在上一篇文章【 AI Ready（1）：從「黑燈工廠」走向「黑燈公司」，AIGC帶來的新大航海時代】中，我們共同探索了AIGC的核心概念。透過分析勞動力的轉變、創意與內容的創造、客戶交流與服務的新模式，以及數據價值的深度挖掘和人機協同的組織變革，我們了解了企業在AI新時代所面臨的挑戰與機遇。在本文中，我們將繼續深入探討AI Ready的概念，介紹3個企業的AI成熟度評估模型： Gartner AI成熟度評估模型 、 IBM AI成熟度評估模型 以及筆者在計畫中總結的 BFAL AI成熟度評估模型 。我們將從AI成熟度評估模型的角度分析企業AI Ready的關鍵要素，並對不同的AI成熟度模型進行比較。
AI Ready的概念
那麽，AI Ready是什麽呢？目前業界還沒有一個統一的關於AI Ready的定義。在這裏， 我們可以將AI Ready理解為一個組織為有效利用人工智慧（AI）構建競爭力而做好全面準備的狀態。 這種準備涉及到戰略、技術、流程、人員和文化等多個方面。我們可以從以下三個維度來進一步闡述這個概念：
（1） AI Ready是一種綜合能力： 這不僅包括企業在技術層面的準備，如選擇和使用合適的AI技術和工具，還包括企業在其他層面的準備，如數據處理、人才培養、組織架構和風險管理等。這種能力使得企業能夠靈活地套用AI技術和工具，解決實際業務問題，提升效率，並創造新的商業價值和有利競爭。
（2） AI Ready是一種前瞻態度： 這體現在企業對AI的整體認知和態度上，如對AI價值的深刻理解、對AI戰略的明確規劃、對AI創新的積極探索以及對AI倫理的重視等。這種態度使得企業能夠以開放和積極的心態，擁抱AI帶來的變化和機會，建立和維護與AI的良好關系，實作和AI的協同和共贏。
（3） AI Ready是一個持續過程： 這反映在企業在AI領域的不斷學習和成長上，如對AI技術的持續關註、對AI套用的不斷試驗和最佳化、以及對AI發展的持續投入和支持等。這一過程使得企業能夠及時地掌握AI的最新發展和趨勢，不斷地提升自身的AI能力和水平，不斷地最佳化自己的AI套用和價值，不斷地適應和引領AI的變革和發展。可見，AI Ready是一個多維度的概念，它不僅是技術準備，更是一種全面的業務轉型和文化變革。它要求企業在技術、策略、人才、文化等多個層面進行深度準備，以充分應對AI帶來的挑戰和機遇，實作在人工智慧時代的持續發展和成功。
企業AI成熟度評估模型
就像軍隊需要建立作戰評估體系一樣，AI的戰備同樣需要建立自己的評估體系——企業AI成熟度評估模型。這些模型從不同的角度和維度出發，定義了企業在AI領域的能力水平，以及如何實作從初級到高級的轉型。接下來，我們將逐一介紹Gartner的AI成熟度評估模型、IBM的AI成熟度評估模型，以及筆者在計畫實踐中總結的BFAL企業AI成熟度評估模型。此外，我們還將對這些模型進行比較和深入分析。
Gartner AI成熟度評估模型
Gartner是一家全球領先的研究和咨詢公司，它每年會釋出一系列的技術成熟度曲線，用於評估和預測不同領域的新興技術的發展趨勢和影響力。Gartner判斷AI是當今最具變革性和創新性的技術之一，而且，它已經滲透到各個行業和領域，為企業和社會帶來了巨大的機遇和挑戰。為了幫助企業評估和提升自身的AI成熟度，Gartner在2020年3月18日釋出了【Artificial Intelligence Maturity Model】這份報告。它是一種用於評估企業在AI領域的能力和水平的工具。其基本框架如下：
它將企業的AI成熟度劃分為五個階段，分別是：
1. 規劃（Planning）： 在這一階段，組織需要建立一個人工智慧願景，評估人工智慧的風險和機遇，以及找出3到6個用例。關於人工智慧的內部討論都是臨時和預測性的，只有極少數人進行了計畫試驗或試點。
