系統思維與複雜性

系統思維（Systems Thinking）是一種看穿事物運作本質的認知方式：不把問題當作獨立事件處理，而是看見問題背後的結構、迴路和連鎖反應。一般思考問「這裡出了什麼問題」，系統思維問「這個系統的什麼結構，導致這個問題反覆出現」。CEO 真正需要的不是解決更多問題，而是找到系統裡那個改變一處就改變全局的節點，也就是槓桿點。

Costco 2023 年的營收超過 2,400 億美元，但它的商品毛利率只有 10-11%。幾乎任何一本零售教科書都會告訴你：這個毛利率是活不下去的。

但 Costco 不只活下去了，它是過去二十年零售業的最大贏家之一。

秘密在哪？它改了系統裡的一個節點：不靠商品賺錢，靠會員費賺錢。

這個改變看起來很小。但它觸發了一連串的系統效應：

• 因為不靠商品加價賺錢 → 所以可以壓到最低價格
• 因為價格最低 → 所以銷售量最大
• 因為銷售量最大 → 所以對供應商議價力最強
• 因為議價力最強 → 所以成本更低，價格可以更低
• 因為這個循環 → 所以會員續費率高達 93%

改變一處，改變全局。這就是系統裡的槓桿點。

「槓桿點洞察」（Leverage Point Insight）是一套四步法，幫你在任何系統中找到那個投入最小力量、產生最大改變的關鍵節點。你不需要改善十件事，你只需要找到那一件。

一、為什麼 CEO 的精力大多浪費在「低槓桿」動作上

在「系統表象」那篇文章裡，我們建立了一個核心認知：你處理的大多數「問題」只是系統的表面症狀。

但辨識出系統表象只是第一步。下一步是找到施力點，在系統的哪個位置做出改變，能讓整個系統的行為發生根本性轉向？

大多數 CEO 的改善努力失敗，不是因為方向錯，而是因為施力點錯。

想像你在推一扇門。如果你推在靠近門軸的位置，需要很大的力氣。如果你推在門把的位置，輕輕一推就開了。力量一樣，效果天差地別。差異只在施力點。

系統也是一樣。一個年營收 5 億的公司，可能有上百個「可以改善」的地方。但其中只有 2-3 個是真正的槓桿點，改變它們，整個系統的產出會不成比例地放大。其他的改善，充其量是「推在門軸旁邊」。

二、槓桿點洞察四步法

第一步：找到迴路

每個系統都由迴路驅動。迴路有兩種：

增強迴路（Reinforcing Loop）：越來越多，或越來越少。滾雪球效應。

例：品牌口碑 → 更多客戶 → 更多好評 → 更強品牌口碑。這是正向增強迴路。
例：人才流失 → 工作量增加 → 更多人想走 → 更多人才流失。這是負向增強迴路。

平衡迴路（Balancing Loop）：維持現狀的力量。恆溫器效應。

例：銷售增長 → 品質下降 → 客訴增加 → 管理層收緊標準 → 銷售速度放慢。系統在「品質」和「速度」之間維持動態平衡。

操作方法：拿一張白紙，畫出你關注的問題涉及的所有關鍵變數。然後用箭頭連起來，A 增加時 B 會增加（同向）還是減少（反向）？如果一條路徑回到起點，那就是一個迴路。

飛輪本質上就是一個被刻意設計的增強迴路，讓每一個正向行為都強化下一個正向行為。品味驅動飛輪之所以有效，是因為它把「品味決策 → 好產品 → 口碑 → 更多好客戶 → 更精準的回饋 → 更好的品味決策」串成了一個完整的增強迴路。

找到迴路的意義：你要改變的不是迴路裡的單一變數，而是迴路的方向和速度。

第二步：找到延遲

延遲是系統裡最被低估的力量。

延遲是什麼？你做了一個改變，但系統的反應不是立即出現，而是在幾週、幾個月甚至幾年後才顯現。

經典例子：你投資了員工培訓，但生產力的提升要 6-12 個月後才看得到。如果你在第三個月因為「看不到效果」而取消培訓，你不是在「止損」，你是在「剛到收穫季就拔掉莊稼」。

