你大概也见过这样的场景：考核表上的KPI全是绿灯，客户投诉却不降反升。考核指标年年达标，业务质量却年年下滑。数字漂亮了，事情却不对劲了。

富国银行原本希望通过向客户提供更多合适的金融产品，深化客户与银行的关系。管理层据此形成了一个看似合理的假设：客户使用的产品越多，双方的关系就越稳固。

但客户关系很难直接量化。于是，银行用"每位客户拥有的产品数"替它说话。

这样的数字叫代理指标：它不是目标本身，只是对目标的近似代表。随后，产品销售数量被纳入员工的销售目标，销售情况和奖金绑定。

结果呢？

据富国银行自己公开的信息，员工开设的存款账户和信用卡中，超过200万个可能未经客户授权。2016年，相关机构合计对富国银行开出1.85亿美元罚单。2020年，富国银行又支付30亿美元，了结与这套销售行为有关的多项刑事、民事及监管程序。

指标变好了吗？变好了。产品销售数量确实增加了。

客户关系变深了吗？没有。客户利益和信任反而受到严重损害。

指标改善了，它原本要代表的真实结果反而恶化了。而且，原因远不止有人作弊。

我们拆解一下整个事件的机制：

一个指标一旦成了大家必须完成的目标，人们就会想办法让它达标，却不一定继续把事情做好。

这就是古德哈特定律。

1975年，英国经济学家查尔斯·古德哈特在研究货币政策时发现：某些货币变量与宏观经济目标之间，原本存在相对稳定的统计关系。但当央行正式把这些变量设为政策控制目标后，金融机构和市场参与者会随之调整行为，这种稳定关系便可能减弱，甚至消失。

1997年，人类学家玛丽莲·斯特拉森在研究英国大学审计制度的论文中，写下了后来最广为流传的表述：

这句话成为古德哈特定律最常见的版本。

一个指标只用来观察时，可能很有价值。一旦它开始决定政策、奖惩或资源分配，人的行为和系统状态都会随之改变。此时，指标与真实目标原有的关系可能减弱，甚至失效。

古德哈特定律提醒我们：一个指标承受的优化压力越大，就越需要重新验证，这个数字是否仍然代表真实结果。

很多人以为，古德哈特定律说的只是"有人钻空子"。只要加强审计、提高处罚，指标就不会失效。

但事实上，哪怕没有人故意作弊，指标也可能在被不断优化的过程中失真。

2018年，研究者戴维·曼海姆和斯科特·加兰布兰特把古德哈特效应归纳为四类。这套分类的重要之处在于：前三类哪怕没有人故意钻空子也可能发生；第四类讨论的，才是人们如何策略性地适应考核规则。