2. 實驗（Experimentation）： 在這一階段，組織需要建立一個人工智慧治理框架，監測人工智慧計畫的業務影響和技術效能，以及起草初步概念證明（Proof of concept）計畫計劃。計畫也可能處於試點階段，同時，可能有非正式的團隊為創用CC和早期的標準化工作在做準備。這一階段旨在證明人工智慧發展到下一階段的價值。
3. 穩定（Stabilization）： 在這一階段，組織需要建立一個人工智慧卓越中心（COE），培養人工智慧的文化和技能，以及為人工智慧計畫制定預算，並由制定管理層進行保障。第一批人工智慧計畫開始投產，透過例項化卓越中心（COE），使得充足的人工智慧專家、最佳實踐和技術可用於計畫中。為了發展到下一個階段，需要為人工智慧的開發和部署開發一個端到端的流程，還要確保平台穩定以實作人工智慧的進一步擴張和管理。
4. 擴張（Expansion）： 在這一階段，組織需要建立一個人工智慧工程（AI Engineering）的實踐，實作人工智慧的可解釋性和可信賴性，以及擴張資料來源和高風險/高報酬的成功用例。包括最佳化過程在內的所有數位化計畫都考慮使用人工智慧來作為價值傳遞的方式。不斷有新的產品和服務嵌入人工智慧。業務部門開始信任人工智慧技術，並做好使用人工智慧技術的準備。IT Dev Ops/ML Ops專業人員主要負責維護和更新人工智慧解決方案。
5. 轉化（Transformation）： 在這一階段，組織需要建立一個人工智慧驅動的商業生態系，實作人工智慧的自適應力和創造性，以及人工智慧被認為是執行所有業務流程的一個要素。所有在流程和套用設計過程中的人員都會接受人工智慧培訓，了解人工智慧的優勢和不足。人工智慧驅動的應用程式可以在組織內和整個商業生態中進行互動。
Gartner的AI成熟度評估模型還包含了六個維度的要素，分別是：
- 戰略（Strategy）： 指企業對AI的願景、目標、規劃和路線圖，以及與業務戰略的一致性和支持程度。同時，還包括評估AI的機會和風險，以及監測AI的業務影響和價值。
- 技術（Technology）： 指企業在AI的基礎設施、平台、工具、框架和方法方面的選擇和使用，以及與最佳實踐的符合程度。此外，還包括建立一個AI工程（AI Engineering）的實踐，以及實作AI的可解釋性和可信賴性。
- 數據（Data）： 指企業在AI的數據獲取、管理、品質、安全和治理方面的能力和水平，以及與數據驅動的文化的契合程度。同時，還包括使用小而寬數據策略（Small and Wide Data Strategy），以及利用合成數據和知識圖譜等技術。
- 人才（Talent）： 指企業在AI的人才招聘、培養、激勵和留存方面的策略和措施，以及與人才市場的競爭力和吸重力。此外，還包括建立一個AI卓越中心（COE），以及培養AI的文化和技能。
- 組織（Organization）： 指企業在AI的組織結構、流程、溝通和協作方面的設計和最佳化，以及與敏捷和創新的文化的協調程度。同時，還包括建立一個AI驅動的商業生態系，以及實作AI的自適應力和創造性。
- 治理（Governance）： 指企業在AI的風險辨識、評估、控制和監督方面的規範和機制，以及與負責任和可信的AI原則的遵守程度。此外，還包括建立一個AI信任、風險和安全管理（TRiSM）的框架，以及遵循數位道德和社會責任的原則。
Gartner的AI成熟度評估模型的特點如下：
- 戰略性與頂層設計： Gartner模型以自上而下的方法出發，首先從企業的戰略層面考察AI的願景和目標，強調了AI在實作企業長遠目標中的戰略性作用。
- 全面性與綜合評估： 該模型綜合考量企業在技術、數據、人才、組織和治理等多個方面的能力和水平，從而提供了企業AI成熟度的全面視角。
- 適應力與動態發展： Gartner模型根據企業在AI領域的不同發展階段和成熟程度，提供動態變化的評估標準和建議，支持企業根據自身情況制定針對性的AI發展策略。
- 指導性與操作性： 透過提供不同發展階段的評估標準和建議，Gartner模型不僅幫助企業理解當前AI能力水平，還指導企業如何實作AI領域的持續進步和轉型。
