在上一篇文章【 AI Ready（1）：从「黑灯工厂」走向「黑灯公司」，AIGC带来的新大航海时代】中，我们共同探索了AIGC的核心概念。通过分析劳动力的转变、创意与内容的创造、客户交流与服务的新模式，以及数据价值的深度挖掘和人机协同的组织变革，我们了解了企业在AI新时代所面临的挑战与机遇。在本文中，我们将继续深入探讨AI Ready的概念，介绍3个企业的AI成熟度评估模型： Gartner AI成熟度评估模型 、 IBM AI成熟度评估模型 以及笔者在项目中总结的 BFAL AI成熟度评估模型 。我们将从AI成熟度评估模型的角度分析企业AI Ready的关键要素，并对不同的AI成熟度模型进行比较。
AI Ready的概念
那么，AI Ready是什么呢？目前业界还没有一个统一的关于AI Ready的定义。在这里， 我们可以将AI Ready理解为一个组织为有效利用人工智能（AI）构建竞争力而做好全面准备的状态。 这种准备涉及到战略、技术、流程、人员和文化等多个方面。我们可以从以下三个维度来进一步阐述这个概念：
（1） AI Ready是一种综合能力： 这不仅包括企业在技术层面的准备，如选择和使用合适的AI技术和工具，还包括企业在其他层面的准备，如数据处理、人才培养、组织架构和风险管理等。这种能力使得企业能够灵活地应用AI技术和工具，解决实际业务问题，提升效率，并创造新的商业价值和竞争优势。
（2） AI Ready是一种前瞻态度： 这体现在企业对AI的整体认知和态度上，如对AI价值的深刻理解、对AI战略的明确规划、对AI创新的积极探索以及对AI伦理的重视等。这种态度使得企业能够以开放和积极的心态，拥抱AI带来的变化和机会，建立和维护与AI的良好关系，实现和AI的协同和共赢。
（3） AI Ready是一个持续过程： 这反映在企业在AI领域的不断学习和成长上，如对AI技术的持续关注、对AI应用的不断试验和优化、以及对AI发展的持续投入和支持等。这一过程使得企业能够及时地掌握AI的最新发展和趋势，不断地提升自身的AI能力和水平，不断地优化自己的AI应用和价值，不断地适应和引领AI的变革和发展。可见，AI Ready是一个多维度的概念，它不仅是技术准备，更是一种全面的业务转型和文化变革。它要求企业在技术、策略、人才、文化等多个层面进行深度准备，以充分应对AI带来的挑战和机遇，实现在人工智能时代的持续发展和成功。
企业AI成熟度评估模型
就像军队需要建立作战评估体系一样，AI的战备同样需要建立自己的评估体系——企业AI成熟度评估模型。这些模型从不同的角度和维度出发，定义了企业在AI领域的能力水平，以及如何实现从初级到高级的转型。接下来，我们将逐一介绍Gartner的AI成熟度评估模型、IBM的AI成熟度评估模型，以及笔者在项目实践中总结的BFAL企业AI成熟度评估模型。此外，我们还将对这些模型进行比较和深入分析。
Gartner AI成熟度评估模型
Gartner是一家全球领先的研究和咨询公司，它每年会发布一系列的技术成熟度曲线，用于评估和预测不同领域的新兴技术的发展趋势和影响力。Gartner判断AI是当今最具变革性和创新性的技术之一，而且，它已经渗透到各个行业和领域，为企业和社会带来了巨大的机遇和挑战。为了帮助企业评估和提升自身的AI成熟度，Gartner在2020年3月18日发布了【Artificial Intelligence Maturity Model】这份报告。它是一种用于评估企业在AI领域的能力和水平的工具。其基本框架如下：
它将企业的AI成熟度划分为五个阶段，分别是：
1. 规划（Planning）： 在这一阶段，组织需要建立一个人工智能愿景，评估人工智能的风险和机遇，以及找出3到6个用例。关于人工智能的内部讨论都是临时和预测性的，只有极少数人进行了项目试验或试点。
