AI 成熟度：对您组织的意义

什么是 AI 成熟度

AI 成熟度衡量的是组织对 AI 的使用开发和审慎程度，而不仅仅是部署了 AI 工具。大多数框架将其描述为 AI 成熟度模型，从早期、非结构化的实验逐渐发展为全面的 AI 集成。

在最初阶段，少数员工凭个人意愿使用 AI。没有人批准过，也没有人接受过相关培训。结果参差不齐，其他员工也很少重复使用这些工作成果。

在下一个阶段，团队会开展结构化的试点。某个部门选择一个特定的任务，通过 AI 来执行，并评估其效果。非营利组织 Inteleos 负责管理医疗认证考试，它引入了 Perplexity Enterprise 来协助起草低风险的测验题目。试点成功后，Perplexity 随后在 Inteleos 团队中推广到了 88% 的覆盖率。

随着企业 AI 成熟度的提高，它们开始将 AI 工具构建到标准的工作流中，并将其连接到公司的数据库和系统。例如，在 Paypal，企业风险管理团队将 Perplexity 作为标准安全工作流的一部分，通过交叉比对所有权详细信息来验证 ID，并标记可疑账户。

而在最成熟的阶段，公司已经调整了其产品、商业模型或运营，以全面整合 AI。它们还可能使用智能体 AI 系统和模型，让模型之间相互交接工作。例如，在 Rox，AI 直接内置于产品本身：智能体自动化处理部分销售研究和 CRM 维护，而 Perplexity 的 API 则提供了支持这些工作流的外部智能。

为什么 AI 成熟度至关重要

来自 AI 的个人生产力提升相对普遍，麦肯锡 2026 年调查显示，80% 的受访者对此予以确认。但仅有 37% 的受访者表示它对组织的息税前利润 (EBIT) 做出了贡献。

结果的差异似乎与公司 AI 使用的成熟度有关。麦肯锡的 AI 高绩效企业（约占受访者的 6%）将至少 5% 的 EBIT 归功于 AI，并认为其价值显著。

拥有成熟 AI 项目的公司具有一些共同的核心行为特征：

• 它们围绕 AI 解决方案重组了工作流。近四分之三的麦肯锡高绩效企业因 AI 重新设计了工作流，而其他受访者这一比例为四分之一。
• 高层领导致力于 AI 的使用。在 BCG 2025 年针对 1,250 名高管的研究中，AI 成熟度得分最高的前 5% 的公司中，几乎全部公司都报告了深度参与的高管团队，而得分最低的 60% 的公司中这一比例仅为 8%。
• 它们优先考虑员工的 AI 技能开发。这些得分最高公司预期在那一年对其 50% 以上的员工进行 AI 培训，而得分最低的公司这一比例为 20%。
• 它们引入了智能体 AI 解决方案。麦肯锡的高绩效企业在大多数业务职能部门中扩展智能体的可能性是其他企业的 3 倍以上。

AI 成熟度：热门框架

高德纳 AI 成熟度模型根据 AI 融入组织流程的程度来评估其成熟度。它对组织的七个领域分别进行评分：战略、数据、治理、工程、运营模型、文化和 AI 价值。然后将组织分为以下五个阶段之一：

• 基础级：实验性使用，协调较少
• 新兴级：开展早期试点，受到一定高管关注
• 运营级：AI 用于业务流程
• 规模化级：AI 应用于多个职能部门，带来可衡量的投资回报率 (ROI)
• 变革级：AI 影响决策和运营模型，带来显著的竞争优势

德勤的 AI 自动化成熟度模型专门通过智能体嵌入公司流程的深度来衡量成熟度。

• 第 1 级：标准自动化，不涉及智能体。
• 第 2 级：基础自动化，将智能体引入现有流程。
• 第 3 级：围绕智能体能够实现的功能积极重新设计流程。
• 第 4 级：围绕 AI 能力对组织本身进行重组。

Google Cloud 的 AI 采纳框架跟踪三个阶段的成熟度。

• 战术级：简单、狭隘的 AI 用例，通常缺乏对下一步发展的连贯计划。
• 战略级：AI 带来可持续的业务价值，在生产中部署和维护了多个系统。
• 变革级：AI 是组织的核心，推动创新并由进一步扩展的结构提供支持。

它还将成熟度拆解为六个主题，每个主题均由两个核心领域（人员、流程、技术和数据）交织而成。

• 学习 (Learn)：构建 AI 技能项目的质量和规模。
• 引领 (Lead)：AI 工作是否得到领导层的支持以及跨团队的协调。
• 访问 (Access)：在整个组织中共享和重复使用数据与 AI 资产的难易程度。
• 规模 (Scale)：云原生服务是否能够处理实际体量的 AI 工作负载。
• 安全 (Secure)：数据和 AI 系统的保护与负责任治理程度。
• 自动化 (Automate)：AI 系统在生产中运行的可靠性。