- 數據與技術能力的重視： 在綜合評估的基礎上，模型特別關註企業在數據管理和技術實施方面的能力，體現了數據和技術是推動AI成功實施的關鍵因素。
IBM AI成熟度評估模型
在2020年11月份，IBM釋出了【AI maturity framework for enterprise applications】。這是IBM的AI成熟度評估模型，其目的是幫助企業辨識自己在人工智慧套用上的優勢和不足，制定合適的人工智慧戰略和行動計劃，實作人工智慧的有效落地和持續最佳化。IBM企業AI成熟度模型的框架如下：
它將企業的AI成熟度分為3個級別：
1. 銀牌（Silver）： AI能力在這個層級的評分包括了一些最近引入的因素，使得產品具備了AI的基本條件。這是你開始了解AI是什麽，它如何影響業務，實作AI需要什麽工具和技術，如何準備數據等的第一階段。這是一個提升使用者體驗的能力層級，但不是企業使用者尋求的業務成果的關鍵因素。
2. 金牌（Gold）： AI能力在這個層級的評分能夠為使用者帶來有意義的業務成果。它會為AI的產品或套用在市場上帶來有利競爭。這個能力能夠基於最佳化或離線訓練的數據提供推薦，並提供基本的解釋，說明為什麽做出了某個決策或推薦。AI的功能可以被業務使用者使用，而不需要涉及數據科學家。在這個能力層級，展示了良好的數據衛生和工程過程的自動化。
3. 鉑金（Platinum）： AI能力在這個層級的評分是一個永續的差異化因素。它是企業使用者的關鍵工作流程的一部份，他們依賴它進行自動化的決策，只關註異常情況。AI的能力是復雜的，有適應輸入數據和使用者反饋的機制。AI做出的決策能夠被清晰地解釋和理解。使用者可以調整業務層面的參數和杠桿，來調節他們想要的結果。有非常強大和自動化的數據管理和數據治理措施。
在每個層級上，IBM的AI成熟度評估模型都包含7個核心的維度：
- 業務影響（Impact on Business）： 這是衡量AI在企業套用中創造的業務價值的維度。它包括兩個方面：（1） 業務影響度（Business impact）： 這是指AI對企業的收入或交易勝率的影響，如果這些資訊不可用，那麽可以用分析機構的排名或品牌印象來衡量。（2） 投資組合影響（Portfolio impact）： 這是指AI對企業的產品或服務的使用和滿意度的影響，可以用使用者登入次數、授權使用者數、API呼叫次數或NPS評分來衡量。這個維度反映了AI在企業套用中的核心價值和有利競爭。評估AI能力對企業收入和品牌的影響。
- 客戶價值（Value to Client）： 這是衡量AI在企業套用中為客戶創造的價值的維度。它包括兩個方面：（1） 業務流程結果 （Business process outcome）： 這是指AI能夠帶來的可衡量的業務成果，這些成果是沒有AI的情況下無法實作的。每個AI計畫都必須有清晰的指標，來評估計畫的成功與否（指標的例子有NPS，Wins等）。（2） 差異化（Differentiators）： 這是指AI能夠帶來的明顯的優勢，這些優勢使得客戶更傾向於選擇我們的產品或服務，而不是競爭對手的。這個維度反映了AI在企業套用中的客戶價值和市場影響。
- 技術成熟度（Technology Sophistication）： 這是衡量AI所使用的技術的復雜度和適用性的維度。它包含四個方面：（1） 技術適用性（Appropriateness of technology to the business problem）： 這一維度考察了企業在解決特定業務問題時所使用的技術工具是否與挑戰相適應。它涵蓋了各種技術，如機器學習（ML）、自然語言處理（NLP）、自然語言理解（NLU）、深度學習（RPU）和聊天機器人（ChatBot）等。評估技術是否與業務挑戰的性質和需求相匹配，以確保有效的解決方案。（2） 學習技術成熟度（Learning Techniques）： 這一維度關註了AI模型中嵌入的學習技術的成熟程度。它評估了AI模型是否具備適應傳入數據並透過使用者反饋進行學習的機制。