延遲是 CEO 做出錯誤決策的第一大原因。因為：

• 你把「還沒顯現的效果」判斷成「沒有效果」
• 你在因果之間插入了新的變數，把功勞或過錯歸因於錯誤的原因
• 你因為等不及而過度矯正，導致系統劇烈震盪

操作方法：在你的迴路圖上，標記每一段因果關係的時間延遲。「A 改變後，B 多久會反應？」如果延遲超過一個季度，在那個箭頭上畫一個紅色標記。

延遲的槓桿機會：如果你能縮短一個關鍵延遲，整個系統的反應速度就會加快。例如：用 AI 把客戶反饋從「月度報告」變成「即時儀表板」，你的產品迭代週期可能從三個月壓縮到三週。延遲縮短了 4 倍，系統的學習速度提升了 4 倍。

第三步：找到瓶頸

瓶頸是系統中產能最低的那個環節。無論你怎麼加強其他環節，整個系統的產出都不會超過瓶頸的上限。

這是 Eliyahu Goldratt 在《目標》（The Goal）裡的核心概念：任何不在瓶頸上的改善，都是幻覺。

如果你的瓶頸是產品開發速度，那你擴大銷售團隊只會製造更多無法兌現的承諾。如果你的瓶頸是 CEO 的決策頻寬，那公司所有的增長計畫都會卡在你一個人身上。

操作方法：回顧你的價值鏈，問一個問題：「如果我們公司明天的業務量突然翻倍，最先爆掉的環節是哪一個？」那個環節就是你的瓶頸。

瓶頸不一定是最「弱」的環節。它可能是最「忙」的環節，因為所有的任務都必須經過它，它成了系統的單點故障。

這跟「翻譯層理論」直接關聯：很多公司的瓶頸是「翻譯層」：那些負責在不同部門、不同語言、不同邏輯之間做轉換的中間環節。如果你能用 AI 取代或加速翻譯層，你就打通了系統最大的瓶頸。

第四步：找到期待落差

這是四步中最高層級的槓桿：如果你能改變系統的目標，你就改變了一切。

期待落差是什麼？系統的設計目標和公司的實際需求不一致。

最常見的期待落差：

• 客服系統的目標是「減少回覆時間」，但公司需要的是「提高客戶終身價值」
• 研發系統的目標是「按時交付功能」，但公司需要的是「解決客戶最痛的問題」
• 銷售系統的目標是「成交新客戶」，但公司需要的是「提高客戶留存和擴展」

當系統存在期待落差，系統越有效率，離你要的結果越遠。

就像一台 GPS 導航系統，如果你輸入的目的地是錯的，它導航得越精確，你離真正的目的地越遠。

操作方法：對你公司的每一個關鍵系統（銷售、研發、客服、營運），問：「這個系統被設計來達成什麼目標？這個目標是公司真正需要的嗎？」

如果目標錯了，改善效率沒有意義。先改目標。

三、四步法的優先順序

四步不是平等的。從高到低的槓桿效應：

大多數 CEO 花時間在底部（改迴路），極少數 CEO 花時間在頂部（改目標）。

但最高槓桿的改變永遠在系統的目標層。

四、真實案例：診斷一家 SaaS 公司的槓桿點

情境：一家 SaaS 公司年營收 3,000 萬，增長停滯，客戶流失率 8%/月，CEO 每天都在滅火。

第一步：找迴路

負向增強迴路：客戶流失 → 營收壓力 → 銷售追新客 → 沒時間維護舊客 → 客戶體驗下降 → 更多客戶流失。

正向增強迴路（但很弱）：好客戶 → 口碑推薦 → 新客戶 → 但馬上被負向迴路淹沒。

第二步：找延遲

關鍵延遲：客戶從「不滿」到「流失」的時間是 2-3 個月。CEO 看到的流失數據反映的是 2-3 個月前的問題。等他反應時，下一批不滿的客戶已經在醞釀了。

第三步：找瓶頸

瓶頸：客戶成功團隊只有 3 人，人均服務 200+ 客戶。不可能提供有意義的主動支援。所有的客戶維護都是「被動滅火」。

第四步：找期待落差

核心錯位：銷售團隊的 KPI 是「新客成交數」，不是「客戶終身價值」。所以他們把精力全放在簽新單上，簽完就丟給客戶成功團隊（3 個人）。

診斷結果：最高槓桿點是第四步：把銷售的目標從「成交數」改成「12 個月留存營收」。

這一個改變會觸發連鎖反應：銷售開始在乎客戶品質 → 簽進來的客戶匹配度更高 → 客戶成功團隊壓力降低 → 有時間做主動支援 → 流失率下降 → 營收壓力降低 → 不需要瘋狂追新客 → 正向增強迴路開始運轉。

