多邻国CEO认错：强推AI考核踩了哪些坑

凌晨两点，你的产品经理还在用ChatGPT重写需求文档——不是因为需要，而是因为OKR里写着"每月AI使用次数≥50次"。

这听起来荒诞，却是多邻国（Duolingo）去年真实发生过的场景。CEO路易斯·冯·安（Luis von Ahn）最近在一档播客里亲口承认：他们把AI考核写进绩效，结果逼出了大量"为了用而用"的表演式操作。

这家以"游戏化学习"闻名的公司，在AI浪潮里栽了个跟头。而冯·安的反思，恰好戳中了当下科技公司最焦虑的命题：当所有人都在喊"AI优先"，怎么避免把工具崇拜当成生产力？

一、从"AI优先"到"结果优先"：一场180度掉头

多邻国的AI转型始于2023年底。冯·安当时的态度相当激进：公司内部要变成"AI-first"，员工得把AI融入日常工作，甚至考虑将AI使用率纳入绩效考核。

逻辑看似自洽。既然AI要重塑工作方式，那公司必须确保员工跟上节奏。跟踪使用量，是最直接的管控手段。

但执行层面很快变形。冯·安在播客里描述了一个典型场景：员工为了完成指标，被迫在不适合AI介入的环节硬塞工具输出。「我们试图推行某些在特定情况下并不适配的东西」，他这样总结。

更隐蔽的问题在于指标与目标的错位。当"用了多少次AI"成为考核项，员工开始优化"被看见的使用"而非"有效的工作"。一份本可以手写更清晰的备忘录，被强行丢给模型生成后再人工润色——徒增环节，只为凑数。

今年早些时候，多邻国正式回调策略。冯·安明确表态：绩效评估的核心回归"把工作做到尽可能好"，AI只是可选手段之一。「如果AI帮不上忙，我不会强迫你用。」

这个转向的代价是管理层的面子。冯·安多次用"半尴尬的道歉"（half-embarrassed mea culpa）形容自己的公开反思——这在科技圈CEO中并不常见。

二、强制AI使用的三重悖论

多邻国的踩坑经历，暴露了"AI驱动转型"中几个被忽视的结构性矛盾。

悖论一：工具普及 vs. 任务适配

AI的能力边界极度不均衡。写代码辅助、生成营销文案、翻译多语言内容——这些场景的大语言模型（LLM，Large Language Model）表现稳定。但涉及深度创意判断、复杂人际协调、或高度定制化的问题时，强行套用AI反而降低效率。

多邻国的问题在于，他们用统一指标覆盖了差异极大的岗位。内容运营和数据分析对AI的依赖度天然不同，一刀切考核制造了虚假合规。

悖论二：过程可见 vs. 结果可信

管理层需要"AI正在发生"的证据。使用量、调用次数、生成字数——这些数字容易统计，也容易造假。

冯·安提到的"表演式使用"（performative usage）正是由此滋生。员工学会在系统中留下痕迹：多开几次对话窗口、故意让AI生成再手动修改、把简单任务复杂化以换取可量化的"AI协作"。

真正的效率提升往往无形。一个资深工程师用AI在脑内快速验证思路，没有留下任何交互记录，按旧指标反而显得"不够AI-first"。

悖论三：组织焦虑 vs. 个体节奏

科技公司的AI竞赛带有强烈的FOMO（Fear Of Missing Out，错失恐惧）色彩。竞争对手都在部署，我们必须更快——这种焦虑层层传导，最终变成对基层员工的硬性要求。

但AI技能的习得曲线因人而异。有人擅长提示词工程（prompt engineering），有人更依赖传统工作流。强制同步不仅制造压力，还可能排挤掉那些AI适配度低但业务能力强的人。

多邻国的回调，本质上是对"组织节奏"与"个体节奏"冲突的承认。

三、从考核工具到考核产出：其他公司在怎么做

多邻国不是唯一在AI转型中碰壁的公司，但它是少数公开承认并修正的。对比其他科技巨头的做法，能看出几种不同的管理哲学。

微软的选择是"软化推进"。CEO萨提亚·纳德拉（Satya Nadella）近期多次强调，AI必须"有用"（useful），否则用户会丧失耐心。微软内部更侧重展示AI带来的实际业务成果，而非统计使用频次。

这种策略的底层假设是：如果工具真的好，员工会自发采用；如果没人用，问题在工具不在人。

部分金融和咨询公司则走向另一个极端——完全禁止某些AI应用，而非强制使用。担忧集中在数据泄露和合规风险，宁愿牺牲效率也要守住红线。

更激进的实验来自少数初创公司。有的尝试用AI完全替代特定岗位，有的则要求全员通过AI能力认证。但这些案例规模较小，尚未经过大规模组织检验。

多邻国的特殊性在于，它本身就是AI产品的缔造者。它的核心业务（语言学习App）高度依赖算法推荐和生成式内容，按理说最应该"由内而外"地AI化。如果连这家公司都发现强制考核行不通，对其他行业的警示意义更强。

四、冯·安的反思里少了什么

尽管态度诚恳，冯·安的公开表态仍有盲区。

他没有提及回调策略的具体触发点——是员工满意度调查下滑？关键人才流失？还是业务指标未达预期？这些细节能帮助其他公司判断"何时该踩刹车"。

对于"AI-first"的原始愿景，他也未完全放弃。多邻国仍在探索AI的深度整合，只是换了一种推进方式。这种"修正而非否定"的姿态，可能被解读为策略性撤退，而非真正的认知更新。

更深层的未解问题是：当AI能力持续进化，今天的"不适配场景"明天可能变得可行。多邻国的回调是基于当前技术水平的务实调整，还是承认了某种更持久的原则——即人类判断在特定环节不可替代？

冯·安的措辞留有余地。「在很多情况下AI能帮上忙」，这个限定词暗示他并未关闭未来重新收紧政策的可能。

五、给科技从业者的三条判断

多邻国的案例提供了几个可操作的观察框架，适用于评估你所在公司的AI策略是否合理。

第一，警惕" Vanity Metrics"（虚荣指标）。如果管理层热衷展示"全员AI使用率提升300%"，却不讨论具体业务成果，这通常是信号扭曲的前兆。好的AI指标应该与产出质量挂钩，而非与工具交互频次挂钩。

第二，区分"AI能力"与"AI使用"。前者是技能，后者是行为。强制行为不培养技能，反而可能固化错误的使用习惯。更有效的做法是为不同岗位设计差异化的AI能力图谱，允许员工按自身节奏填补缺口。

第三，关注"沉默的抵制"。多邻国的转折点可能是某些关键员工的反馈，也可能是集体性的效率损耗。在指标报喜、但一线怨声载道时，需要有人像冯·安一样愿意承认"我们推错了"。

科技行业的AI竞赛远未结束。多邻国的掉头不是终点，而是一个提醒：工具革命的成败，最终取决于它是否服务于人的目标，而非反过来。

当你下次看到"全员AI转型"的宏大叙事时，可以问一个具体问题：这里的"AI"是指员工真正需要的辅助，还是管理层需要看见的动作？两者的差距，往往决定了一场转型是提升效率，还是制造内耗。