2. 实验（Experimentation）： 在这一阶段，组织需要建立一个人工智能治理框架，监测人工智能项目的业务影响和技术性能，以及起草初步概念证明（Proof of concept）项目计划。项目也可能处于试点阶段，同时，可能有非正式的团队为知识共享和早期的标准化工作在做准备。这一阶段旨在证明人工智能发展到下一阶段的价值。
3. 稳定（Stabilization）： 在这一阶段，组织需要建立一个人工智能卓越中心（COE），培养人工智能的文化和技能，以及为人工智能项目制定预算，并由制定管理层进行保障。第一批人工智能项目开始投产，通过实例化卓越中心（COE），使得充足的人工智能专家、最佳实践和技术可用于项目中。为了发展到下一个阶段，需要为人工智能的开发和部署开发一个端到端的流程，还要确保平台稳定以实现人工智能的进一步扩张和管理。
4. 扩张（Expansion）： 在这一阶段，组织需要建立一个人工智能工程（AI Engineering）的实践，实现人工智能的可解释性和可信赖性，以及扩张数据源和高风险/高回报的成功用例。包括优化过程在内的所有数字化项目都考虑使用人工智能来作为价值传递的方式。不断有新的产品和服务嵌入人工智能。业务部门开始信任人工智能技术，并做好使用人工智能技术的准备。IT Dev Ops/ML Ops专业人员主要负责维护和更新人工智能解决方案。
5. 转化（Transformation）： 在这一阶段，组织需要建立一个人工智能驱动的商业生态系统，实现人工智能的自适应性和创造性，以及人工智能被认为是执行所有业务流程的一个要素。所有在流程和应用设计过程中的人员都会接受人工智能培训，了解人工智能的优势和不足。人工智能驱动的应用程序可以在组织内和整个商业生态中进行交互。
Gartner的AI成熟度评估模型还包含了六个维度的要素，分别是：
- 战略（Strategy）： 指企业对AI的愿景、目标、规划和路线图，以及与业务战略的一致性和支持程度。同时，还包括评估AI的机会和风险，以及监测AI的业务影响和价值。
- 技术（Technology）： 指企业在AI的基础设施、平台、工具、框架和方法方面的选择和使用，以及与最佳实践的符合程度。此外，还包括建立一个AI工程（AI Engineering）的实践，以及实现AI的可解释性和可信赖性。
- 数据（Data）： 指企业在AI的数据获取、管理、质量、安全和治理方面的能力和水平，以及与数据驱动的文化的契合程度。同时，还包括使用小而宽数据策略（Small and Wide Data Strategy），以及利用合成数据和知识图谱等技术。
- 人才（Talent）： 指企业在AI的人才招聘、培养、激励和留存方面的策略和措施，以及与人才市场的竞争力和吸引力。此外，还包括建立一个AI卓越中心（COE），以及培养AI的文化和技能。
- 组织（Organization）： 指企业在AI的组织结构、流程、沟通和协作方面的设计和优化，以及与敏捷和创新的文化的协调程度。同时，还包括建立一个AI驱动的商业生态系统，以及实现AI的自适应性和创造性。
- 治理（Governance）： 指企业在AI的风险识别、评估、控制和监督方面的规范和机制，以及与负责任和可信的AI原则的遵守程度。此外，还包括建立一个AI信任、风险和安全管理（TRiSM）的框架，以及遵循数字道德和社会责任的原则。
Gartner的AI成熟度评估模型的特点如下：
- 战略性与顶层设计： Gartner模型以自上而下的方法出发，首先从企业的战略层面考察AI的愿景和目标，强调了AI在实现企业长远目标中的战略性作用。
- 全面性与综合评估： 该模型综合考量企业在技术、数据、人才、组织和治理等多个方面的能力和水平，从而提供了企业AI成熟度的全面视角。
- 适应性与动态发展： Gartner模型根据企业在AI领域的不同发展阶段和成熟程度，提供动态变化的评估标准和建议，支持企业根据自身情况制定针对性的AI发展策略。
- 指导性与操作性： 通过提供不同发展阶段的评估标准和建议，Gartner模型不仅帮助企业理解当前AI能力水平，还指导企业如何实现AI领域的持续进步和转型。
