情商在职场里真的重要吗？

几个月前，我去找过一个数字。

你多半见过它的某个版本。讲软技能的 LinkedIn 帖子，差不多每两条里就有一条会用到它。说法是，优秀领导者和普通领导者之间的差别，有极大一块要归因于情商。百分之九十。百分之八十五。具体是多少，要看是谁在卖培训课。

不过说句公道话，大家对这件事的兴趣是真实的。2025年，世界经济论坛问雇主，他们认为哪些技能属于核心技能¹，结果共情和积极倾听进了前十，领导力和社会影响力排第三，前面只有分析思维和韧性。这个话题不是谁凭空造出来的。

但我想知道这个数字到底是哪儿来的。我是 Subtext 这款应用的联合创始人，它会在你发出消息之前，先读一遍其中的情绪语气。既然这样，再去重复一个自己从没核实过的统计数字，就不太妥当了。另外，这个话题越被重视，对我越有利，所以请把我的利害关系也算进去，并且自己去核对那些研究。

我找了好一阵才找到，结果它出现在一个很奇怪的地方。后面我会回到这一点。文章接近结尾处，有 Subtext 的一次真实运行，用的是一句编出来的工作消息“谢谢你终于发过来了。”，附有它标出的问题和给出的几个版本。

四种不同的东西，共用一个名字

最先让我意外的是，研究者对情商究竟是什么，并没有共识。这不是咬文嚼字，而是几种说法所指的根本不是同一种东西。

Peter Salovey 和 John Mayer 在1990年把它定义为一组心智能力：觉察情绪，理解情绪如何混合、如何变化，用情绪辅助思考，以及调节情绪。研究者用有对错答案的能力测验来测量这个版本，就像一份测情绪的智商测试。

后来，Daniel Goleman 1995年出版的那本书让这个词出了名，而他的版本里，还塞进了许多看起来很像人格和动机的东西。Reuven Bar-On 的 EQ-i 和 Konstantinos Petrides 的特质模型，都是自我报告式问卷。Petrides 说得相当明确：他测量的东西属于人格的范围，并不是和智力并列的另一种能力。

研究者后来把这四种说法理成了三类²：能力测验、对能力模型的自我报告测量，以及混合型的胜任力模型。麻烦在于，能力测验和自我报告测验的结果几乎对不上。所以每当有人对你说“研究表明情商能预测某某”，我问的第一个问题，就是他说的是这四种东西里的哪一种。

真实的效应量，比宣传的要小

我找到的近期规模最大的一项元分析，汇总了78,159人的253个效应量³，涵盖三十年的研究。经过统计校正后，它报告的结果如下。

工作绩效，约0.30。工作满意度，0.29。组织公民行为，0.36。工作压力，负0.43。组织承诺，0.26。

相关系数为0.30，意味着情商大约能解释工作绩效差异的百分之九。这是一种真实的关系，但离“情商占了造就优秀领导者的百分之九十”这种说法，差得很远。这个领域更早的那篇里程碑式元分析⁴发现，不论用哪一类测量方式，得到的相关强度都大致相同。

我还注意到，同一篇2022年的论文发现，情商与工作绩效的相关，在已发表的研究里比在未发表的研究里更低。通常发表偏倚的方向正好相反。我不知道该怎么理解这一点，据我看，作者也不知道。

你做什么工作，影响极大

在你把0.30当成一个不分情况的事实记下来之前，有一个调节因素，我几乎从没见人提过。

Joseph 和 Newman 把191种职业分了组⁵，依据是工作对情绪调节的要求有多高，然后在每一组内部重新做了分析。在情感劳动要求高的工作里，也就是需要不断与客户或他人打交道的那类工作，能力型情商对绩效有正向的预测作用。在情感劳动要求低的工作里，它对绩效的预测是负向的。

