宝软数字 · 战略思维系列 · 2025-07-19
读到这里，你可能已经意识到：AI落地不是买一套工具、招几个人、做一个项目那么简单。它是一个需要组织在技术、流程、文化和人才多个维度上同步进化的系统工程。那么这个进化过程有没有一个可以参考的路线图？企业如何判断自己现在处于什么水平、下一步应该走向哪里？
这正是AI能力成熟度模型的价值所在。基于对上百家企业AI转型过程的观察和研究，我们提出了一个五级成熟度模型。它不是为了给企业贴标签——"哦你是L2，他们比你高一级"——而是为了帮助企业精准定位自己的位置，看清当前阶段的核心挑战，找到通往下一级的最佳路径。
成熟度模型的价值不是让你知道自己在哪，而是让你看清楚前面的路。
我们的五级模型从低到高分别是：L1无知期（Unaware）、L2好奇期（Curious）、L3实验期（Experimenting）、L4嵌入期（Embedded）、L5原生期（AI-Native）。这五个级别不是严格的线性阶梯——现实中企业可能在某个维度上处于L4，在另一个维度上还停留在L2。但整体来看，每一级都有其典型特征和核心挑战。
我们选择用五个维度来评估企业的AI成熟度：战略认知（组织对AI的理解和战略定位）、技术能力（AI相关的技术基础设施和工程能力）、数据基础（数据的质量、治理和可用性）、人才与文化（组织内的人才结构和对AI的态度）、落地成果（AI项目产生的实际业务价值）。每个级别在这五个维度上都有不同的表现。
接下来，我们逐级展开，让你能够对照自己的组织状态，找到最匹配的那一级。
典型特征：公司上下没有人真正关心AI。决策层可能听说过ChatGPT，但觉得"那是科技公司的事，跟我们没关系"。公司没有AI相关预算，没有相关人才，也没有任何AI应用。业务运转完全依赖传统方式，数据仅仅用来支持报表和会计。
在这个阶段，最常见的反应是"我们不需要AI"或者"我们行业太传统了，AI用不上"。这种判断通常来自对AI能力的误解——以为AI就是生成文本或者画图，而不知道AI在供应链优化、质量检测、客户洞察、风险预测等领域的成熟应用。
核心挑战：最大的障碍是认知空白。团队不知道AI能解决什么问题，也不觉得自己有问题需要AI来解决。
下一步行动：开展AI扫盲工作。安排一次面向中高层的AI启蒙研讨会，用同行业其他企业的AI应用案例来展示可能性。不需要决定"要不要做AI"，只需要先理解"AI是什么、能做什么"。同时开始收集和整理基础业务数据——数据是AI的基础，即使在L1阶段也应该开始为未来做准备。
典型特征：公司开始对AI产生兴趣。可能是CEO参加了一个行业峰会听到了AI的话题，或者是看到竞争对手宣传了AI能力。有人开始在内部提议"我们也应该用AI"，但没有人清楚具体该做什么、从哪里开始。
这个阶段的企业往往有一些零散的AI使用：个别员工用ChatGPT写邮件或做翻译，某个部门尝试用AI工具做了几张海报。但这些是个人级别的自发性使用，没有组织层面的统一规划和支持。企业可能会派几个人去参加AI培训，或者请一个外部专家来做一次分享。
核心挑战：从"感兴趣"变成"知道怎么行动"。在缺乏系统规划的情况下，AI的尝试往往是碎片化的、不可持续的。
下一步行动：进行系统性的AI机会扫描。组织一次跨部门的AI头脑风暴工作坊，用结构化的方法识别企业内部的AI应用场景。对识别出的场景进行优先级排序——考虑三个因素：业务价值的大小、技术可行性的高低、数据就绪度。从中选出两到三个"低风险高价值"的场景作为下一步试点的候选。同时开展针对中高层管理者的AI素养培训。
典型特征：企业已经启动了一到两个AI试点项目。可能是一个AI客服机器人，一个智能文档审核系统，或者一个销售预测模型。试点有专门的预算和团队（可能是内部组建的，也可能是外包或购买第三方方案），目标是在有限范围内验证AI的可行性。
这个阶段的企业最典型的困惑是"试点跑得不错但不知道该怎么扩展"。试点团队通常很有热情，成果也很鼓舞人心——但试点结束后，项目如何从"实验品"变成"日常工具"，这个转化过程往往充满了不确定性和阻力。技术团队说"可以推广"，业务部门说"还不够好"，IT部门说"我们没准备好支持这个"，安全部门说"合规审查还没做完"。
核心挑战：跨越"试点陷阱"——将AI从一个实验项目转变为能持续运行的业务能力。
下一步行动：三件事。第一，对试点项目做一次彻底的复盘——不是在技术层面，而是在组织层面：这个项目在规模化之前需要解决的工程化问题是什么？需要哪些部门的协同？现有的组织流程中有哪些会成为障碍？第二，建立AI基础设施的雏形：哪怕只是一个简单的模型部署框架、一个基础的数据管道和一个简易的监控Dashboard。第三，成立AI卓越中心（CoE），哪怕只有两三个人，负责制定标准、共享经验和推动扩展。