当一个指标混有运气或测量误差时，排名最靠前的人，通常既有较强能力，也碰上了一次有利的偶然。

假设一家企业只凭一个季度的销售额提拔冠军。这个成绩不仅来自销售能力，也可能包含一次偶然的大客户成交、一次有利的市场波动，或者更好的客户分配。

公司只按最高分选人时，也把这些正向偶然一起选了进来。下一个季度，同样的好运未必再次出现，成绩便可能回落。

这里没有人操纵数据。问题在于，公司用一个带有噪声的极端成绩，推断了一个人的稳定能力，把一次好运或测量误差当成了可以重复的实力。

有些指标只在一定范围内能够代表真实目标。在合理范围内，指标增加一点，结果可能确实会更好；一旦被推到极端，原来的关系就可能失效，甚至反转。

学生适量练习时，练习量通常与学习效果正相关。但当做题量增加到机械刷题的程度，新增练习会越来越多地变成简单重复，还会挤压理解、反馈和休息。

题量继续上升，学习效果却可能停滞甚至下降。

同样没有人作弊。指标失效，是因为练习量与学习效果之间的关系，只在一定范围内成立。

复购率之所以能在一定程度上反映客户满意度，是因为满意的客户通常更愿意再次购买。

但满意度只是推动复购的原因之一。价格、补贴和促销，同样可以让客户回来购买。

如果公司发放大额优惠券，直接刺激客户复购，复购率仍然会上升，客户满意度却未必提高。客户可能只是因为价格便宜再次下单，跟体验好不好已经无关。

数字仍然变好了，只是推动它变化的原因已经变了。

依然没有人篡改数据。补贴增加了一条直接推高复购率的新路径，使复购率不再能够可靠地代表客户满意度。

被考核者知道规则，也有自己的利益和现实约束。当指标直接影响奖惩时，他们可能寻找规则没有覆盖的维度，或者选择最容易达标、却未必真正改善结果的做法。

富国银行的一些员工找到了增加账户数量的最快路径：在客户并不知情的情况下开设账户。

英国国家医疗服务体系推出急诊四小时标准后，整体等待时间一度明显缩短。但英国国家审计署发现，2012—2013年度，约24%的急诊住院决定集中在四小时门槛前的最后10分钟。

这一尖峰不足以单独证明医院存在不当收治，却说明四小时达标线已经明显改变了医院的处理节奏。

苏联计划经济时期流传着一个管理寓言"苏联钉子"：在苏联，有一家造钉子的工厂，如果按"生产钉子的重量"来考核，工厂就会造出超大超重的钉子，完全没人能用。而如果改为按"生产钉子的数量"考核，就会造出无数根细如针的废品，也没人能用。

这则故事的史料来源难以考证，更适合作为管理寓言。它想说明的是：指标一变，生产者的做法就会跟着变。如果只奖励数字，却不检查产品是否有用，数字就会压过真实目标。

只要规则公开、奖惩足够强，人们就会开始优化"怎样获得更好的评价"，把工作做好反而退居其次。

把四类放在一起看：

现实中的一个案例可能同时包含几种机制。分类的价值在于帮你找到指标究竟坏在了哪里，而不是给案例贴上唯一标签。

到了AI时代，同样的问题又换了一副新面孔。

Token是AI模型处理文本和数据时使用的基本计量单位。Token消耗得越多，通常意味着AI工具被调用得越多。但消耗量大，跟创造的价值大，是两回事。

据报道，亚马逊曾设定一个AI采用目标：让80%以上的开发者每周至少使用一次AI编程工具。

与此同时，公司内部还出现了一个名为KiroRank的非正式排行榜。这个排行榜由员工团队创建，按照Token使用量给用户排名，并非正式批准的绩效考核工具。

一些员工开始让AI处理没有必要的任务，只为提高Token用量和排名。这种做法被称为"Token最大化"。

排行榜后来停止使用。亚马逊高级副总裁戴夫·特雷德韦尔提醒员工："请不要只是为了使用AI而使用AI。"他同时要求员工把AI用于解决客户问题和业务问题。

这里其实有两个不同的数字：每周使用率衡量"有多少人开始使用"，Token排行榜比较"谁使用得更多"。一个形成了组织推动，一个叠加了公开竞争。两种压力都可能让"有没有真正解决问题"退居其次。

Meta内部也出现过员工自建的Token消耗排行榜。榜首用户在30天内使用了约2810亿个Token。

这个极端数字本身不能证明榜首用户在进行无效工作，但排行榜把"用了多少"变成了公开比较的身份标签，为攀比和过度使用创造了条件。

两个案例的压力来源不太一样：亚马逊的压力更多来自组织推动与内部排名，Meta的压力更多来自员工自建排行榜带来的攀比。

但一个数字哪怕没有正式写进绩效，也可能改变人的行为。只要它被公开排名、开始影响声誉，或者被用来区分"谁更先进"，人们就可能开始围着它优化。

Token用量能说明AI被使用了多少，却说明不了解决了多少问题、创造了多少价值。一旦这个数字被公开排名，人们就更容易优化使用量，而不是优化实际产出。

判断团队是不是已经开始"做指标"，可以检查五个信号。

指标上升，真实结果不动甚至变差。 活跃率提高了，留存率却没有上升。结案率提高了，重复投诉却没有下降。论文数量增加了，真正有影响力的研究却没有变多。报表持续改善，业务的真实结果却停滞不前，甚至变得更差。

数据集中在阈值附近。 大量考核结果刚好达到60分，处理时间恰好控制在四小时以内，销售业绩略高于目标线。数据反常地聚集在达标线附近，可能意味着团队正在围着门槛调整行为，需要进一步复核。