一個目標的改變，勝過十個改善計畫。

五、更多槓桿點案例：Toyota 和 Amazon 的系統級改變

Toyota：大野耐一找到生產系統的槓桿點

1950 年代的 Toyota，產能只有 GM 的零頭。大野耐一沒有試圖在每個環節追趕 GM，他找到了整個生產系統的槓桿點：在製品庫存（Work-in-Process Inventory）。

傳統車廠的邏輯是「多備庫存以防萬一」。大野耐一反其道而行：刻意降低在製品庫存，讓生產線上的每一個問題都無處可藏。

庫存就像水位。水位高的時候，河底的石頭（問題）全被淹沒，你看不見。大野耐一做的事情是「降低水位」，讓所有石頭暴露出來，然後一顆一顆搬走。

這個槓桿點觸發的連鎖反應：

• 降低在製品庫存 → 問題立即暴露（延遲從「月」縮短到「分鐘」）
• 問題暴露 → 工人被迫當場解決（而非堆積等修）
• 當場解決 → 根因被消除，同類問題不再發生
• 問題持續減少 → 品質上升、浪費下降、效率提升

結果：Toyota Production System 讓 Toyota 用 GM 三分之一的人力、四分之一的庫存，產出同等品質的汽車。不是靠「更努力」，是靠找到了正確的槓桿點。2023 年 Toyota 超越 Volkswagen 成為全球最大車廠，年銷售 1,123 萬輛。這個槓桿點的選擇，影響了七十年。

Amazon：配送速度是電商的槓桿點

Jeff Bezos 在 2005 年做了一個看起來「虧本」的決定：推出 Amazon Prime，用 79 美元年費提供免費兩日達配送。

當時幾乎所有分析師都認為這是自殺行為。免費配送的成本會吃掉利潤。但 Bezos 看到的是系統裡的槓桿點：配送速度直接決定復購率。

數據證明了這個槓桿點的威力：每提升一天配送速度，復購率提升 15-20%。而復購率是電商飛輪的核心變數。

Prime 觸發的系統連鎖反應：

• 配送更快 → 復購率提升 → 購買頻次增加
• 購買頻次增加 → 物流規模擴大 → 單位配送成本下降
• 成本下降 → 可以提供更多免費配送商品 → 更多人加入 Prime
• 更多 Prime 會員 → 更大的採購量 → 對供應商議價力更強 → 價格更低

2023 年的數據：全球超過 2 億 Prime 會員，Amazon 物流年處理超過 56 億包裹。Prime 會員的年消費額是非會員的 4.6 倍。

Bezos 沒有試圖同時改善十件事。他找到了一個槓桿點：配送速度。然後把不成比例的資源砸在這一件事上。

三個案例的共同規律

Costco 改了「利潤來源」，Toyota 改了「庫存水位」，Amazon 改了「配送速度」。三個看起來完全不同的行業，三個看起來完全不同的決定，但底層邏輯一模一樣：

• 找到系統中牽一髮動全身的那個節點
• 把不成比例的資源集中在這一點上
• 讓系統的增強迴路替你完成剩下的工作

CEO 不需要改善十件事。CEO 需要找到那一件事。

六、AI 時代的槓桿點轉移

AI 正在重新洗牌系統中的槓桿點。

過去的槓桿點：人力效率。增加人手、提高人效。
現在的槓桿點：人機介面的設計。不是「用 AI 取代人」，而是「重新設計人和 AI 的分工」。

這是為什麼「人機分工線」（Human-AI Division Line）的概念在系統思維裡格外重要：當 AI 改變了每一層的能力邊界，你的瓶頸位置、延遲長度、迴路結構可能全部需要重新診斷。