- 数据与技术能力的重视： 在综合评估的基础上，模型特别关注企业在数据管理和技术实施方面的能力，体现了数据和技术是推动AI成功实施的关键因素。
IBM AI成熟度评估模型
在2020年11月份，IBM发布了【AI maturity framework for enterprise applications】。这是IBM的AI成熟度评估模型，其目的是帮助企业识别自己在人工智能应用上的优势和不足，制定合适的人工智能战略和行动计划，实现人工智能的有效落地和持续优化。IBM企业AI成熟度模型的框架如下：
它将企业的AI成熟度分为3个级别：
1. 银牌（Silver）： AI能力在这个层级的评分包括了一些最近引入的因素，使得产品具备了AI的基本条件。这是你开始了解AI是什么，它如何影响业务，实现AI需要什么工具和技术，如何准备数据等的第一阶段。这是一个提升用户体验的能力层级，但不是企业用户寻求的业务成果的关键因素。
2. 金牌（Gold）： AI能力在这个层级的评分能够为用户带来有意义的业务成果。它会为AI的产品或应用在市场上带来竞争优势。这个能力能够基于优化或离线训练的数据提供推荐，并提供基本的解释，说明为什么做出了某个决策或推荐。AI的功能可以被业务用户使用，而不需要涉及数据科学家。在这个能力层级，展示了良好的数据卫生和工程过程的自动化。
3. 铂金（Platinum）： AI能力在这个层级的评分是一个可持续的差异化因素。它是企业用户的关键工作流程的一部分，他们依赖它进行自动化的决策，只关注异常情况。AI的能力是复杂的，有适应输入数据和用户反馈的机制。AI做出的决策能够被清晰地解释和理解。用户可以调整业务层面的参数和杠杆，来调节他们想要的结果。有非常强大和自动化的数据管理和数据治理措施。
在每个层级上，IBM的AI成熟度评估模型都包含7个核心的维度：
- 业务影响（Impact on Business）： 这是衡量AI在企业应用中创造的业务价值的维度。它包括两个方面：（1） 业务影响度（Business impact）： 这是指AI对企业的收入或交易胜率的影响，如果这些信息不可用，那么可以用分析机构的排名或品牌印象来衡量。（2） 投资组合影响（Portfolio impact）： 这是指AI对企业的产品或服务的使用和满意度的影响，可以用用户登录次数、许可用户数、API调用次数或NPS评分来衡量。这个维度反映了AI在企业应用中的核心价值和竞争优势。评估AI能力对企业收入和品牌的影响。
- 客户价值（Value to Client）： 这是衡量AI在企业应用中为客户创造的价值的维度。它包括两个方面：（1） 业务流程结果 （Business process outcome）： 这是指AI能够带来的可衡量的业务成果，这些成果是没有AI的情况下无法实现的。每个AI项目都必须有清晰的指标，来评估项目的成功与否（指标的例子有NPS，Wins等）。（2） 差异化（Differentiators）： 这是指AI能够带来的明显的优势，这些优势使得客户更倾向于选择我们的产品或服务，而不是竞争对手的。这个维度反映了AI在企业应用中的客户价值和市场影响。
- 技术成熟度（Technology Sophistication）： 这是衡量AI所使用的技术的复杂度和适用性的维度。它包含四个方面：（1） 技术适用性（Appropriateness of technology to the business problem）： 这一维度考察了企业在解决特定业务问题时所使用的技术工具是否与挑战相适应。它涵盖了各种技术，如机器学习（ML）、自然语言处理（NLP）、自然语言理解（NLU）、深度学习（RPU）和聊天机器人（ChatBot）等。评估技术是否与业务挑战的性质和需求相匹配，以确保有效的解决方案。（2） 学习技术成熟度（Learning Techniques）： 这一维度关注了AI模型中嵌入的学习技术的成熟程度。它评估了AI模型是否具备适应传入数据并通过用户反馈进行学习的机制。