企业 AI 落地，第一步不是上工具，而是先做一次“能力体检”

当下企业谈 AI 已经不新鲜了。有的企业开始用大模型写材料、做客服、辅助研发；有的企业在搭知识库、做智能问答；也有一些企业已经在尝试智能体，希望把 AI 接到具体流程里。但真正往下推进时，很多人都会遇到一个问题：我们到底准备好了吗？这个问题看起来简单，其实并不好回答。因为企业用 AI，不是买一个工具、开几个账号、让员工试试看就算开始了。真正能不能用起来，背后涉及很多东西：业务场景有没有选对，数据能不能用，系统能不能接，流程能不能跑通，出了问题谁负责，效果怎么评估，成本怎么控制，风险怎么管。所以，在真正大规模投入之前，先做一次 AI 成熟度或就绪度测评，是很有必要的。它不一定能给出标准答案，但至少能帮企业看清自己现在在哪个位置，哪些条件已经具备，哪些地方还没准备好。

有几个比较有参考价值的在线测评工具，分别覆盖 AI 成熟度、AI 就绪度，以及负责任 AI 和治理能力几个方向。它们不一定都适合直接拿来用，但很适合用来理解：企业评估 AI 能力时，到底应该看哪些方面。

第一个是 Gartner AI Maturity Model and Roadmap Toolkit，网址是：https://www.gartner.com/en/chief-information-officer/research/ai-maturity-model-toolkit。Gartner 这个工具更偏企业级视角，适合用来看 AI 能力成熟度和后续路线图。它关注的不是某一个 AI 工具好不好用，而是企业整体处在什么阶段：是刚开始了解 AI，还是已经有一些试点；是少数部门自己在尝试，还是已经准备做企业级推广；是把 AI 当作工具，还是已经开始把 AI 放进业务流程和管理体系里。这个视角对企业很重要。因为不同阶段要解决的问题不一样。刚开始时，最重要的是找到合适场景；试点阶段，要看效果和风险；到了规模化阶段，就要考虑平台、治理、组织分工和持续运营。所以，Gartner 这类工具更适合企业管理层、数字化负责人、CIO 或咨询团队参考，用来判断企业 AI 建设大概走到了哪一步。

第二个是 Cisco AI Readiness Assessment，网址是：https://www.cisco.com/c/m/en_us/solutions/ai/readiness-index/assessment-tool.html。Cisco 这个测评更关注“准备好了没有”。成熟度和就绪度不是一回事。成熟度看的是企业已经发展到什么水平，就绪度看的是企业有没有条件继续往前走。很多 AI 项目做不下去，并不是因为模型不够强，而是企业本身没有准备好。比如数据分散在不同系统里，业务规则没人整理，权限体系不清楚，安全要求没有提前考虑，基础设施支撑不了高频调用，业务部门和技术部门对目标理解也不一致。这些问题如果前期不看清楚，后面项目越做越累。Cisco 这类就绪度测评的价值，就是提醒企业在正式投入之前，先检查一下基本条件：战略有没有想清楚，数据有没有基础，系统能不能支撑，安全和治理有没有提前设计。

第三个是 Sopra Steria AI Maturity Self-Assessment，网址是：https://www.soprasteria.co.uk/technology/is-your-organisation-ready-to-scale-ai。Sopra Steria 这个工具属于比较典型的 AI 成熟度自评，适合企业快速判断自己是否具备扩大 AI 应用的基础。这类工具有一个好处：它能帮助企业内部形成共同语言。很多企业内部讨论 AI 时，管理层、业务部门、技术部门、数据团队、合规部门，关注点往往不一样。管理层关心投入产出，业务部门关心效率，技术部门关心系统和数据，合规部门关心风险。大家都在谈 AI，但说的可能不是一件事。成熟度自评的作用，就是把这些问题放到一张表里，让大家围绕同一套维度讨论。这样 AI 就不只是一个口号，也不只是某个部门的工具尝试，而是可以被拆解、被评估、被推进的工作。

第四个是 EIT AI Community AI Maturity Tool，网址是：https://ai.eitcommunity.eu/services/ai-maturity-tool。EIT AI Community 的 AI Maturity Tool 也是成熟度评估工具，特点是从多个维度看企业 AI 能力，并形成比较直观的反馈。它给我们的启发是：AI 能力不能只看技术。一个企业能接入大模型，不代表 AI 能力成熟；有知识库，也不代表能产生稳定价值。真正要看的是，企业有没有清楚的业务目标，有没有适合的应用场景，有没有可用的数据和知识，有没有相应的组织和治理机制。这对国内不少企业很有参考意义。现在很多企业做 AI，往往从工具采购或单点试点开始，但对整体能力缺少盘点。成熟度测评的价值，就是让企业从“我用了什么工具”，转向“我到底具备什么能力”。