这个结论的后半段，从来没人引用。如果你的工作大多是独自完成、偏技术性的，对房间里每个人的感受都异常敏感，可能反而是对注意力的一种额外消耗，而不是优势。

我也喜欢他们这个模型的结构。你得先察觉一种情绪，才能理解它；得先理解它，才能对它做点什么。先是感知，再是理解，然后是调节。跳过一步，下一步就没有了立足的地方。

这个数字从哪儿来，有人去核对之后发生了什么

这就是我说的那个奇怪的地方。

最终告诉我“百分之九十”这个数字出处的那篇论文，恰好也是把它拆解掉的那篇。Harms 和 Credé 的元分析⁶一开头，先列出了他们要检验的几种说法。其中两种，一是1999年一篇行业刊物上的文章，称情商能解释优秀领导者与普通领导者之间差别的近百分之九十；二是情商测验最大的发行商印发的一份资料，把情商等同于好的领导力。

一条行业刊物上的引文，加一份销售资料。你上次在公司培训或研讨会上听到的那个统计数字，来历就是这样。

接着，他们汇总了62个关于情商与变革型领导的独立样本。当同一个人既给领导者的情商打分，又给领导者的效能打分时，相关系数是0.59。很亮眼，也很适合引用。

当这两项评分来自不同的来源时，它降到了0.12。

同一个构念，同一批文献，只改了一处方法。评分者之间的一致性，情商是0.16，领导力是0.14，也就是说，对这两样东西，大家的看法都几乎对不上。作者还指出，特质问卷得出的效度比能力测验高，而且仍有一些研究者怀疑，这个构念到底成不成立。

多数流行的 EQ 测试，测的其实是人格，只是多绕了几步

2015年，一个团队回头追问：为什么自我报告的情商，能这么好地预测工作绩效⁷。他们的答案是，这些问卷测的是一堆我们早就有名字的东西。

具体来说，混合型情商测量的内容，和能力型情商、一般自我效能感、自评绩效、尽责性、情绪稳定性、外向性、认知能力都有重叠，复相关系数 R 为0.79。他们重新估计，混合型情商与上级评定的绩效之间的相关是0.29，低于此前流传的0.47。

所以，给出最漂亮数字的那些测验，恰恰也是与我们本来就能评估的人格特质纠缠最深的。这不等于它们没用。但它确实让“我们筛选过 EQ”这句话，没有听上去那么了不起。

对职业的影响是真实的，但很慢，而且主要靠别人传递

关于职业发展，我找到的最好的元分析，汇总了150个样本、50,894人⁸。情商与职业满意度的相关是0.39，与薪资是0.21，与想离职的意愿是负0.21。和人们自我感知的就业能力，相关只有0.03，在统计上与零无异。

薪资那个数字，从来没有人给它配上应有的脚注。它只建立在五个样本、1,446人之上，基础很薄。作者还提示，职业满意度和离职这两项可能存在发表偏倚；而且纳入分析的每一项研究，用的都是自我报告式测量，因为基于表现的测量太少，没法分析。

我找到的最有意思的职业研究，从大学起一路追踪了126个人进入职场⁹，并在十到十二年后查看他们的薪资，同时控制了人格和认知能力。情商确实预测了薪资。但这个影响是通过有没有导师来实现的，而且岗位在组织里越靠上，影响越强。同一位第一作者更早的一项研究，在两年的时间点上什么也没发现。

所以，这条路径要靠别人。情商高的人先建立起关系，这些关系再变成某位资深人士对他们的关注，这份关注十年后才见了回报。这条链上没有哪一环，是把本职工作做得更好。样本小，只有一项研究，请谨慎看待。但它和职业发展看上去的样子是吻合的。

让我改变了自己行为的那项发现

上面这些都有意思。这一项是有用的。

2005年，Kruger、Epley、Parker 和 Ng 做了五项实验¹⁰，研究人们在电子邮件里传达语气的能力有多好。参与者写下一些消息，意图分别是讽刺、严肃、愤怒或悲伤，然后预测收件人能正确解读出其中多少条。

在154个配对中，发送者预测的准确率是88.8%，实际准确率是70.4%。读的一方同样过度自信，在邮件里最严重：读者以为自己正确读懂了89.3%的消息，实际只读对了62.8%。面对面时，他们读对了73.9%，只有声音时是73.3%，而这两种情况下，他们都以为自己读懂了大约89%。在更早的一项实验里，邮件的准确率大致停在随机水平。

