“员工满意度”这一经营课题与AI这一解法
员工人数超过50人的企业中，约九成将“提升员工满意度”视为重要的经营课题。这一调查结果反映出许多经营者正为人材的稳定与活力而烦恼的现实。另一方面，广告巨头电通为这一课题提出了新的“解法”。其与电通综合研究所合作，启动了以Microsoft 365使用数据为基础的“HR×AI组织变革项目”。
邮件收发数量、会议时长、聊天频率、文件共享网络……AI分析日常业务中产生的数字数据，将组织的沟通实态和潜在课题“可视化”。乍看之下，似乎没有比这更合理、更客观的人事管理了。基于数据的判断，比起依赖经营者直觉或部分声音的传统型人事评估，看起来更像是可以“回旋”的判断。
然而，这里潜藏着一个巨大的陷阱。数据能告诉我们“发生了什么”，却无法告诉我们“为什么会发生”。而一旦迷失了这个“为什么”，经营判断便会披上“有数据支撑的正确性”的外衣，开始失去可逆性。
当数据导致“判断外包”时
电通的项目宣称，通过将HR（人事）与AI相结合，可视化组织的“不可见实态”。诚然，在发现部门间沟通断裂、业务过度集中于特定人物等“结构性问题”方面，它可以成为一个强大的工具。
问题在于“下一步”。对于数据所显示的“趋势”或“课题”，应采取何种行动？许多组织在此常犯的错误是，将数据分析结果直接当作“答案”接受，并直接关联到人事调动或制度变更等“难以回头的决策”。
例如，假设AI分析出“A部门与B部门间的沟通极少”。从可逆经营的角度看，这仅仅是一个“假设”。为了保持可逆性，首先必须迈出看似低效的一步：不是通过数据，而是去“询问人”——“为什么沟通少”？是因为业务没有重叠、单纯不需要，还是个人间的隔阂形成了壁垒？原因不同，应采取的行动也完全不同。
如果无法将数据从“判断依据”升华为“问题的起点”，那么AI分析就只会沦为将经营者自身的观察与思考“外包”出去的装置。外包出去的判断，即使其结果不尽如人意，也会因为存在数据这一“客观证据”而难以修正，并在组织中固化下来。
衡量“满意度”的标尺，扭曲了实态
另一个危险在于，可测量的数据会狭隘地定义“员工满意度”。Microsoft 365能够测量的，终究只是“数字活动留下的痕迹”。催生创造性灵感的散步交谈、体谅同事家庭状况的相互信任、共同克服困难项目后的成就感分享。这些构成组织健康与活力根基的“无法用数据测量的模拟要素”，会沉没在数据的海洋中，消失不见。
而当管理层的目光只追逐“能用数据测量的满意度指标”时，一线员工便会开始为提高这些指标而进行“游戏”。例如，虚增聊天数量、安排无意义的会议。数据扭曲了人们的行为，产生了悖论：离本应改善的实际情况越来越远。这是一旦开始便难以逃脱的“不可逆恶性循环”的开端。
保持可逆性的“HR×AI”使用方式
那么，如何才能将这类AI工具用作提高可逆性的探针，而非固化决策的凶器呢？关键在于，在引入工具前，就严格设计好“评估周期”和“观测要点”。
第一原则：将数据定义为“假设生成器”
在引入项目时，管理层与人事部门需达成明确共识：“此AI输出的分析结果，是‘待调查的假设’，而非‘事实’。”数据所显示的异常值或趋势，必须是促使人类直接探寻其成因的“契机”。这一原则一旦瓦解，对数据的依赖便开始了。
第二原则：重视“问题清单”甚于“仪表盘”
工具往往倾向于展示美观的仪表盘和数值目标的达成度。然而，可逆经营所应追求的输出，并非“本月员工敬业度得分75分”这类单一数值，而应是具体的“问题清单”，例如：“X部门深夜时段邮件发送量环比增加50%。这意味着什么？”“项目Y相关成员间文件共享极少。信息共享的障碍是什么？”
管理者应基于这份清单与团队对话。对话本身能揭示数据无法看到的实态，并为设计下一步“实验性”行动提供素材。
第三原则：将行动作为“限时实验”来执行
假设通过数据与对话，发现“沟通不足”是课题。此时切不可立即推行大规模组织重组或永久性的新制度。首先应设计一个规模小、期限明确、结束时能验证效果的“实验”，例如：“为期三个月，每周五设立30分钟信息交流会”。
此实验的成败，应再次从数据（如会议后聊天增长率等）和参与者的真实反馈两方面进行评估。若无效，则果断终止，尝试其他假设即可。这种“试错循环”本身就能提升组织的学习能力，避免僵化人事制度所产生的“不可逆决策”。
为了不将问题归咎于“人”的数据活用
像电通项目这类AI分析工具的最大价值在于，它能在将问题归因于“人的能力或性格”之前，促使人们关注“业务的结构或设计”。例如，当数据显示业务过度集中于特定人物时，它应成为契机，让我们不去轻易认为“那个人能力不足”，而是去质疑根本的业务流程：“为什么业务设计没有做到分散承担？”
这可以成为实践本媒体所倡导的基本原理——“关注业务，而非个人”的有力辅助线。因为数据能提示我们排除情感和臆测的“业务结构缺陷”。
然而，一旦误将这条辅助线当作“答案”，工具便会剥夺人类的判断力，催生新的僵化。经营者该做的，并非将判断委托给AI，而是以AI提供的“新视角”为素材，进行更深入、更人性化的思考，提升“决策质量”——即反复进行可逆性强的小规模实验。
结论：AI与人类的“对话”，创造可逆人事
员工满意度的提升，不是靠数据管理的“指标”，而是在日常对话与试错中培育的“结果”。应将电通“HR×AI”项目这类先进工具，定位为提高对话质量的“带来惊喜的伙伴”。
在工具引入的评估周期内，请观察其输出是导向“固化的答案”，还是催生“活跃的问题”。当数据令人类停止思考时，那便是走向“不可逆人事”的第一步。
真正可逆的经营，并非利用技术力量让决策变得轻松，而是活用技术，创造“决策的余裕”——以便提出更多假设、更安全地进行实验、更快地学习。
评论