持续统计。

什么叫100%准确？

抽样还是全量？

标准答案是谁定义？

最终，我们改成了数据故障数、重大数据问题数等指标。

不仅更容易落地，也更符合团队真正需要持续改善的方向——减少质量问题，而不是讨论准确率到底是多少。

一个不能持续统计的指标，很难真正发挥管理价值。

3. IT工单：指标会改变人的行为

讨论IT工单系统时，有人建议考核”首次响应时间”。

但进一步分析发现：

如果重点考核响应时间，很多人可能会先回复一句：已收到，处理中。

响应时间很好看，但问题并没有更快解决。

如果改成”问题解决时长”、“按期解决率”等指标，团队关注点就会完全不同。

这让我意识到：

人不会按照制度工作，而是会按照指标工作。

你考核什么，团队自然就会优化什么。

4. AI剪辑：指标能够统一团队认知

AI剪辑项目中，我们讨论了两个指标：

• AI覆盖率
• AI完成率

这两个指标虽然只差几个字，却代表两种不同目标。

覆盖率强调的是：AI参与了多少流程。

完成率强调的是：AI真正完成了多少工作。

指标确定之后，业务、产品、研发很快统一了目标，也知道后续资源应该投入在哪里。

我得到的一个结论

以前，我认为：先把事情想清楚，再制定指标。

现在，我更倾向于另一种思路：方向不清晰时，先定义指标。

因为定义指标，本质上就是回答几个关键问题：

• 我们真正想解决什么问题？
• 什么结果才算成功？
• 团队应该重点投入什么？
• 哪些行为值得鼓励？
• 哪些行为只是”为了完成指标”？

这些问题回答清楚以后，项目方向往往也就清晰了。

一个好的指标，应满足三个原则

经过这几个项目，我总结了三个原则。

第一，能够引导正确的行为

指标不是为了统计，而是为了影响团队行为。

如果指标设计错了，团队很可能努力了很久，却朝着错误的方向前进。

第二，能够持续统计

无法持续采集的数据，不适合作为长期管理指标。

管理一定建立在数据可获取、可验证、可持续的基础上。

第三，能够统一成功标准

业务、产品、研发经常因为理解不同而产生分歧。

而一个明确的指标，可以帮助大家快速达成一致：什么叫成功。

最后的思考

最近越来越觉得：

很多项目失败，并不是技术做不到，而是一开始就没有定义清楚成功标准。

而成功标准，最终都会落到指标上。

所以，现在每当一个项目方向不清晰时，我都会先问团队一个问题：

如果半年后这个项目做成功了，我们准备用什么指标证明它成功？

很多时候，这个问题比讨论技术方案更重要。

---

最后分享一句最近最大的收获：

不要急着讨论怎么做，先讨论什么叫成功。成功标准清楚了，指标就清楚了；指标清楚了，方向往往也就清楚了。