信心从来没变过。人们的实际能力随沟通渠道不同，变化很大，他们对自己能力的信念却纹丝不动。

研究发现 发送者预测的准确率是88.8%，实际准确率是70.4%。

信心从来没变过，变的只有准确率。

有两个细节，让我对这项发现印象特别深。第一，朋友对自己准确度的估计，并不比陌生人更贴近实际。熟悉一个人，没有帮上忙。第二个细节才是能用上的部分。在其中一项实验里，研究者让参与者把自己写的消息，用与本意相反的语气大声读出来：讽刺的句子读得一本正经，一本正经的句子读得带着讽刺。过度自信完全消失了。一旦这句话听上去不再是他们本来想要的样子，他们才终于听出它有多含糊。

还有一项我很喜欢的发现：在人们想通过文字传达特定情绪的研究里¹¹，发送者的信心与他们是否成功，完全没有关系。

那项提出反驳的研究

我宁愿把分歧摆给你看，也不想假装这个领域已有定论。

2025年，Pollmann 和 Roos 换了一种做法¹²。他们没有沿用以往的实验室任务（参与者多是陌生人，讽刺也是刻意编出来的），而是收集人们实际收到过的消息，再去问真正的发送者，当时想表达什么。研究一用的是非正式的消息，有347名接收者和171名发送者。研究二用的是工作和教育场景下的邮件，有361名接收者和61名发送者。

结果是，接收者读对了语气。如果你也常琢磨一条消息到底是什么意思，这个结果值得留意。作者给论文起名《I get u》是有原因的，他们认为，这项研究挑战了“文字是一种情感上很贫乏的媒介”这个假设。

我不认为它推翻了更早的那些研究。我的看法是，两者都成立，只是针对的消息不同。我们发出的绝大多数消息平平无奇，对方读到也没什么问题。误读集中在一小批消息上：这些消息要么意思含糊，要么带着强烈的情绪，要么想办成一件需要拿捏分寸的事。Kruger 的团队要求参与者写的，恰恰就是这类消息。Pollmann 的参与者转发的，则是手机里有什么就转什么。

而人们来求助的，恰好就是这一小批。

中性的话会被读成负面，句号也并不无辜

Kristin Byron 的理论框架提出了两种值得了解的效应¹³：接收者会把正面的邮件读成中性，把中性的邮件读成负面。情绪在传递途中，会往下掉一档。

也有实证支持。一项针对真实工作邮件的研究，发现了负面放大偏差（negative intensification bias）¹⁴。研究用的都是收件人觉得带负面意味的邮件：收件人的评价比中立的旁观者更严厉，而且这些评价与邮件里实际写了什么只有微弱的联系，连负面措辞的多少也影响不大。这种偏差在沟通氛围差的环境里更强，在层级较低的人身上也更强。这意味着，同一封邮件，客观上可能没什么问题，读起来却像一次攻击，取决于谁在读，以及对方这一周过得顺不顺。这也是为什么，要分清一封邮件是被动攻击，还是只是写得简短，比看上去要难。

关于标点的研究不多，但确有其事。同样是只有一个词的回复，结尾带句号的，人们觉得比不带句号的更不真诚¹⁵，这个效应出现在文字消息里，手写便条里则没有。后续的一项研究用更长、更自然的对话重复验证了这一点¹⁶。句号会不会让一条消息听起来像在生气，我另外有一篇文章讲得更细。

“嗯”和“嗯。”不是同一条消息，两者的差别，全看收到的人怎么读。

Subtext 针对的就是这个具体的落差。你的消息在送到对方手里的路上会往下掉一档，Subtext 会在这之前，先让你看到这条消息可能传递出什么信号，并指出是哪几个词造成的。

这些能训练出来吗？

大体上可以，但有几个保留条件。

2024年一项关于职场情绪能力培训的元分析¹⁷发现，培训前后的效应量是0.44，与对照组比较时是0.46，涉及27项对照试验。三个多月之后，效果依然存在。教师、医疗卫生从业者和管理者获益的程度大致相当，培训项目自称是情商、共情还是情绪调节，也没有太大区别。

作者对局限的态度坦率得让人耳目一新：他们汇总的各项研究之间异质性很高，方法学质量偏低。更早的几篇元分析，结论也落在相近的范围内¹⁸[19]。所以我的总结是：这些培训能让测量指标上的分数发生变化，而这些指标大多来自自我报告；至于它们有没有改变人们在工作中的实际行为，我们知道得少得多。