容易量化的工作被优先完成。 那些重要但见效慢、难以记录的工作被一再推迟。会议讨论也从"怎样改善用户体验"，变成了"这类用户到底算不算活跃"。

一个部门达标，另一个部门承担成本。 问题没有真正解决，只是被转移了。客服为了提高结案率，过早关闭或转交工单；结案数字变好了，售后需要二次处理的工作却增加了。

证明达标的时间，超过了解决问题的时间。 团队把大量精力花在解释口径、补录数据和准备证明材料上，真正解决客户问题的时间反而被挤压。

这些现象只是启动复核的信号，还不能直接当作作弊的证据。只要其中一条反复出现，就值得停下来问一句：

要用一个指标越决定奖惩，就越需要证明这个指标代表真实结果。

我们可以按照四步进行操作。

你真正想改善的到底是什么？

是客户关系，还是产品数量？是学习效果，还是做题量？身体健康，还是体重秤上的数字？

先写清真实目标，再选择用什么指标观察它。别让一个容易获得的数字反过来替你定义目标。

用主指标追踪最重要的进展，用护栏指标规定不能以什么代价换取这种进展。

客服可以用结案率追踪处理进度，但还要同时监控首次解决率和用户满意度，防止团队通过过早关闭工单提高结案率。

Token消耗量可以用来观察AI的使用规模和成本，却无法直接代表AI创造了多少价值。真正的效果还要看交付是否更快、质量是否更高，以及过去做不到的事情现在能否做到。

多指标治理的关键，是用少数相互制衡的指标，降低团队只优化一个数字、却损害真实结果的风险。简单地把5个KPI增加到20个，解决不了问题。

指标出现异常时，先通过抽样、用户反馈或现场检查确认真实情况，再决定是否触发奖惩。

评价知识工作者时，光数他完成了多少篇远远不够，还要抽查代表作，并要求评价者具体写清楚：这个人解决了什么问题，产生了什么核心贡献。

指标可以告诉你去哪里检查。但在复核确认之前，它没有资格直接替你给人定性。

要反复验证一个最基本的问题：指标变好时，那些没有参与考核的独立结果，是否仍然一起变好？

如果数字越来越漂亮，用户满意度、产品质量等真实结果却停滞不前，这个指标就需要降权、修改或退出。

业务环境会变，人们适应指标的方法也会变。从论文数量到引用次数，再到同时考虑论文数量和引用表现的h指数，每换一个指标，都可能缩小旧漏洞，也产生新的适应方式。

换一个指标只能解决上一轮的问题。指标治理是一项持续复核和调整的工作。

为什么组织明知数字并不完整，仍然不断增加指标？

美国科学史家西奥多·波特在《Trust in Numbers》中提供了一个解释：当组织规模庞大、不同地区的人需要使用统一标准，或者管理者担心决策被批评为偏心时，数字会格外有吸引力，因为它能让决定显得统一、公平，与个人偏好无关。

有些KPI被设计得越来越细，原因未必是管理更科学。也可能是组织希望用数字减少争议，并分担原本需要管理者承担的判断责任。

古德哈特定律能帮你识别指标为什么失效，以及如何降低风险。但它无法替你选出最优指标，也无法替你设计一套永不出错的KPI。

当然，并非所有指标一旦成为目标就会立即失效。

如果指标与真实目标足够接近，很难在不改善真实结果的情况下被单独推高，奖惩力度适中，而且反馈及时，它仍然可能长期有效。

真正的风险在于把代理指标当成真实目标，让一个只能提供部分证据的数字，直接决定奖惩和资源。

不存在一套永不失效的制度，只有能够及时发现偏差、持续调整的制度。

说完组织，还有一个更难察觉的版本：我们也可能对自己这样做。

为了保住连续阅读打卡，你快速翻完一本根本没有读懂的书。

每日步数差一点没凑够，你明明应该休息了，还在睡前来回走，却忽略了长期熬夜对健康的伤害。

为了完成每日字数，你写下大量最终不会使用的内容。

这些指标都是你自己设的。但因为数字清楚、容易比较，还能带来一种"今天没有虚度"的安心感，你可能在不知不觉中，把对进步的判断交给了一个最容易记录的数字。

当你追逐的数字已经偏离了真正想改善的事情，指标就开始反过来支配你。

到这一步，指标已经成了你的主人。