一個「之前不是瓶頸」的環節，可能在 AI 提升了其他環節的效率後，變成了新的瓶頸。

例如：AI 讓你的內容生產速度提升了 10 倍，但你的分發管道還是只有 SEO 和社群。分發就成了新瓶頸，你有 10 倍的產能，但只有 1 倍的出口。

每一次技術躍進，都需要一次重新的槓桿點洞察。

七、行動指引：你的第一次槓桿點洞察

挑你公司目前最頭痛的一個問題。用一小時做一次完整的四步診斷：

1. 找迴路（15 分鐘）：畫出跟這個問題相關的所有變數和因果箭頭。標記增強迴路和平衡迴路。
2. 找延遲（10 分鐘）：在每個箭頭上標記時間延遲。哪些延遲超過一個季度？
3. 找瓶頸（15 分鐘）：如果業務量翻倍，最先爆掉的環節是什麼？
4. 找期待落差（20 分鐘）：你的銷售、研發、客服系統各自的設計目標是什麼？這些目標是公司真正需要的嗎？

然後回答一個問題：「如果我只能改一件事，改哪一件對整個系統的影響最大？」

那就是你的槓桿點。圍繞它投入資源。

其他九件「也需要改善」的事？先別動。先看改了槓桿點之後，系統自己會不會把它們解決掉。

十個平均分配的改善計畫，不如一個精準的槓桿點。CEO 的核心能力不是做更多事，是找到那一件改變全局的事。

KPI（Key Performance Indicators，關鍵績效指標）是衡量個人、團隊或組織是否朝目標前進的量化指標。但 KPI 怎麼訂，才不會讓每個部門都達標、公司整體卻在倒退？本文提出的「績效假象」（Performance Mirage）概念和「三層瀑布」（Three-Layer Cascade）KPI 設計法，是一套從北極星指標到每日行動指標的完整績效管理框架：先對齊全局方向，再拆解成可預測的領先指標和每個人每天能做的事。

我跟一個 CEO 看他的年度績效報告。數字很漂亮：

銷售部：新客成交量超標 120%。研發部：所有功能按時交付率 95%。客服部：平均回覆時間從 4 小時降到 30 分鐘。行銷部：網站流量年增 85%。

CEO 很困惑：「每個部門都超標了，為什麼公司整體營收增長只有 3%，客戶流失率還在上升？」

我幫他查了數據背後的故事：

銷售團隊為了衝成交量，把目標客戶的門檻降低了，簽進了大量「不對的」客戶，需求不匹配、預算不足、上線後三個月就流失。

研發按時交付了功能，但這些功能是銷售為了成交而承諾的，不是客戶真正需要的。交付了也沒人用。

客服把回覆時間壓到 30 分鐘，方法是給標準化的模板回覆。速度快了，但問題解決率從 78% 掉到 52%。客戶收到了更快的回覆，但問題沒被解決。

行銷流量增長 85%，但大部分是低意圖的泛流量。轉化率從 4.2% 掉到 1.1%。

每個部門都在完美地最優化自己的指標。每個部門的最優化都在傷害其他部門。公司整體在為「部門成功」付稅。

這就是「績效假象」（Performance Mirage），組織中每個子系統追求自身最優時，對整體產出造成的隱性損耗。諷刺的是：你的 KPI 設計得越精確，這個稅可能越高。

一、KPI 怎麼訂：好 KPI 和壞 KPI 的判斷標準

在拆解績效假象的結構性原因之前，先釐清一件事：什麼樣的 KPI 容易製造績效假象，什麼樣的 KPI 能對抗它。

判斷一個 KPI 好不好，問一個問題就夠了：「一個理性的人為了最大化這個指標，會做出傷害公司的行為嗎？」如果答案是「會」，這個 KPI 就在製造績效假象。

二、績效假象的數學：1 + 1 < 1

在一個設計良好的系統裡，部門之間的協作應該產生「1 + 1 > 2」的綜效。

但在績效假象的作用下，實際發生的是「1 + 1 < 1」，兩個部門加在一起的產出，比任何一個部門單獨運作時更差。

這不是因為部門「不合作」。這是一個更深層的結構性問題：當每個部門追求自身指標最優時，它們的行為會在「部門邊界」處產生衝突，而這些邊界，恰好是公司價值最脆弱的地方。

