4.17 有效性指标：机器是否在学习（M7）

产品主张#

预测校准度、执行率、回报时延、指令→要素变化转化率、由新信息驱动的变更占比、输入负担、目标距离、系统动力图校正数、信息口健康。

支撑理论#

• 校准与评分规则未分级（Brier, 1950）：预测要用恰当评分规则评估。
• 坎贝尔定律与古德哈特定律未分级（Campbell, 1979）：一个量化指标越被用于决策，越容易被扭曲。Kerr（1975）的「奖励 A 却期望 B」是同一问题在组织激励里的表现。
• 反馈干预理论A（Kluger & DeNisi, 1996）：指标若被用来评判人，会伤害表现。

理论给产品的提醒#

这些指标是系统的体检表，不能成为人的考核表，也不应成为 AI 的优化目标（否则 AI 会倾向发「容易完成、容易命中」的指令来抬高校准度与执行率）。建议在周复盘里同时报告「信息价值」类指标，例如「本周有多少条结论改变了决定」（见 10.8）。