AI写的OKR比人写得好100倍，可执行率反而下降了
今年年初，老周公司做了一件他觉得"很酷"的事——用AI写OKR。
逻辑很简单：团队的目标不统一、表述不清晰、KR定得要么太虚要么太紧。那不如让AI来写——输入公司战略、团队职责、历史数据，AI能输出一套结构完美、指标明确的OKR。具体到什么程度？连"市场占有率提升至15%"都拆成了"A渠道覆盖率++B渠道转化率++C渠道复购率"。标准得像教科书。
老周说，他第一次看到AI生成的OKR时，内心是服气的。"比我写了十年的OKR都好。"
一季度过去了。回顾时老周发现了一个让他坐不住的数据：AI生成的OKR执行率只有47%——比去年同期团队手动写的还低了13个百分点。
怎么回事？
"AI写的目标特别漂亮，但没人觉得那是自己的目标。"——这是老周的结论。
AI写的OKR哪里不对
我仔细对比了AI写的OKR和团队以前手写的OKR，发现了三个差别。
第一，AI写的KR太"精确"了。精确到"6月底前完成3场客户活动，每场到场人数≥50人"。这个KR没有什么不对，但它让团队失去了"做调整"的空间——如果有人想做4场小规模的、或者2场大规模的，他发现自己需要"脱离目标"才能做。而在以前的OKR里，"提升客户活跃度"这个表述虽然模糊，但大家反而在不断探索中找到了各自的方法。
第二，AI写的OKR没有"故事"。团队手写OKR的时候，写KR的过程本身就是一个"对齐"的过程。A说："我觉得我们应该做这个"，B说："为什么？"——然后两个人用一个小时争论、辨析、最后达成一致。这个过程产生的不是KR本身，而是"共识"。而AI生成的OKR跳过了这个过程——它直接给你结果，没有给你"为什么"。对于管理层来说这个东西很完美、很一目了然，但对于执行层，"这跟我有什么关系？"
第三，AI写的OKR没有"承诺感"。我见过一个团队的手写OKR，在一个KR后面写了一句话："这个目标是我自己定的，我一定会完成。"——这是一句有能量的话。但AI生成的OKR后面，没有人可以在旁边签上自己的名字。因为没有参与，所以没有承诺。
承诺是怎么产生的
心理学上有一个"宜家效应"——自己动手组装的家具，即使安装歪了，评价也比现成的成品高。同样，自己参与制定的目标，即使不是最优的，投入度也比收到的最优目标高。
这不是"人不够理性"，这是"理性和承诺在人的认知中是两条不同的路径"。
AI可以提供一条"最理性"的目标路径。但理性本身不产生动力。
我跟踪过一家做AI+OKR工具的创业公司，他们的产品第一版也同样踩了这个坑——用户给了历史数据，AI输出完美OKR，但执行率惨不忍睹。后来他们做了个改动：AI不再输出完整的OKR。而是输出"建议"——给用户一个框架，让用户自己填具体内容。用户可以在AI建议的基础上修改、反驳、甚至推翻。一句话总结就是：AI从"写作业的"变成了"给草稿的"。
这个改动出来之后，执行率从41%提升到了68%。
有意思的是，AI提供的"草稿"和AI之前输出的"完美答案"，在内容上基本一致。唯一的区别是：用户觉得自己有"选择权"了。
三个可以试试的方案
第一，AI出草稿，团队做选择题。AI生成3-5个可选的目标方案，团队投票或讨论后选择一个作为基础，再进一步修改。关键不是选对了没有，而是"我们共同选了一个"这个过程本身。
第二，个人KR由个人写，AI只负责"对齐校验"。每个人自己写自己的KR，AI负责检查：这个KR是否与上级目标对齐？是否有明确可衡量的标准？是否与同事有冲突？AI的角色不是"代写"，而是"审稿"。前者省去了思考过程，后者保留了思考过程。
第三，季度中期，用AI做"目标偏差分析"。在OKR执行过程中，AI帮助团队分析：当前进展与目标的偏差在哪里？原因是什么？需要的资源是什么？——这时候AI的输出是有价值的，因为承诺已经建立，AI不是来定目标的，而是来帮人实现目标的。
说白了，AI在OKR这个场景中最适合的角色不是"目标制定者"，而是"目标追踪者和提醒者"。定目标这件事，必须交还给"人"。
最后说一句
老周后来做了一件事：第二季度的OKR，团队每个人的目标都用手写。"但写完之后，我们让AI检查一遍——看看有没有漏洞、有没有冲突。"
执行率回到了64%。不算高，但比AI直接写高了17个百分点。
老周说了一句话我挺认可的："最好的OKR不是最'正确'的OKR，而是大家愿意去执行的OKR。AI可以帮我们省很多事，但它永远帮不了我们'承诺'。"
目标的价值，不来自于文字有多精准。来自于写下它的人，有多想把它完成。
老邓 × 艾游