客戶不活在任何一個部門裡。客戶的旅程橫跨所有部門：從行銷看到你、到銷售接觸你、到研發建造你的產品、到客服支援你。客戶體驗的品質不取決於任何一個部門的表現，取決於部門之間的「縫隙」。

而 KPI 系統天然只衡量部門「內部」的表現。縫隙裡發生的事，沒有人負責。

三、績效假象的三個結構性原因

原因一：KPI 分裂效應

當你給每個部門設定獨立的 KPI，你就在系統裡製造了多個「重力中心」。每個部門被自己的 KPI 吸引，向自己的最優點移動，即使這些最優點的方向互相矛盾。

銷售的 KPI（成交數）和客服的 KPI（處理時間）之間沒有連結。所以銷售簽進不匹配的客戶，客服用模板快速打發他們。兩個部門都「成功」了。公司失敗了。

這不是人的問題，是設計的問題。你告訴銷售「成交數最重要」，他就會最大化成交數。你告訴客服「回覆速度最重要」，她就會最大化回覆速度。他們都在理性地回應你設計的激勵結構。

問題是：你設計的激勵結構是碎片化的。每一片都是理性的，拼在一起是荒謬的。

原因二：資訊不對稱

每個部門都有自己的「數據視野」。銷售看的是 pipeline 和成交率。研發看的是 sprint velocity 和 bug count。客服看的是 ticket volume 和回覆時間。

沒有任何一個部門能看到完整的客戶旅程。

銷售不知道他簽進的客戶三個月後會流失。研發不知道他按時交付的功能沒人使用。客服不知道她快速回覆的客戶對品質極度不滿。

每個部門都在用一張局部地圖導航。在自己的地圖範圍內，他們走的是最優路線。但把所有局部地圖拼在一起，你會發現他們在原地繞圈。

原因三：時間尺度錯配

不同部門的 KPI 有不同的時間尺度。銷售是月度（本月成交多少）。研發是 sprint（兩週交付什麼）。客服是即時（這個 ticket 多快回覆）。

但公司的健康度是以年為單位衡量的。

月度指標好的行為可能傷害年度結果。銷售本月為了衝量降低門檻，三個月後客戶流失會反噬整年的營收。但在 KPI 系統裡，三個月後的流失是客戶成功部門的問題，不是銷售的問題。

時間尺度越短，越容易產生局部最優。因為短期行為的「收益」立刻可見，「代價」延遲出現，而且出現在別人的報表上。

四、規模與績效假象的正比關係

這裡有一個反直覺但很重要的洞察：公司越大，績效假象越高。

原因很直接，部門越多，「縫隙」越多。每多一個部門，就多一組潛在的目標衝突。組織複雜度不是線性增長的，是指數增長的。

這就是「規模詛咒」在組織設計層面的一個具體表現。大公司的競爭劣勢不只是「反應慢」，而是每增加一層組織結構，就多徵收一層績效假象。

而一個人或小團隊天然免疫績效假象，因為根本沒有「部門」。你一個人做決策，不存在「部門邊界」的縫隙。你同時負責銷售、產品、客服，你的 KPI 天然就是全局的。

這是 AI 時代小團隊的另一個結構性優勢：不只是成本低，而是組織稅低。

業界案例驗證：績效假象如何被解決

績效假象不是理論推演，是真實企業每天在付的稅。兩個來自不同行業的案例，展示了「換掉核心 KPI」如何產生結構性的績效改善。

Netflix：用「觀看時數」取代「訂閱數」

Netflix 在 2022 年之前，核心 KPI 是「全球訂閱用戶數」。整間公司圍繞這個數字運轉：內容團隊採購能吸引新訂戶的節目，行銷團隊投放能拉新的廣告，產品團隊優化註冊流程降低摩擦。