成熟的學習技術有助於模型不斷提高效能和適應新情況。（3） 數據科學模型的重復使用（Re-use of Data Science models）： 這一維度考察了數據科學模型的可重復使用性。它關註模型是否容易被重用，以便擴充套件規模並實作營運效率的提升。重復使用數據科學模型可以加速開發和減少冗余工作。（4） 內部原始碼或開源的使用（Use of Inner Source or Open Source）： 這一維度評估了技術在開發中使用內部原始碼或開原始碼的效率。它關註技術如何有效地利用內部原始碼和開原始碼，以提高開發效率、構建社群、減輕道德和風險方面的顧慮，以及鼓勵可重復實驗。這也有助於降低開發成本和提高創新速度。
- 可信度（Trustworthiness）： 這是評估企業的AI能力在數據管理和安全性方面的維度。它包含5個方面：（1） 數據完整性（Integrity）： 是指在數據的整個生命周期中，保證數據的完整性，包括了解和記錄數據的來源和變化。（2） 數據品質（Quality）： 是指在數據的整個生命周期中，保證數據的品質，包括了測量和改善數據的問題和內容。（3） 偏見/公平性（Bias /Fairness)： 是指排除對群體、個體或數據內容的偏見，包括了證明結果的公平性和無偏性。（4） 可解釋性（Explainability）： 是指用業務術語解釋AI的邏輯和推理，包括了提供和追溯結果的解釋。（5） 安全性（Security）： 是指保護AI和AI融合的服務免受網路威脅或對抗攻擊，包括了提高套用和演算法的抵抗能力。這個維度反映了AI系統的可信度和責任性。
- 易用性（Ease of Use）： 這是否評估易於終端使用者理解和操作的維度。它主要考察 面向預期使用者的直觀性（Intuitive for Use by the Intended User） 。它考察了終端使用者在使用AI能力時是否需要專家（如數據科學家）的幫助，以及是否需要專業知識來解釋和理解AI的結果- AI營運模型（AI Operating Model）： 這是衡量AI系統的執行和維護的維度。它包括四個方面：（1） 部署（Deployment）： 是指AI系統的部署方式，是否使用了自動化的工具和流程，如CI/CD（持續整合/持續交付）管道。（2） 更新頻率（Update Frequency）： 是指AI系統的更新或重訓練的頻率，是否有自動化的過程。（3） 基礎架構/架構擴充套件（Infrastructure/Architecture Scaling）： 是指AI系統的基礎設施和架構是否能夠隨著解決方案的需求而擴充套件。（4） 監控（Monitoring）： 是指AI系統的監控方式，是否能夠分析和評估模型的效果，如模型漂移分析。
- AI營運模型 （AI Operating Model）:這是關註於成功安裝、維護和管理生產或客戶環境中AI的維度。這一維度對於確保AI系統的有效部署、營運和持續改進至關重要。它包括幾個關鍵領域：（1）部署（手動/自動）： 此方面評估構建AI原始碼、測試和部署過程中的成熟度和自動化程度。從銀級的手動構建整合和容器化過程，透過金級使用持續整合工具進行部署，到白金級完全自動化使用CI/CD和結構化操作過程，使暗啟動能力成為可能。（2）更新頻率： 此標準解決了AI模型可以多頻繁更新或重新訓練，以及這個過程是否自動化。在銀級，可能沒有建立持續訓練AI模型的計劃。在金級，根據人工評估模型品質定期培訓AI模型。在白金級，AI模型更新是自動的，基於模型和數據品質的自動評估。（3）基礎設施/架構規模化： 評估AI基於工作負載上下規模化的能力，以確保效能並最小化操作成本。它涉及從銀級的臨時使用技術和沒有定義的架構，到金級支持中心化容器化和偶爾的審查和修改，最終到白金級的靈活、中心管理的架構，具有容器化和自動規模化。（4）監控： 評估應用程式提供AI模型品質隨時間變化的可視性和管理能力的能力，包括模型漂移分析。它從銀級的基本預測準確性和結果日誌記錄，透過金級的基於持續監控的警報和自動觸發模型重新訓練。