虽然各框架在关注点和衡量标准上有所不同，但它们描绘了相同的成熟度历程：非结构化实验，随后是在领导层支持下的试点，再将 AI 构建到日常工作中，最后由 AI 重塑组织本身。

AI 成熟度：常见阻碍

有四个障碍往往会阻碍组织实现 AI 成熟度。以下是应对这些障碍的方法：

1. 数据质量

在引入跨职能 AI 试点时，选择第一个 AI 用例，然后确定它依赖的一两个数据源。确保这些数据源符合以下条件：

• 有组织的：仅在一个地方保留用例所需的记录。
• 准确的：删除重复项，修复过时的记录，并检查错误。
• 有权属的：指定专人负责保持数据准确并决定谁可以更改数据。

只有在第一个数据源产生可靠答案后，才能添加更多数据源。在 AI 工具读取的同一个地方定义共享术语，例如什么算作活跃客户。

2. 技能

在日历上设定一个定期时段（每日或每周），供人们独自或成组地在自己的工作中练习 AI。教导员工如何检查 AI 来源并评估其输出。

在推出新的 AI 工作流之前，让负责该任务的人员写下步骤，尝试 AI 版本，并指出其不足之处。将 AI 连接到已使用的工具中，并在更广泛推出之前与少数用户进行测试。

3. 治理

关于工具、数据和审核的明确规则使 AI 的使用能够在不增加风险的情况下快速增长和扩展。发布一份简短的批准工具列表并要求公司登录。设置数据分层，说明哪种类型的数据可以进入哪种工具。

决定每种工作需要多少人工审核，将每个 AI 辅助工作流分为三类之一：AI 自主、人工审核或人工自主。并记录哪个 AI 工具用于哪项工作以及谁审核了输出，以便可以追溯到错误的源头并予以纠正。

4. 商业价值

BCG 发现，成熟度得分最高公司中超过 60% 的企业严格追踪 AI 价值，而停滞不前的公司这一比例为 17%。选择一个可量化的工作流并记录基准：时间、成本和错误率。在试点开始前设定成功标准和决策日期。从第一天起跟踪每次使用的成本，只有在结果超越基准后才进行扩展。

AI 成熟度：术语表

AI 采纳：正在使用 AI 工具的程度。这通常与 AI 成熟度互换使用，但两者不同：成熟度指的是在整个组织中系统化地使用 AI。采纳仅指有多少人正在使用它。

AI 就绪度：基础设施和数据是否到位以良好地使用 AI。如果一个组织尚未根据 AI 的能力调整其运营方式，即使它拥有干净的数据和扎实的基础设施，其成熟度仍可能落后。

AI 成熟度：使用 AI 的审慎和有效程度。采纳和就绪度使成熟度成为可能，但不能保证成熟度的达成。

AI 治理：决定如何在组织内部负责任地使用 AI、谁来批准新用例以及审核内容的规则和流程。

智能体 AI：能够自主采取行动并执行多步骤任务的 AI 系统，而不仅仅是对单个提示词做出响应。

编排：运行多个 AI 智能体，其中一个智能体可以将任务的一部分移交给另一个智能体，而不是孤立地使用每个智能体。

AI 成熟度：快速自我评估

回答几个问题可以让任何员工大致了解其组织所处的水平。

Perplexity 的定位

Perplexity Computer 将 20 个先进模型整合到一个系统中（涵盖研究、分析、内容和代码，而不是将每个模型作为单独的工具运行），从而推动组织向 AI 成熟度迈进。它直接在这些模型之间分配工作，这正是更高成熟度阶段标志性的编排方式。

常见问题解答

什么是 AI 成熟度模型？
一个根据组织使用 AI 的开发程度和审慎程度来对组织的 AI 能力进行评分并为其指定级别的框架。

AI 成熟度的阶段有哪些？
大多数框架描述了类似的轨迹：非结构化实验，接着是结构化试点，然后是将 AI 构建到日常工作流中，最后是 AI 在整个组织中自主运行。

AI 成熟度与 AI 采纳有何不同？
采纳衡量的是是否正在使用 AI 工具。成熟度衡量的是使用这些工具的有效程度。

AI 成熟度与 AI 就绪度有什么区别？
就绪度衡量的是基础设施和数据是否到位以良好地使用 AI。成熟度衡量的是组织是否真正围绕该能力构建了其运营。

什么是 AI 治理？
决定如何在组织内部负责任地使用 AI 的规则和流程，包括谁批准新用例以及在部署之前审核什么内容。

什么是智能体 AI？
能够自主采取行动并执行多步骤任务的 AI 系统，而不是仅仅对单个提示词做出响应。

什么是 AI 编排？
将多个 AI 模型或系统组合运行，使一个模型能够将任务的一部分移交给另一个模型，而不是孤立地使用每个工具。

组织如何提高其 AI 成熟度？
通过超越孤立的实验，转向具有明确权属的结构化试点，然后将 AI 连接到真实数据和工作流，并针对 AI 可以在无需审核的情况下行事的场景构建治理机制。