問題是，「訂閱數」是一個典型的落後指標。用戶今天訂閱了，不代表三個月後還在。2022 年 Q1，Netflix 首次出現訂戶淨流失（減少 20 萬），股價一天暴跌 35%。所有部門的「訂閱數」KPI 都達標了，但用戶正在離開。

Netflix 做了一個關鍵的 KPI 轉換：從「訂閱數」轉向「觀看時數」作為核心北極星。2023 年 Q3，Netflix 用戶累計觀看超過 1,000 億小時。觀看時數是訂閱續約的領先指標：一個用戶每週看超過 5 小時，續訂率超過 95%；每週低於 1 小時，六個月內流失機率超過 60%。

這個 KPI 轉換改變了所有部門的行為。內容團隊不再只採購「吸引註冊」的大片，開始投資「讓人持續看下去」的連續劇和紀錄片。推薦演算法團隊從「最多人點擊」優化為「看完整季的比例」。結果是 2023 年下半年訂戶回升到 2.6 億，2024 年每季穩定淨增長。

Netflix 的教訓完全印證了三層瀑布的邏輯：北極星從「訂閱數」換成「客戶留存價值」，領先指標用「觀看時數/用戶」，行動指標用「節目完成率」和「推薦點擊後觀看時長」。三層對齊之後，績效假象大幅降低。

Toyota 安燈系統：用「停線次數」取代「產出數量」

Toyota Production System（TPS）是製造業史上最經典的績效管理案例。Toyota 的核心洞察是：大多數工廠用「產出數量」作為核心 KPI，結果是工人為了衝產量而忽略品質問題，缺陷在生產線末端才被發現，修復成本比在源頭解決高 10-100 倍。

Toyota 做了一件反直覺的事：把「停線次數」變成正面指標。安燈（Andon）系統允許任何一線工人在發現異常時拉繩停止整條生產線。在其他工廠，停線是懲罰。在 Toyota，停線是品質承諾的表現。

「停線次數」是品質的領先指標，而「缺陷率」是落後指標。等到成品檢測發現缺陷，問題已經在生產線上擴散了。但每一次停線都在源頭攔截問題，阻止它流入下游。

結果：Toyota 的生產線良率達到 99.99%，每年因品質問題節省的成本估計在 20-30 億美元。更關鍵的是，安燈系統改變了組織行為。當「停線」不再是懲罰而是鼓勵，工人從「隱藏問題」變成「主動暴露問題」。資訊不對稱被設計性地消除了。

Toyota 的案例是「三層瀑布」在製造業的完美示範：北極星是「客戶零缺陷交付」，領先指標是「停線次數」和「問題源頭解決率」，行動指標是「每個工位的異常通報數」。每一層都服務於上一層。

五、KPI 怎麼訂：三層瀑布設計法

在整個組織裡，CEO 是唯一能看到全局的人。不是因為你最聰明，而是因為你的位置是唯一一個不被任何單一部門 KPI 綁架的位置。

KPI 怎麼訂？大多數 CEO 犯的錯不是 KPI 訂得不好，是只訂了一層。真正有效的 KPI 體系是「三層瀑布」（Three-Layer Cascade）：

第一層：北極星指標。一個所有部門都服從的最高層級指標。不是「每個部門有自己的 KPI，然後我來協調」，而是「先有一個全局指標，然後所有部門 KPI 必須服務於它」。

例如：北極星指標 = 「12 個月客戶留存營收」。

第二層：領先指標。北極星指標是結果，你不能直接「做」出留存營收。但你可以找到預測它的領先信號：

• 客戶健康分數（產品使用頻率 x 功能採用深度）
• 新客匹配度（簽約客戶與理想客戶畫像的吻合程度）
• 功能採用率（核心功能的月活比例）
• 一次解決率（客服問題一次處理完的比例）

這四個領先指標是北極星的「先行信號」。客戶健康分數下降三個月後，留存營收必然下降。你看到領先指標的變化，就等於看到了三個月後的北極星。

第三層：行動指標。領先指標告訴你「什麼在變」，行動指標告訴你「每個人今天該做什麼」：

• 銷售：每週用理想客戶畫像評分新 leads，低於 70 分不進 pipeline
• 研發：每兩週做一次功能使用熱力圖分析，砍掉低採用功能
• 客服：每天追蹤「二次以上來電」清單，找出系統性問題源頭
• 產品：每週一次客戶健康分數下降客戶的根因分析

