国内外大厂是怎么用 AI 追踪核心指标的？

这一两年，“AI + 绩效”“AI + OKR”成了人力资源圈的高频词。很多 HR 在思考：

AI 能不能帮我们打绩效分？
OKR 工具是不是上一个就行？
大厂到底在用 AI 做些什么，是 PPT 还是真的有用？

在上两周直播里，我们拆了四家公司的真实做法：字节、华为、IBM、Google。

这篇文章，就把前面直播的要点整理出来，顺便加一点延伸，帮你看清：

AI 现在到底在绩效和 OKR 场景里干些什么；
这些做法背后的“通用逻辑”是什么；
普通 HR 可以从哪里低成本试起来。

AI 做绩效，不是“机器打分”，而是“机器整理事实，人来做判断”

先把一个误区挑出来：

很多 HR 一听“绩效 + AI”，脑袋里浮现的是——机器直接给每个人打 A/B/C，HR 和经理只要点确认。

现实里，大厂反而极度谨慎。

他们真正让 AI 干的，是这几件相对“安全”的事：

把各种业务系统里的数据，自动拉出来、拼在一起；
帮你按照一定逻辑做聚合和可视化（看板、雷达图、趋势线）；
根据你提供的事实和标签，生成一些“评语草稿”和“发展建议选项”；
对项目结果、员工行为做一些“风险预警”和“模式发现”。

真正“打分”和“反馈”这两步，反而是各家公司极力保留给人的。因为所有人都知道：

如果把最终决定权交给一个黑箱模型，那不叫“AI 赋能绩效”，那叫“自找麻烦”。

四家公司的故事

字节：用 OKR + AI 建立“目标–过程–结果”的闭环

字节是典型的“节奏快、项目多、绩效密集”的组织。他们在 OKR 和绩效上的几个关键动作：

1. OKR 智能拆解：不再从 0 写目标

先有公司级、部门级的年度 / 季度目标；
工具会根据这些目标，给团队和个人“推荐”一些 OKR 写法和 KR 示例；
经理和员工再在这个基础上调整，而不是白纸起稿。

好处是什么？

目标更容易对齐，不会一个写战略、一个写 to-do list；
HR 不用一家家改文字，而是去看“这个 KR 的设计有没有问题”。

2. 实时数据看板 + 预警：不是年底才发现“不行”

跟进各项目进度、关键结果达成度、协作情况的数据；
在系统中形成可视化看板，延迟严重或风险较高的项目会被标红；
HRBP 和管理层可以周期性看板，提前干预，而不是复盘时再后悔。

3. 人才评估模型打通绩效与招聘

尤其在工程师岗位，字节有多维结构化评估模型（20+ 维度）；
通过长期绩效和项目数据，验证哪些特征真的与“长期高绩效”相关；
反过来优化招聘选拔标准——不再只看“学校/履历好不好看”。

一句话总结字节：

它把绩效和 OKR，从“一年两次的打分活动”，变成了“全年持续运行的目标和人才雷达系统”，AI 在里面做的是：拆解目标、整理过程、发现风险。

华为：项目战绩 + 流失风险雷达，让“关键人”不再被忽视

华为的组织特点是：项目制 + 全球化 + 关键人才密集。

在这种环境下，他们特别在意两件事：

哪些项目/战役打得好，背后是哪些人在扛？
哪些人如果走了，会对业务造成巨大影响？

华为在绩效和人才管理上，用 AI 做了两块：

1. 项目级绩效：用“项目战绩”看人，而不只是看主观评价

每个项目结束后，会有交付质量、进度、客户反馈等数据沉淀；
这些项目数据会和参与者绑定，形成“个人项目战绩档案”；
盘点干部和专业人才时，不再只问领导“你觉得谁好”，而是看：这个人在关键项目里承担过什么角色，表现如何。

2. 流失风险预测：用数据“提前一年看到洞”

把薪酬、绩效、调薪频次、培训参与度、加班情况、市场薪酬水平等数据喂给模型；
模型会给出“高价值人才流失风险”提示；
HRBP 与业务一起针对高风险高价值人选，做保留计划或岗位调整。

AI 在这里的角色很清晰：

它不是替你决定“谁该走谁该留”，而是帮你把“可能要出事的点”提前亮出来，让你不再每次都在修“已经塌了的墙”。

IBM：用 AI 把绩效变成“导航仪”，而不是“年终结算单”

IBM 属于“传统大厂里对 HR 数字化最激进的一批”之一。

他们在绩效上的两个核心动作：

1. 实时反馈系统 + AI 总结

员工和经理在项目过程中，可以随时给彼此正向/改进反馈；
年中/年末时，AI 会把这些碎片化反馈汇总成一些模式：

这让绩效对话不再是：

“我觉得你不错”“我觉得你还行”，而是：
“从这一年收到的 30 条反馈来看，你在 X 上长得很快，在 Y 上还得继续练。”

2. 绩效 → 学习 → 再绩效的闭环

AI 根据绩效短板，给出个性化学习建议：
下一个绩效周期再看：

AI 在这里扮演的是**“职业成长的导航仪”**，而不是“突击检查的考官”。

Google：用 OKR + 内部人才市场，把绩效变成机会的“货币”

Google 的故事，我们在“组织与内部流动”的场次也讲过一部分。

这里重点补一个视角：

在一个成熟的 OKR + 内部人才市场体系里，绩效记录不再只是“给 HR/老板看”，而是变成员工申请新机会时的一部分“货币”。

清晰的 OKR 让每个人的责任和贡献更易被看见；
项目绩效、技能标签、反馈等数据汇总到统一人才档案中；
内部项目/岗位开放时，系统可以根据这些数据做推荐：

从员工角度看：

“我这一年的对话记录和绩效，并不是只决定一个年终等级，而是在给自己积累‘可交易的信用’。”从 HR 角度看：
“绩效不再是圈 A/B/C，而是给内部人才市场提供准确的标签和证据。”

普通 HR 能做什么？三个小实验

很多朋友问：我们又不是字节、华为、IBM、Google，能做什么？

你可以把这四家做的事，抽象成三个“小实验”，在你的团队先试一试：

实验 1：让 AI 帮经理写绩效评语初稿

让经理先用要点列出员工这一周期的 3–5 个关键事实（项目、成果、问题）；
把这些要点丢给 AI，让它生成 2–3 个风格不同的评语版本（中性 / 鼓励 / 发展导向）；
经理只负责选和改，而不是从 0 开始写草稿；
HR 不再做“代笔”，腾出时间做校准和辅导。

实验 2：用 AI 做一次 OKR“体检”

把公司/部门级目标和某个团队现有的 OKR 文案丢给 AI；
请它帮你指出：
再由 HR 主持一个“OKR 优化会”，引导团队自己调整。

实验 3：用 AI 整理项目复盘，沉淀为绩效素材

关键项目结束后，把会议纪要、主要结论、关键数据丢给 AI；
让它帮你生成：
HR 把这些 “项目复盘摘要” 存成档案，下次绩效对话时，可以让leader和员工一起参考。

如果你只记住一句话，希望是这句：

真正成熟的“AI 绩效/OKR”，从来不是把权力交给机器，而是让机器把信息收集和整理好，把模式挖出来，然后让 HR 和管理者，带着更清晰的事实，去做更负责的判断。