2016 年，富國銀行（Wells Fargo）陷入了一場風暴。媒體頭條揭露，該行員工在激進銷售 目標的重壓下，竟然冒名替客戶開立了數百萬個未授權的帳戶。這場醜聞的根本原因不單純 是道德敗壞，更是績效衡量機制出了大問題。當富國銀行的領導層祭出誘因，要求員工達 到「每位客戶購買八個金融產品」的指標時，他們無意間觸發了鑽系統漏洞的「博弈行為」 （gaming behaviors），最終重創了客戶、員工以及銀行自身。指標本身，變得比其背後的 業務初衷更加重要。
雖然「古德哈特定律」 （Goodhart’s law）——「當一項衡量 標準變成目標時，它就不再是一個好的衡量標 準」——在現實中不一定每次都會演變成滔天 醜聞，但各地的企業都經常淪為該定律的受害 者。儘管數十年來不斷有警告指出不可「盲目 迷信指標」（metric fixation）， 領導者 仍持續圍繞著單一 狹隘的指標來建立 獎勵機制，結果導致 了流於表面、違反道 德的博弈行為，反倒 損害了企業的實質 業績。傳統用來克服 古德哈特定律的解 決方案（如平衡計分 卡和 KPI），往往因 為缺乏周密的監督， 依舊容易流於狹隘 的局部最佳化與投 機行為。這種對指標 的盲目迷信之所以 揮之不去，正凸顯了 我們需要更具深度 與智慧的新方法來 解決此難題。
新視角：來自 AI 訓練的啟示
高階主管越來越傾向將組織視為一個針對 特定成果進行最佳化的「系統」，這與機 器學習研究人員最佳化演算法的方式如出 一徹。既然這兩種情境都涉及最佳化那些「可能與真實目標產生偏差的『代理指標』 （proxy measures）」，那麼 AI 研究領域 的解決方案，或許能為企業界長期存在的績 效衡量難題提供解方。當然，組織是由具備 自主意識與複雜動機的「人」所組成，這是 演算法所沒有的；因此，這些技術提供的是 需要人類彈性調整的觀念框架，而非機械式 的硬套公式。
AI 研究人員長期以來都在研究一種被稱為 「過擬合」（overfitting，或稱過度擬合） 的現象：機器學習模型在訓練數據上表現 完美，但在面對真實世界的場景時卻一敗塗 地，因為它無法「泛化」（generalize）去 預測新數據的結果。
試想一個簡單的假設性例子：一個旨在區 分貓狗的影像辨識模型，使用了數千張寵物 照片進行訓練。在訓練過程中，系統表現 得無懈可擊，能精準辨識數據中的每一隻動 物。然而，當它看到現實世界的新照片時， 卻出現了災難性的錯誤。為什麼？因為該模 型並沒有學會辨識貓狗的核心特徵，而是發 現了訓練數據中的偶然規律——例如，可能 所有的狗照片都以草地為背景，而貓照片都 是在室內拍攝的。於是，系統針對「衡量標 準（訓練準確度）」進行了過度最佳化，卻 背離了「核心目標（辨識真實特徵）」。
AI 研究人員很早就意識到，** 對代理指 標進行過於激進的最佳化，最終會削弱現實 世界的實際成果。** 在該領域做出先驅貢 獻的著名 AI 研究人員傑沙•索爾- 迪克斯坦 （Jascha Sohl-Dickstein）曾指出：「效率 improvement 有時會反直覺地導致更壞的 結果。」並強調這種現象「幾乎無所不在」， 無論是在機器學習還是組織管理情境中。