- 數據管理（Data）： 這是衡量AI系統所依賴的數據的獲取和管理的維度。它包括兩個方面：（1） 數據采集與分析（Data Acquisition & Instrumentation）： 是指獲取數據並將其匯入分析系統的難易程度，包括了數據的來源、品質、格式、介面等。（2） 數據管理（Data Management）： 是指在數據的整個生命周期中，實施數據的治理、溯源、標準化等措施，保證數據的完整性、一致性、可用性等。
IBM企業AI成熟度模型的特點如下：
- 動態性與適應力： IBM模型根據企業在AI領域的不同發展階段提供了相應的評估和建議，有助於企業根據自身的具體情況進行調整和最佳化，體現了模型的動態性和適應力。
- 業務與技術的平衡： 該模型不僅關註技術實作的成熟度，還重視AI在業務層面的影響和價值，體現了業務和技術之間的平衡。
- 強調可信度與安全性： 在可信度維度中，模型強調數據的完整性、品質、偏見、可解釋性和安全性，突出了AI套用的可靠性和安全性。
- 使用者體驗的關註： 透過易用性維度，模型確保AI功能對終端使用者是直觀且易於操作的，提升了使用者體驗。
- 指導性與實用性： IBM模型不僅是評估工具，還是一個指導框架，幫助企業明確目標，並規劃提升AI能力的路徑，具有強指導性和實用性。
BFAL企業AI成熟度評估模型
BFAL是我個人總結出的一個企業AI成熟度評估模型。在計畫實踐中，我發現，在構建企業AI能力的道路上，向內審視固然重要，但洞悉外部環境的重要性同樣不容忽視。當前，基於GPU算力和大模型構建的AIGC生態正以前所未有的速度發展，基礎模型的能力提升速度令人贊嘆。對企業來說，AIGC的影響無論在廣度還是深度上都在快速加深。因此， 一個企業的AI成熟度不僅僅取決於其內部的能力和水平，還受到外部環境以及在競爭中相對優勢和差異的影響。 下面是BFAL的框架：
下面簡介BFAL模型的4個層級：
1. 基礎階段（Basic）： 這是企業處於AI套用的初探階段，主要集中在了解AI技術及其潛力。這個階段投資有限，主要關註於教育和小規模的試驗性計畫；缺乏專門的AI策略，技術實施主要依靠外部資源和咨詢。
2. 跟隨階段（Follower）： 企業開始實施AI計畫，但其套用的規模和深度通常低於行業平均水平。開始形成AI策略，但在執行力和技術深度上存在不足。投資逐漸增加，但主要集中在成熟的解決方案上。
3. 領先階段（Advanced）： 企業的AI套用超過了行業平均水平，開始在某些領域展現出領導地位。擁有較為成熟的AI策略，投資顯著增加，專註於透過AI創新推動業務增長。已經建立起強大的內部能力，包括數據管理、模型開發和部署。
4. 卓越階段（Leading）： 企業在AI領域達到了卓越水平，不僅在技術創新上處於領導地位，而且在市場影響力、業務模式創新和戰略布局上都展現出顯著的優勢。具有強大的AI生態系，包括研發、人才、數據和夥伴網路。能夠持續推動AI邊界的拓展，並對行業趨勢產生影響。
下面簡介BFAL模型的7個評估維度：
- 戰略 (Strategy)： 涵蓋企業對AI的長期視角、目標設定、以及如何將AI技術整合到總體業務戰略中。評估企業對AI投資的承諾程度，以及是否有明確的AI發展路線圖。
- 組織與人才 (Organization & Talent)： 評價企業在構建內部組織結構和文化以支持AI發展方面的努力。包括人才招聘、培訓、團隊建設，以及如何培養跨部門協作來實施AI計畫。
- 創新 (Innovation)： 衡量企業利用AI技術推動產品和業務創新的能力。這包括如何透過AI解決方案開發新的產品服務、進入新市場、或改造現有業務模式。重點關註企業如何將AI整合到創新過程中，以促進新價值的創造、提高市場競爭力，以及滿足不斷變化的客戶需求。此維度還考察企業對探索前沿AI技術、促進跨部門協同創新、以及快速應對市場變化的能力和效率。
