Google和英特爾都在用的OKR,為什麼能讓巨人維持輕盈而快速的步伐?
Google和英特爾都在用的OKR,為什麼能讓巨人維持輕盈而快速的步伐?
2019.04.02 |

當Google創辦人賴利.佩吉(Larry Page)和謝爾蓋.布林(Sergey Brin)向投資家約翰.杜爾(John Doerr)說,Google未來的市值約等於當時微軟(Microsoft)、IBM和英特爾(Intel)加總時,杜爾並不認為賴利在吹牛。他反倒擔心,太多新創公司在高速成長中迷失方向,忽略最重要的事,導致功敗垂成。為了解決這個問題,他想起以前在英特爾工作時,傳奇執行長安迪.葛洛夫(Andrew Grove)所發明的工具──目標和關鍵成果(OKR,Objectives and Key Results)。

OKR脫胎自管理大師彼得.杜拉克(Peter Drucker)的目標管理(MBO,management by objectives):透過訂立目標,激勵經理人行動。但葛洛夫發現,目標管理是由上而下,上級訂一個組織目標,再依序往下滲透各層級。這做法一來無法得到第一線回饋,二來從目標延伸出的關鍵成果也讓主管不敢冒險,因為一旦失敗,就會受到處分。所以,葛洛夫研發了OKR。

OKR較MBO靈活、有彈性,隨時調整因應市場變化

OKR跟MBO究竟有什麼差別?杜爾最常以橄欖球隊舉例。

如果你是橄欖球隊總經理,通常目標是:「為球隊老闆賺錢。」搭配關鍵成果:贏得超級盃、每場賽事至少塞滿90%觀眾席。

按照目標管理,第二層的管理者:教練和行銷總監,會依照總經理的關鍵成果,訂立自己的目標。

教練目標:贏得超級盃,關鍵成果是:每場傳球至少300碼、讓對手得分低於17分;行銷總監為了塞滿90%座位,關鍵成果是:提升品牌形象、改善媒體報導。

如此發展下去,第三層主管(行銷經理和公關人員)在設定目標時會遇到困難,因為行銷總監的關鍵成果無法測量,比如說,改善媒體報導,怎樣算是「改善」,是占據報紙頭版,還是社群追隨者增加50%?再說, 如果上級目標設定不準確,會直接導致員工設定目標失敗。

而且,目標管理還有其他缺點:第一,每位員工都得等上一層制定目標,才能制定自己的。而科層化組織階層又多,光是制定目標,就得花幾個月。第二,既然制定目標這麼麻煩,即便市場發生改變,員工也不會想更改。第三,因為目標是由上往下制定,所以離市場最近的第一線部屬意見無關輕重。

如果採用OKR,就能同時解決上述問題。OKR一樣是由上而下制定目標,不同的是, 執行長制定組織OKR後,所有層級的員工同步設定自己的OKR,目標制定時間從數個月縮短為一週。由於制定時間短,員工也願意因應市場變化調整。

比如說,橄欖球隊的物理治療師參加運動醫學會,學到新的預防傷害方案,能確保球員在賽季中維持最佳身體狀態,提高贏球機率,與總經理的總體目標一致,就能在球隊推廣新方案,調整 OKR。

目標達到後,再加10%就是新目標?Google有更好的做法

然而,目標達到了,如何設定新的目標?許多公司可能會在原目標加上一定百分比,作為下一年的新目標。但就如同記者史蒂文.利維(Steven Levy)在《Wired》上所寫:「提高1/10,代表你在跟其他人做一樣的事。你不可能會失敗,但也保證不會成功。」矽谷教練比爾.坎貝爾(Bill Campbell)甚至認為:「保守的目標阻礙了創新,而不創新就等於死亡。」

為了持續創新, Google做法是將目標分為:實現目標和延伸目標。

實現目標,就是一般的工作事項,像招募、銷售額,這類目標必須在規定的時間內100%達成。延伸目標,代表高風險,更多是為了未來而定的目標。

舉例來說,2014年,YouTube已經成為全球最大的視頻平台之一,但其創新速度開始變緩。剛升任YouTube執行長的蘇珊.沃西基(Susan Wojcicki)定下一項延伸目標:使每天觀看 YouTube 的時數,達到10億小時,幾乎等於當時觀看時數的10倍。

首先,沃西基先說服團隊,這不是不可能的任務。因為,每天10億小時其實不到全世界電視觀看時間的20%,只要想方法讓觀眾轉移過來就好。再來,則按照每年、每季的OKR持續思考,有哪些關鍵結果可能提升觀看時數。發現每日觀看時間由兩個因素驅動:每日活躍觀眾、平均觀看時間。YouTube第二個變量做很好,但用戶群不足,也就是需要新用戶。找到目標後,又再度延伸新的關鍵結果,最後YouTube僅在2016年,就改進150處細節,成功達成10億目標。

如今,Google改名為Alphabet,市值也遠超創辦人估計,到7,000億美元。但是,2018年10月,Google將展開第75季OKR評估,執行長桑德爾.皮蔡(Sundar Pichai)依舊會像18年前的賴利與謝爾蓋一樣,站在所有員工面前說:「這是我們今年目標,以下是我的OKR。」

本文授權整理自:《OKR 做最重要的事》,天下文化出版

往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