AI 替你写的时候，会发生什么

Subtext 是一款 AI 工具，所以我在这件事上显然有利害关系。我先把让人不舒服的发现讲给你。

人们分辨不出来。在六项实验中，4,600名参与者²⁰判断了7,600篇文字，场景有职场、民宿接待和交友，识别出 AI 生成文本的准确率是50%到52%。随机猜测的水平是50%。更糟的是，研究者还表明，可以针对人们有缺陷的直觉，专门去优化 AI 文本，让读者认为它是真人写的次数，比真正的人类文字还多。

但怀疑本身是有代价的，至少在某个场景里是这样。同一个研究团队更早的工作发现，当人们相信自己看到的是一批 AI 写的和真人写的混杂在一起的个人简介时²¹，他们对自己怀疑出自 AI 的那些，信任度更低，研究者把这称为“Replicant Effect”（复制人效应）。

把这两点放在一起，就有些尴尬了。识别几乎不起作用，所以让你付出代价的，是被人怀疑，而不是被人识破。换句话说，用 AI 写东西算不算说得过去，人们靠社会规范来判断，而不是靠证据。

我自己划的线，仅供参考，是这样：工具应该帮你把本意说出来，而不是替你造出一种你并没有的情感。对我来说，这是一个真实的区别，哪怕从外面看不出来。这也是我对 AI 能从你消息的语气里判断出什么、判断不出什么格外谨慎的原因。

我现在实际是怎么做的

读完这些研究，有四件事留了下来，成了我写东西的方式。

我先假定，自己的语气实际传达出去的效果，比我以为的差大约二十个百分点。这不是凭感觉，是算术。预测88.8，实际70.4。

遇到重要的事，我会故意用相反的语气把它读一遍。出声读，如果消息本来是认真的，就用讽刺的语气读。这多少有点丢脸，但比任何关于感叹号的规矩都管用。那篇论文里，只有这一种做法，把这种偏差彻底消除了。

凡是真正负面的事，我都打电话。面对面和语音，在准确率上都比邮件高出大约十个百分点，更重要的是，一旦哪句话的效果不对，你可以当场修复。事后我会再发一份书面的跟进留底，写法参照读起来坚定而不冷淡的工作消息。

我不再把“他们反应过度了”当成定论。负面放大偏差的研究表明，接收者怎么看一条消息，和消息里实际写了什么，只有松散的联系。这个道理两头都成立。有时候，问题就出在对方身上。有时候，是那条消息本身真的含糊，而我恰恰是最没法察觉这一点的人。

还有第五件事，是我自己做出来的，所以这一段请相应地打个折扣来看。把草稿贴进 Subtext，或者把整段对话截个图，让它把双方的话都读进去，它会指出你这条消息可能向即将读到它的人传递什么信号，并把造成这种印象的词标给你看。然后它会给出几个仍然是你自己口吻的版本，因为目的是补上那二十个百分点的落差，而不是把你的口吻磨平。

一条我编的工作消息就能说明这一点。我拿“谢谢你终于发过来了。”让 Subtext 读了一遍。它给这句话打上了“讽刺”的标签，情绪词是“不耐烦”，并指出问题出在一个词上：“终于”。不过它给标签写的理由说得并不肯定：加上感谢之后，这个词既可能被理解为真心感谢，也可能被理解为“在抱怨对方发得太晚”。给“不耐烦”写的理由则是，这个词透露出你已经等了一段时间。它给出的三个版本都标为“可放心发送”，第一个版本的标签是“贴近原话”，主要是去掉了这个词：“谢谢你发过来。”以上是应用的真实输出，没有改动。这并不能证明这款应用能补上那项研究里的落差。

如果要从这一切里带走点什么，我希望是这个：关于情商和职业成功的那些大说法，没有听上去那么硬，它们建立在自我报告之上，而且常常是同一个人在给等式的两边打分。关于书面沟通的那些小说法，则牢靠得多，也更容易照着去做。没有人会向你兜售一张“发送之前，先用相反的语气读一遍”的资格认证。