行動指標的關鍵是：每個人每天早上看一眼，就知道今天最重要的事是什麼。

三層之間的邏輯：行動指標改善 → 領先指標上升 → 北極星達成。如果行動指標都在改善但領先指標沒動，你的行動指標選錯了。如果領先指標在改善但北極星沒動，你的領先指標跟北極星脫鉤了。

所有指標指向同一個方向。每個人從自己的行動指標出發，最終都匯入北極星。

六、CEO 管理績效假象的三個工作

CEO 的核心工作不是「管理部門」，而是管理部門之間的關係。具體有三個只有你能做的事：

工作一：設定三層瀑布。從北極星開始，確保每個部門的 KPI 都能回溯到同一個全局目標。這是上一節的核心。

工作二：巡視縫隙。定期不是看部門報告，而是看「部門之間」發生了什麼。問三個問題：

• 銷售簽進來的客戶，研發能服務好嗎？
• 研發交付的功能，客戶真的在用嗎？
• 客服收到的抱怨，有回到產品決策裡嗎？

這些問題不會出現在任何一個部門的報告裡。它們只存在於縫隙中。

工作三：設計回饋迴路。讓「下游」的信號能回到「上游」。客戶流失的原因要能回到銷售的決策裡。功能不被使用的信號要能回到研發的優先級裡。客訴的模式要能回到產品策略裡。

這就是飛輪的核心設計原則：每一個環節的產出，都是下一個環節的輸入，最終形成完整的閉環。飛輪之所以對抗局部最優，是因為它把「縫隙」設計成了「連結」。

七、KPI 和 OKR 的差別：什麼時候用什麼

很多 CEO 在「KPI 怎麼訂」和「要不要改用 OKR」之間猶豫。兩者不是互斥的，而是解決不同層次的問題：

實務建議：用 OKR 設定方向（每季 1-3 個 Objective），用三層瀑布 KPI 確保執行對齊。OKR 回答「往哪走」，KPI 回答「走到了沒」。兩者搭配使用，比單獨使用任何一個都更有效。

八、AI 時代的績效假象

AI 正在以兩種矛盾的方式影響績效假象：

降低稅的力量：AI 可以打通資訊孤島。用一個統一的數據平台，讓所有部門看到同一個客戶的完整旅程。當銷售能看到自己簽的客戶三個月後的留存狀況，行為會自然改變。

提高稅的力量：AI 讓每個部門的「局部最優化」更高效了。AI 銷售工具讓銷售更快成交（但不保證成交的是對的客戶）。AI 客服讓回覆更快（但不保證問題被解決）。局部效率的提升，如果不伴隨全局對齊，只會加速績效假象的徵收。

這就是「AI 不解決系統問題，AI 放大系統特性」的另一個實例。在局部最優的系統裡加 AI，你會更快地在錯誤的方向上跑得更遠。

九、行動指引：你的「績效假象品味校準」

這週做一件事。找你的四個核心部門的負責人，分別問他們同一個問題：

「你的部門在追求自己的目標時，有沒有任何行為是可能傷害到其他部門的？」

如果他們說「沒有」，那不是因為真的沒有，而是因為他們的視野只到自己的部門邊界。

然後自己做一件只有你能做的事：拿出四個部門的 KPI，擺在一起看。問自己：「一個理性的人，同時追求這四個 KPI，會做出什麼行為？這些行為放在一起，是在推動公司前進還是互相抵消？」

如果答案讓你不舒服，你找到了績效假象的徵收點。下一步，用「槓桿點洞察」找到全局的施力點，通常是重新設計那個所有部門都服從的北極星指標。

每個部門都 100 分，公司可能只有 60 分。因為缺少的那 40 分，不在任何一個部門裡，它在部門之間的縫隙裡。

CEO 不是部門經理的經理。CEO 是縫隙的管理者。而縫隙裡藏著的，是你公司最大的機會，也是最大的隱性成本。