- 業務效率與資源利用 (Business Efficiency & Resource Utilization)： 關註AI如何最佳化業務流程、提高效率和生產力，以及在資源配置和成本管理方面的影響。評估AI計畫在降低營運成本和提升資源利用效率方面的成果。
- 數據管理 (Data Management)： 涉及企業如何收集、儲存、處理和保護數據。包括數據品質、可存取性、以及數據治理政策，確保數據驅動的AI解決方案能夠有效實施。
- 技術 (Technology)： 評估企業在AI技術棧的選型、實施和維護方面的成熟度。包括基礎設施（如計算資源）、AI模型和演算法的套用、以及技術平台和工具的使用。
- 治理與倫理 (Governance & Ethics)： 關註企業在確保AI套用的合規性、透明性和公平性方面的政策和實踐。包括倫理指導原則、私密保護、以及對AI決策的監督和可解釋性。
BFAL模型的特點如下：
- 外部環境與有利競爭的考量： BFAL模型強調了除了內部能力和資源外，外部環境和企業在競爭中的相對位置對AI成熟度的重大影響。這體現了一個更廣闊視角的考慮，認識到成功實施AI不僅僅是內部努力的結果，還受到外部技術發展和市場動態的顯著影響。
- 重視AI與業務戰略的整合： BFAL模型特別強調了AI與企業總體戰略的融合，考察企業如何將AI技術整合進其業務戰略和目標中。這突出了對AI不僅作為技術工具，而是作為實作業務願景和長遠目標的戰略資產的理解。
- 人才、組織文化和創新的關鍵作用： 透過專門的維度強調人才、組織文化對AI發展的影響，以及創新在推動企業AI套用中的核心地位。這體現了人和文化因素在企業AI成功實施中的重要性，以及創新在實作有利競爭中的關鍵作用。
企業AI成熟度模型的對比分析
在比較Gartner AI成熟度評估模型、IBM AI成熟度評估模型、BFALAI成熟度評估模型時，我們可以從幾個關鍵維度進行分析：戰略性與頂層設計、全面性與綜合評估、適應力與動態發展、以及指導性與操作性等方面。
- 戰略性與頂層設計
- 全面性與綜合評估
- 適應力與動態發展
- 指導性與操作性
綜上所述，Gartner模型以其戰略性的頂層設計和全面的評估體系著稱，旨在提供一個從戰略到執行的全方位AI成熟度評估。IBM模型側重於技術的實施和套用成熟度，以及具體的操作性指導，幫助企業在AI領域實作具體的業務目標和技術進步。而BFAL模型則特別強調外部環境和競爭態勢對企業AI成熟度的影響，以及企業戰略、組織和技術等多方面的綜合考量。每個模型都有其獨特的優勢和側重點，企業應根據自身的具體需求和實際情況選擇合適的模型來指導其AI戰略的制定和執行。
結束語
在上面的探討中，我們研究了AI Ready的重要概念，並詳細介紹了Gartner、IBM以及BFAL三種不同的企業AI成熟度評估模型。每個模型從不同的角度解讀了企業在AI領域的成熟度，提供了獨特的視角和評估方法。透過對比分析，我們能夠更深入地理解這些模型之間的異同，以及它們各自的優勢和局限性。
正如過去的軍備競賽塑造了國家力量的相互對比，AI的飛速進步與廣泛套用正重新塑造企業間的商業競爭格局。成為AI Ready的含義遠超過僅僅掌握尖端技術，它代表了一場全方位的戰略性轉變。在歷史的軍備競賽中，勝利不僅取決於武器的數量，還需要明確的戰略方針、經過良好訓練的軍隊、高效運轉的組織結構、充足的資源供給以及堅不可摧的防禦系統。同樣， AI Ready要求企業在眾多方面做到充分準備：從認知覺醒、戰略布局，到人力資源、組織構架，從數據管理到技術套用，乃至風險控制。 唯有全面布局，企業才能在AI的革命浪潮中制定出明智的策略與行動方案，確保贏得勝利。
新的大航海時代已經開始，敵人已經在行動；訓練好我們的士兵，準備好我們的AI戰艦，戰鬥即將打響！
參考資料
1、【Artificial Intelligence Maturity Model】（Gartner研究報告）
2、【AI maturity framework for enterprise applications】（IBM研究報告）
