AIHR
绩效评估是HR最核心的权力场景之一。评语写得好，员工感受到公平与认可；写得不当，直接触发法律风险与组织信任危机。当AI开始代写绩效评语，这场权力交接的边界在哪里？
答案不在技术能力，而在问责机制。欧盟AI法案第14条明确要求高风险AI系统实现"可解释性"，而绩效评估正是法案明确列出的高风险应用场景。这意味着HR必须在算法选型、评语生成、人工复核三个环节建立完整的问责链条。
绩效评估：AI介入的深水区
与招聘筛选相比，绩效评估的AI介入更深。招聘场景中，AI通常作为辅助工具提供候选人排序建议，最终决定权仍在HR。绩效评估则不同，评语生成、等级评定、奖金分配建议都可能被AI系统独立完成。
这种深度介入带来的风险更隐蔽。员工看到的不是"AI建议"，而是直接输出的评语。如果评语存在偏差或错误，员工维权困难，因为算法决策过程不透明。
麦肯锡2026年组织报告指出，AI在HR领域的采纳率已达73%，但可解释性能力仅38%的企业达标。这意味着超过六成企业的AI绩效系统处于"黑箱"状态。
算法问责的三重防线
问责不是单一技术能力，而是贯穿系统选型、部署、运行全周期的管理机制。麦肯锡建议从三个维度建立防线。
第一道防线是选型评估。企业引入AI绩效系统前，必须通过算法影响评估（Algorithmic Impact Assessment）。评估内容包括：数据来源是否合规、训练数据是否存在历史偏见、输出结果是否可解释、人工干预机制是否完备。欧盟AI法案要求高风险系统提供技术文档，说明系统功能、局限性、预期用途。
第二道防线是运行监督。评语生成环节必须保留人类审阅权。AI可以起草初稿，但正式发布前需经HR或直属主管确认。确认过程应有记录，包括修改内容、确认人、确认时间。这种"人机协作"模式既利用AI效率，又保留人工把关。
第三道防线是申诉机制。员工对评语有异议时，应能触发独立复核流程。复核不应再由原系统执行，而应由人工团队重新评估。复核结果需记录并用于系统优化。
可解释性的三种实现路径
可解释性不是单一技术，而是分层的沟通能力。企业可根据场景选择不同路径。
路径一是特征重要性说明。系统输出评语时，同步显示影响评语的关键因素。例如："该员工绩效评级为A，主要依据：项目交付质量（权重30%）、团队协作评分（权重25%）、创新贡献（权重20%）"。这种说明帮助员工理解评级逻辑，减少"黑箱"质疑。
路径二是反事实解释。系统回答"如果某项指标提升，评级会如何变化"。例如："如果该员工Q3项目交付准时率提升至95%，绩效评级可能从B升至A-"。这种解释增强员工对评价标准的理解，也提供改进方向。
路径三是决策追溯。系统记录每次评语生成的输入数据、算法版本、输出结果。员工申诉时，可调取完整决策链供人工复核。欧盟AI法案要求高风险系统保留审计日志至少五年。
HR的实操清单
面对AI绩效系统，HR需要建立以下检查清单。
选型阶段：验证供应商是否提供算法影响评估报告、是否支持特征重要性说明、是否保留人工干预接口。拒绝"即用型"黑箱系统。
部署阶段：建立评语生成的人工确认流程、设置申诉触发阈值（如评级低于B时自动触发复核）、明确数据保留期限。
运行阶段：每季度抽查10%评语生成记录、每年重新评估算法偏见风险、根据申诉数据优化系统参数。
培训阶段：HR团队需掌握基础算法知识，理解系统局限与风险、直属主管需学会与AI系统协作，既不盲信也不完全排斥、员工需了解评语生成逻辑与申诉渠道。
结语
AI代写绩效评语不是技术问题，是组织权力分配问题。HR的核心任务不是阻止AI介入，而是设计问责链条，确保算法决策可解释、可追溯、可申诉。这是欧盟AI法案的要求，也是组织信任的基础。
关注公众号，获取 AI 时代 HR 变革一手分析