典型特征：AI已经嵌入多个核心业务流程，并且产生了可衡量的业务价值。客户服务团队日常使用AI辅助回复，供应链部门依赖AI预测做库存决策，HR部门用AI筛选简历和制定培训计划。AI不是"那个特殊的项目"，而是"做业务的方法"的一部分。
在这个阶段，组织已经建立了相对成熟的AI基础设施（MLOps平台、数据治理体系、模型监控体系），AI卓越中心运转良好，人才梯队中包含了AI产品经理、AI工程师、数据标注团队等多元角色。管理层对AI的投资回报有清晰的追踪，新员工入职培训中包含AI工具的使用。
核心挑战：防止AI能力的"熵增"——随着AI系统的增加，管理的复杂度呈指数级上升。模型之间的依赖关系、数据之间的版本一致性、不同版本模型的兼容性、安全合规的持续保障——这些问题如果处理不好，会让L4的组织退回到一种"混乱的L4"状态。
下一步行动：建立AI治理委员会，负责全公司AI系统的标准、安全和伦理审查。推行AI系统生命周期管理——每个AI系统从立项到退役都有完整的流程和责任人。投资AI平台的统一化——将分散的AI能力整合到一个统一的平台上，降低维护成本和提高复用率。开始探索"AI创造新业务"的可能性，而不仅仅是"AI优化现有业务"。
典型特征：如果说L4是"用AI做事"，L5就是"AI定义了做事的方式"。在L5的组织中，每一个重要的业务决策都有AI的参与或辅助；每一位员工都有使用AI工具的习惯和判断AI输出的能力；新业务的设计从第一天就考虑"如何用AI实现差异化"；组织架构的设计围绕着人机协作的最优模式进行。
L5的组织不是"有很多AI系统"——而是"整个组织的运作方式就是人机协作"。就像今天的互联网企业不会说"我们在用互联网"——互联网已经融入了它们的一切。
在L5阶段，AI不再是一项成本，而是构建竞争壁垒的核心能力。企业的竞争优势来自：比竞争对手更快地用AI发现客户需求、更准地用AI优化运营效率、更深地用AI创造独特的产品体验。
核心挑战：保持AI伦理和社会责任。当AI深度嵌入组织的每一个决策，它的偏见和错误也会被系统性放大。L5企业的最大风险不是技术问题，而是AI决策对社会、客户和员工产生的不公平影响。
下一步行动：建立AI伦理委员会（独立于业务部门），对所有AI重大决策进行影响评估。投资AI可解释性研究——确保关键决策的AI逻辑可以被审计和解释。主动参与行业AI标准的制定，做负责任的AI领导者而不仅仅是AI使用者。
读到这里，你可能已经对自己的企业有了一个直觉判断。但我们建议做一个更系统的评估：用五个维度（战略认知、技术能力、数据基础、人才与文化、落地成果）分别打分，取中位数作为整体成熟度级别。
下面是一个简化的自评问卷，你可以和核心团队一起完成。每个维度回答三个问题，是得1分，部分得0.5分，否得0分。总分除以3，四舍五入取整，就是该维度的级别。
战略认知维度：董事会或CEO是否公开表达过AI对公司的战略重要性？公司是否有书面的AI战略文档？AI项目的优先级和预算是否由CXO级别直接管理？
技术能力维度：公司是否拥有完整的AI技术基础设施（训练、部署、监控）？是否有标准化的AI开发流程（从数据准备到模型上线）？AI系统的可用性和安全性是否达到企业级标准？
数据基础维度：核心业务数据是否经过系统性治理（标准化、去重、质量监控）？不同系统之间的数据是否打通并可以关联？是否建立了数据生命周期管理机制（采集、存储、使用、归档）？
人才与文化维度：公司是否拥有多元化的AI人才团队（业务、数据、算法、工程、产品）？中层及以上管理者是否具备AI素养（理解AI的能力和局限）？一线员工是否在日常工作中使用AI工具并感到自然？
落地成果维度：是否有至少两个AI系统在持续运行六个月以上？这些系统是否产生了可量化的业务价值（降本或增收）？AI项目的成功率（从立项到生产上线）是否超过50%？
不要追求"跳级"。我们见过太多企业在看到L5的描述后热血沸腾，试图直接从L2跳到L4——结果是资源浪费、团队挫败、领导失望。成熟度的提升是一个需要时间积累的有机过程。每一级的基础都必须扎实，才能支撑下一级的发展。
如果你的企业现在是L2，把目标设为"一年内达到L3"——这是合理的节奏。如果你已经是L3，目标可以是"一年半内达到L4"。如果你达到了L4，恭喜你，你已经领先于90%的企业了。
五级成熟度模型是一个指南针，不是一根鞭子。它的作用是帮助你找到方向、看清差距、制定可行的计划。AI转型是一场马拉松，不是百米冲刺。清楚自己在哪里，比盲目奔跑重要得多。
