Goodhart’s law famously says: “When a measure becomes a target, it ceases to be a good measure.” Although originally from economics, it’s something we have to grapple with at OpenAI when figuring out how to optimize objectives that are difficult or costly to measure.
这个标题把“Goodhart 定律”与“measuring（测量）”并置，天然有反差感：一边讨论“如何衡量”，一边提醒“衡量本身会失真”。它适合借势到 AI 评估、绩效考核、增长指标、产品优化等话题，因为这些领域都常遇到“为了指标而优化，结果偏离真实目标”的问题。若改写成中文选题，可往“为什么一旦把指标当目标，指标就不可信了”这类强冲突表达靠拢。
文章的核心是：Goodhart 定律提醒我们，任何被当作目标的指标，都可能失去原本作为“好测量”的价值。摘要里点明了 OpenAI 的现实困境——很多目标难以直接、低成本地测量，因此必须在可测指标和真实目标之间做权衡。它的观点价值在于把“指标管理”从方法问题提升为认知问题：不是只看怎么优化，而是先判断指标是否会被优化坏。
可以做成“为什么你越考核什么，团队越可能失去什么”的短文或口播，用职场、教育、平台增长三个场景举例，但要明确这些是对定律的迁移应用，不是原文新增事实。也可以做成视频：先抛出一个常见指标案例，再解释“指标变目标后为何失真”，最后给出“多指标交叉验证、保留人工判断、避免单一 KPI”的应对思路。若写社媒帖，适合用一句强总结：真正难的不是找到指标，而是别让指标替代了真实目标。