成熟的学习技术有助于模型不断提高性能和适应新情况。（3） 数据科学模型的重复使用（Re-use of Data Science models）： 这一维度考察了数据科学模型的可重复使用性。它关注模型是否容易被重用，以便扩展规模并实现运营效率的提升。重复使用数据科学模型可以加速开发和减少冗余工作。（4） 内部源代码或开源的使用（Use of Inner Source or Open Source）： 这一维度评估了技术在开发中使用内部源代码或开源代码的效率。它关注技术如何有效地利用内部源代码和开源代码，以提高开发效率、构建社区、减轻道德和风险方面的顾虑，以及鼓励可重复实验。这也有助于降低开发成本和提高创新速度。
- 可信度（Trustworthiness）： 这是评估企业的AI能力在数据管理和安全性方面的维度。它包含5个方面：（1） 数据完整性（Integrity）： 是指在数据的整个生命周期中，保证数据的完整性，包括了解和记录数据的来源和变化。（2） 数据质量（Quality）： 是指在数据的整个生命周期中，保证数据的质量，包括了测量和改善数据的问题和内容。（3） 偏见/公平性（Bias /Fairness)： 是指排除对群体、个体或数据属性的偏见，包括了证明结果的公平性和无偏性。（4） 可解释性（Explainability）： 是指用业务术语解释AI的逻辑和推理，包括了提供和追溯结果的解释。（5） 安全性（Security）： 是指保护AI和AI融合的服务免受网络威胁或对抗攻击，包括了提高应用和算法的抵抗能力。这个维度反映了AI系统的可信度和责任性。
- 易用性（Ease of Use）： 这是否评估易于终端用户理解和操作的维度。它主要考察 面向预期用户的直观性（Intuitive for Use by the Intended User） 。它考察了终端用户在使用AI能力时是否需要专家（如数据科学家）的帮助，以及是否需要专业知识来解释和理解AI的结果- AI运营模型（AI Operating Model）： 这是衡量AI系统的运行和维护的维度。它包括四个方面：（1） 部署（Deployment）： 是指AI系统的部署方式，是否使用了自动化的工具和流程，如CI/CD（持续集成/持续交付）管道。（2） 更新频率（Update Frequency）： 是指AI系统的更新或重训练的频率，是否有自动化的过程。（3） 基础架构/架构扩展（Infrastructure/Architecture Scaling）： 是指AI系统的基础设施和架构是否能够随着解决方案的需求而扩展。（4） 监控（Monitoring）： 是指AI系统的监控方式，是否能够分析和评估模型的效果，如模型漂移分析。
- AI运营模型 （AI Operating Model）:这是关注于成功安装、维护和管理生产或客户环境中AI的维度。这一维度对于确保AI系统的有效部署、运营和持续改进至关重要。它包括几个关键领域：（1）部署（手动/自动）： 此方面评估构建AI源代码、测试和部署过程中的成熟度和自动化程度。从银级的手动构建集成和容器化过程，通过金级使用持续集成工具进行部署，到白金级完全自动化使用CI/CD和结构化操作过程，使暗启动能力成为可能。（2）更新频率： 此标准解决了AI模型可以多频繁更新或重新训练，以及这个过程是否自动化。在银级，可能没有建立持续训练AI模型的计划。在金级，根据人工评估模型质量定期培训AI模型。在白金级，AI模型更新是自动的，基于模型和数据质量的自动评估。（3）基础设施/架构规模化： 评估AI基于工作负载上下规模化的能力，以确保性能并最小化操作成本。它涉及从银级的临时使用技术和没有定义的架构，到金级支持中心化容器化和偶尔的审查和修改，最终到白金级的灵活、中心管理的架构，具有容器化和自动规模化。（4）监控： 评估应用程序提供AI模型质量随时间变化的可视性和管理能力的能力，包括模型漂移分析。它从银级的基本预测准确性和结果日志记录，通过金级的基于持续监控的警报和自动触发模型重新训练。
