照阿瑟·施奈德曼自己的说法，1990 年 7 月 19 日，他给一群高管做了一次报告。这群人来自十来家公司，由咨询公司 Nolan, Norton & Co. 召集，研究企业该怎么衡量业绩。哈佛的教授罗伯特·卡普兰是他们的顾问。
施奈德曼是亚德诺半导体（Analog Devices）负责质量和生产率的副总裁，这家公司做集成电路。1987 年，他搭了一张公司计分卡，在惯常的财务数字旁边，放上准时交货、交货周期、良率、缺陷、生产周期这些指标，其中不少定了很激进的目标。卡普兰写案例时发现了这张卡，于是请施奈德曼来给这群人讲讲。
据卡普兰 2010 年的一篇论文回忆，报告结束时，有人问公司现在怎么样。施奈德曼说，计分卡上每一项质量指标都大幅改善了。
他又提了一句：过去三年，公司股价跌了将近七成。
只有一块表的驾驶舱
卡普兰后来这样描述他们要回答的问题：「为什么光靠财务指标，抓不住当代组织创造价值的那些活动？」财务数字报告的，是上个季度的决定带来了什么。工厂是不是在变好，客户会不会回头，员工有没有在学明年要用的本事，它说得很少。只看财务结果评判一家公司，就像只盯着后视镜开车。
卡普兰用驾驶舱打过一个比方。设想一架飞机，驾驶舱里只有一块仪表，显示目的地和预定到达时间。哪怕飞行员和乘客的利益完全一致，也没几个人愿意坐这架飞机。
亚德诺已经补上了别的仪表。卡普兰的结论是，它的计分卡缺的，是从这些指标连到客户看重的东西、连到任何客户结果的那条线。公司没能把制造和交货上的进步，变成更多销售、更高利润；他写道，少了这条线，「很可能」是股价下跌的原因之一。1992 年 1 月，卡普兰和大卫·诺顿把这群人一年的工作写成文章，登在《哈佛商业评论》上，题目叫《平衡计分卡：驱动业绩的衡量指标》。计分卡从四个角度看一家公司：财务、客户、内部业务流程，以及第四个角度，他们后来称之为「学习与成长」。文章第一句是：「你衡量什么，就得到什么。」
造卡的人另有看法
施奈德曼自己写过，就他所知，平衡计分卡理论里的主要要素，亚德诺在卡普兰来之前的计分卡里都有。1999 年，他写了一篇文章，题目就叫《平衡计分卡为什么失败》。他把亚德诺七年里的延迟发货比例和股价画在一起，得到了他所说的不错的相关性，只是方向反了：交货越准时，股价越低。1993 年以后，交货变差了，股价反倒一路涨，1998 年按拆股调整后到了 100 美元左右的高点。
他给了两种解释：半导体行业的周期压过了一切，或者两者之间的滞后超过五年。他也承认，要分辨是哪一种，需要的分析和假设「仍然说服不了人」。他写道，管理层只能凭「信念的一跃」，去相信计分卡财务和非财务两半之间的联系。
这就是这个想法老老实实的边界。非财务指标是押注，押它们日后会在利润里显出来。押得对，也可能被整个市场盖过去，或者要好几年才兑现。
看着不错的一个季度
假设你管一家健身房，这个季度收入涨了 8%。
你自己的卡上还有三行。上个月来了至少四次的会员比例：从 61% 降到 52%。坏了一周以上没修的器械：从两台变成五台。考过新课程认证的教练：六个里只有一个。
收入上涨，来自 1 月份的提价。另外三行说的，是 12 月要决定续不续卡的那些会员。到店次数能不能预示你这家店的续卡率，要几个月后才知道。但你现在就可以开始盯着它。
只用一个数给模型打分
AI 模型常常只按一个最显眼的数排名，通常是某个基准测试上的准确率。
2022 年，以斯坦福基础模型研究中心为主的一个团队发布了 HELM，语言模型的整体评估。他们在 16 个核心场景里测了七样东西：准确率、校准、稳健性、公平性、偏见、有害内容和效率。他们统计，在 HELM 之前，模型平均只在这些核心场景的 17.9% 上测过。
多出来的几项，有时讲的是另一个故事。在阅读理解任务 NarrativeQA 上，一个准确率排第三的模型，加上错别字之类的扰动后，准确率从 72.6% 掉到 38.9%。在一个常识问答任务上，准确率越高的模型校准越好；在另一个相似的任务上，恰恰相反。
你可以给自己的用途做一张小卡。从工作里拿五十个真实例子，算模型的准确率；把同样的例子加上错别字、换个说法，再跑一遍；数一数它有多少次答错了却说得很笃定；记下每次回答的花费和用时。每一项都多跑几次，因为每次的回答会有出入。哪一行最要紧，取决于你想做成什么，这正是战略地图要回答的问题。
差点印进年报
亚德诺曾经差一点就把这些全摊给投资者看。施奈德曼写道，1988 年，首席执行官雷·斯塔塔在《斯隆管理评论》上公开了公司五年的非财务计分卡。公司离把整张计分卡印进年报只差几天。
他写道，最后一刻撤了下来，因为担心「华尔街」还没准备好。