这个做法免费，只要十一秒，背后的证据比我花钱买过的大多数东西都更扎实。

---

觉得我把情商说得太轻，或者把邮件方面的研究说得太满？欢迎到 LinkedIn 上告诉我。

Samet Durgun 是 Subtext 的联合创始人。这款应用会捕捉你消息里的情绪语气，并用你自己的口吻改写。他常驻柏林。

参考来源

凡有原始来源的，上文每个链接都直接指向它。

1. World Economic Forum (2025). The Future of Jobs Report 2025, Skills Outlook.
2. Ashkanasy, N. M., & Daus, C. S. (2005). Rumors of the death of emotional intelligence in organizational behavior are vastly exaggerated. Journal of Organizational Behavior, 26, 441-452.
3. Doğru, Ç. (2022). A meta-analysis of the relationships between emotional intelligence and employee outcomes. Frontiers in Psychology, 13, 611348.
4. O’Boyle, E. H., Humphrey, R. H., Pollack, J. M., Hawver, T. H., & Story, P. A. (2011). The relation between emotional intelligence and job performance: a meta-analysis. Journal of Organizational Behavior, 32, 788-818.
5. Joseph, D. L., & Newman, D. A. (2010). Emotional intelligence: an integrative meta-analysis and cascading model. Journal of Applied Psychology, 95(1), 54-78.
6. Harms, P. D., & Credé, M. (2010). Emotional intelligence and transformational and transactional leadership: a meta-analysis. Journal of Leadership & Organizational Studies, 17(1), 5-17.
7. Joseph, D. L., Jin, J., Newman, D. A., & O’Boyle, E. H. (2015). Why does self-reported emotional intelligence predict job performance? A meta-analytic investigation of mixed EI. Journal of Applied Psychology, 100(2), 298-342.
8. Pirsoul, T., Parmentier, M., Sovet, L., & Nils, F. (2023). Emotional intelligence and career-related outcomes: a meta-analysis. Human Resource Management Review.
9. Rode, J. C., Arthaud-Day, M., Ramaswami, A., & Howes, S. (2017). A time-lagged study of emotional intelligence and salary. Journal of Vocational Behavior, 101, 77-89.
10. Kruger, J., Epley, N., Parker, J., & Ng, Z. (2005). Egocentrism over e-mail: can we communicate as well as we think? Journal of Personality and Social Psychology, 89(6), 925-936.
11. Holtgraves, T. (2022). Implicit communication of emotions via written text messages. Computers in Human Behavior Reports, 7, 100219.
12. Pollmann, M. M. H., & Roos, C. A. (2025). “I get u”. People correctly interpret the tone of text messages and emails. Computers in Human Behavior Reports, 18, 100689.
13. Byron, K. (2008). Carrying too heavy a load? The communication and miscommunication of emotion by email. Academy of Management Review, 33(2), 309-327.
14. Sillars, A., & Zorn, T. E. (2021). Hypernegative interpretation of negatively perceived email at work. Management Communication Quarterly, 35(2), 171-200.
15. Gunraj, D. N., Drumm-Hewitt, A. M., Dashow, E. M., Upadhyay, S. S. N., & Klin, C. M. (2016). Texting insincerely: the role of the period in text messaging. Computers in Human Behavior, 55, 1067-1075.
16. Houghton, K. J., Upadhyay, S. S. N., & Klin, C. M. (2018). Punctuation in text messages may convey abruptness. Period. Computers in Human Behavior, 80, 112-121.
17. Mehler, M., Balint, E., Gralla, M., Pößnecker, T., Gast, M., Hölzer, M., Kösters, M., & Gündel, H. (2024). Training emotional competencies at the workplace: a systematic review and metaanalysis. BMC Psychology, 12, 718.
18. Hodzic, S., Scharfen, J., Ripoll, P., Holling, H., & Zenasni, F. (2018). How efficient are emotional intelligence trainings: a meta-analysis. Emotion Review, 10(2), 138-148.
19. Mattingly, V., & Kraiger, K. (2019). Can emotional intelligence be trained? A meta-analytical investigation. Human Resource Management Review, 29(2), 140-155.
20. Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. Proceedings of the National Academy of Sciences, 120(11), e2208839120.
21. Jakesch, M., French, M., Ma, X., Hancock, J. T., & Naaman, M. (2019). AI-mediated communication: how the perception that profile text was written by AI affects trustworthiness. CHI Conference on Human Factors in Computing Systems.