- 数据管理（Data）： 这是衡量AI系统所依赖的数据的获取和管理的维度。它包括两个方面：（1） 数据采集与分析（Data Acquisition & Instrumentation）： 是指获取数据并将其导入分析系统的难易程度，包括了数据的来源、质量、格式、接口等。（2） 数据管理（Data Management）： 是指在数据的整个生命周期中，实施数据的治理、溯源、标准化等措施，保证数据的完整性、一致性、可用性等。
IBM企业AI成熟度模型的特点如下：
- 动态性与适应性： IBM模型根据企业在AI领域的不同发展阶段提供了相应的评估和建议，有助于企业根据自身的具体情况进行调整和优化，体现了模型的动态性和适应性。
- 业务与技术的平衡： 该模型不仅关注技术实现的成熟度，还重视AI在业务层面的影响和价值，体现了业务和技术之间的平衡。
- 强调可信度与安全性： 在可信度维度中，模型强调数据的完整性、质量、偏见、可解释性和安全性，突出了AI应用的可靠性和安全性。
- 用户体验的关注： 通过易用性维度，模型确保AI功能对终端用户是直观且易于操作的，提升了用户体验。
- 指导性与实用性： IBM模型不仅是评估工具，还是一个指导框架，帮助企业明确目标，并规划提升AI能力的路径，具有强指导性和实用性。
BFAL企业AI成熟度评估模型
BFAL是我个人总结出的一个企业AI成熟度评估模型。在项目实践中，我发现，在构建企业AI能力的道路上，向内审视固然重要，但洞悉外部环境的重要性同样不容忽视。当前，基于GPU算力和大模型构建的AIGC生态正以前所未有的速度发展，基础模型的能力提升速度令人赞叹。对企业来说，AIGC的影响无论在广度还是深度上都在快速加深。因此， 一个企业的AI成熟度不仅仅取决于其内部的能力和水平，还受到外部环境以及在竞争中相对优势和差异的影响。 下面是BFAL的框架：
下面简介BFAL模型的4个层级：
1. 基础阶段（Basic）： 这是企业处于AI应用的初探阶段，主要集中在了解AI技术及其潜力。这个阶段投资有限，主要关注于教育和小规模的试验性项目；缺乏专门的AI策略，技术实施主要依靠外部资源和咨询。
2. 跟随阶段（Follower）： 企业开始实施AI项目，但其应用的规模和深度通常低于行业平均水平。开始形成AI策略，但在执行力和技术深度上存在不足。投资逐渐增加，但主要集中在成熟的解决方案上。
3. 领先阶段（Advanced）： 企业的AI应用超过了行业平均水平，开始在某些领域展现出领导地位。拥有较为成熟的AI策略，投资显著增加，专注于通过AI创新推动业务增长。已经建立起强大的内部能力，包括数据管理、模型开发和部署。
4. 卓越阶段（Leading）： 企业在AI领域达到了卓越水平，不仅在技术创新上处于领导地位，而且在市场影响力、业务模式创新和战略布局上都展现出显著的优势。具有强大的AI生态系统，包括研发、人才、数据和伙伴网络。能够持续推动AI边界的拓展，并对行业趋势产生影响。
下面简介BFAL模型的7个评估维度：
- 战略 (Strategy)： 涵盖企业对AI的长期视角、目标设定、以及如何将AI技术整合到总体业务战略中。评估企业对AI投资的承诺程度，以及是否有明确的AI发展路线图。
- 组织与人才 (Organization & Talent)： 评价企业在构建内部组织结构和文化以支持AI发展方面的努力。包括人才招聘、培训、团队建设，以及如何培养跨部门协作来实施AI项目。
- 创新 (Innovation)： 衡量企业利用AI技术推动产品和业务创新的能力。这包括如何通过AI解决方案开发新的产品服务、进入新市场、或改造现有业务模式。重点关注企业如何将AI集成到创新过程中，以促进新价值的创造、提高市场竞争力，以及满足不断变化的客户需求。此维度还考察企业对探索前沿AI技术、促进跨部门协同创新、以及快速应对市场变化的能力和效率。
- 业务效率与资源利用 (Business Efficiency & Resource Utilization)： 关注AI如何优化业务流程、提高效率和生产力，以及在资源配置和成本管理方面的影响。评估AI项目在降低运营成本和提升资源利用效率方面的成果。
- 数据管理 (Data Management)： 涉及企业如何收集、存储、处理和保护数据。包括数据质量、可访问性、以及数据治理政策，确保数据驱动的AI解决方案能够有效实施。
- 技术 (Technology)： 评估企业在AI技术栈的选型、实施和维护方面的成熟度。包括基础设施（如计算资源）、AI模型和算法的应用、以及技术平台和工具的使用。
- 治理与伦理 (Governance & Ethics)： 关注企业在确保AI应用的合规性、透明性和公平性方面的政策和实践。包括伦理指导原则、隐私保护、以及对AI决策的监督和可解释性。
BFAL模型的特点如下：
- 外部环境与竞争优势的考量： BFAL模型强调了除了内部能力和资源外，外部环境和企业在竞争中的相对位置对AI成熟度的重大影响。这体现了一个更广阔视角的考虑，认识到成功实施AI不仅仅是内部努力的结果，还受到外部技术发展和市场动态的显著影响。
- 重视AI与业务战略的整合： BFAL模型特别强调了AI与企业总体战略的融合，考察企业如何将AI技术整合进其业务战略和目标中。这突出了对AI不仅作为技术工具，而是作为实现业务愿景和长远目标的战略资产的理解。
- 人才、组织文化和创新的关键作用： 通过专门的维度强调人才、组织文化对AI发展的影响，以及创新在推动企业AI应用中的核心地位。这体现了人和文化因素在企业AI成功实施中的重要性，以及创新在实现竞争优势中的关键作用。
企业AI成熟度模型的对比分析
在比较Gartner AI成熟度评估模型、IBM AI成熟度评估模型、BFALAI成熟度评估模型时，我们可以从几个关键维度进行分析：战略性与顶层设计、全面性与综合评估、适应性与动态发展、以及指导性与操作性等方面。
- 战略性与顶层设计
- 全面性与综合评估
- 适应性与动态发展
- 指导性与操作性
综上所述，Gartner模型以其战略性的顶层设计和全面的评估体系著称，旨在提供一个从战略到执行的全方位AI成熟度评估。IBM模型侧重于技术的实施和应用成熟度，以及具体的操作性指导，帮助企业在AI领域实现具体的业务目标和技术进步。而BFAL模型则特别强调外部环境和竞争态势对企业AI成熟度的影响，以及企业战略、组织和技术等多方面的综合考量。每个模型都有其独特的优势和侧重点，企业应根据自身的具体需求和实际情况选择合适的模型来指导其AI战略的制定和执行。
结束语
在上面的探讨中，我们研究了AI Ready的重要概念，并详细介绍了Gartner、IBM以及BFAL三种不同的企业AI成熟度评估模型。每个模型从不同的角度解读了企业在AI领域的成熟度，提供了独特的视角和评估方法。通过对比分析，我们能够更深入地理解这些模型之间的异同，以及它们各自的优势和局限性。
正如过去的军备竞赛塑造了国家力量的相互对比，AI的飞速进步与广泛应用正重新塑造企业间的商业竞争格局。成为AI Ready的含义远超过仅仅掌握尖端技术，它代表了一场全方位的战略性转变。在历史的军备竞赛中，胜利不仅取决于武器的数量，还需要明确的战略方针、经过良好训练的军队、高效运转的组织结构、充足的资源供给以及坚不可摧的防御系统。同样， AI Ready要求企业在众多方面做到充分准备：从认知觉醒、战略布局，到人力资源、组织构架，从数据管理到技术应用，乃至风险控制。 唯有全面布局，企业才能在AI的革命浪潮中制定出明智的策略与行动方案，确保赢得胜利。
新的大航海时代已经开始，敌人已经在行动；训练好我们的士兵，准备好我们的AI战舰，战斗即将打响！
参考资料
1、【Artificial Intelligence Maturity Model】（Gartner研究报告）
2、【AI maturity framework for enterprise applications】（IBM研究报告）