第五个是 Responsible AI Institute 5-Minute AI Maturity Assessment，网址是：https://www.responsible.ai/5-minute-ai-maturity-assessment/。Responsible AI Institute 这个测评重点放在负责任 AI 上，关注的是风险、伦理、责任机制和治理实践。这个方向现在越来越重要。早期用 AI，很多场景只是写写文案、总结资料、辅助搜索，风险相对可控。但当 AI 开始进入客服、合同审核、招聘筛选、风控判断、运维派单等流程时，问题就不只是“回答得准不准”了，还要看：出了错谁负责？过程能不能追溯？结果能不能解释？有没有人工审核？有没有风险分级？有没有停用和纠偏机制？所以，负责任 AI 不是一句好听的话，而是企业能不能放心扩大 AI 应用的基础。越是进入核心业务，越不能只看效率，也要看风险和责任。

第六个是 Microsoft Responsible AI Maturity Model，网址是：https://www.microsoft.com/en-us/research/publication/responsible-ai-maturity-model/。微软的 Responsible AI Maturity Model 也是围绕负责任 AI 展开的，适合企业参考它来建设 AI 治理能力。很多企业都会写一些原则，比如安全、可靠、公平、透明、可控。但问题是，原则写出来并不难，难的是怎么落实到具体管理动作里。比如，企业有没有 AI 使用规范？有没有上线前审查？有没有风险分级？有没有人机协同机制？有没有日志和审计记录？有没有持续监控和纠偏流程？微软这个模型的参考意义就在这里：它不是只谈理念，而是提醒企业把负责任 AI 变成可以执行、可以检查、可以改进的能力。

第七个是 Aona AI Governance Maturity Assessment，网址是：https://aona.ai/resources/templates/ai-governance-maturity-assessment/。Aona 这个工具更偏 AI 治理成熟度，关注 ISO 42001、EU AI Act 等管理体系和监管要求。这说明一个趋势：AI 已经不只是技术问题，也越来越成为管理问题。企业真正需要的，不是零散做几个 AI 应用，而是建立一套能管理、能审计、能追责、能持续改进的治理体系。尤其是在金融、能源、制造、医疗、公共服务等行业，AI 一旦进入核心流程，就必须考虑安全、合规、可靠性和责任边界。没有治理能力，AI 很难从试点走向核心业务。因为越往核心流程走，越不能只靠“先试试看”。

第八个是 Withum AI Readiness Self-Assessment，网址是：https://www.withum.ai/resources/ai-readiness-self-assessment/。Withum 这个自评工具关注的是企业在 AI、自动化和生成式 AI 应用扩展前的准备情况。它有一个很现实的提醒：AI 不是孤立落地的。很多时候，AI 项目做不好，不是 AI 本身的问题，而是企业原来的流程、数据、系统和组织协同就存在问题。流程不清楚，AI 就不知道该按什么规则判断；数据不可信，AI 输出就容易出错；职责不明确，出了问题就没人负责；系统打不通，AI 就只能停留在演示层面。所以，AI 就绪度本质上也是在看企业的数字化基础。基础越扎实，AI 越容易发挥价值；基础越混乱，AI 越可能放大原来的问题。

把这几个工具放在一起看，会发现它们虽然各有侧重，有的看成熟度，有的看就绪度，有的看治理和风险，但其实都在提醒同一件事：企业用 AI，不能只看有没有工具，而要看有没有能力。这个能力至少包括八个方面。第一，战略是不是清楚。企业到底为什么用 AI，是为了降本、提效、提升体验、加强风控，还是探索新业务？如果目标不清楚，AI 很容易变成展示项目。第二，场景是不是选对。不是所有流程都适合 AI，也不是所有问题都值得优先解决。好的 AI 场景，一般要业务价值明确、数据基础较好、流程相对稳定、风险可控、效果可以衡量。第三，数据和知识有没有基础。AI 要真正好用，离不开企业自己的知识、规则、案例、流程和数据。如果这些东西没有整理好，AI 很难给出稳定结果。第四，技术能不能接得上。AI 如果只是一个单独工具，很难改变业务流程。只有接入业务系统、数据平台、权限体系和工作流，才可能真正产生持续价值。第五，组织有没有人负责。AI 落地不是技术部门一个人的事，也不是业务部门随便试试就能成。需要业务、技术、数据、安全、法务、合规等角色共同参与。第六，人才能力能不能跟上。AI 应用上线以后，还需要持续优化提示词、维护知识库、评估效果、调整流程、监控风险。没有持续运营能力，项目很容易停在试点阶段。第七，风险能不能管住。AI 进入业务流程后，必须考虑风险分级、人工审核、权限控制、审计追踪和异常处理。第八，价值能不能算清楚。AI 不能只看用了多少次、生成了多少内容，而要看是否真的缩短了周期、降低了成本、减少了错误、改善了体验或带来了收入增长。

对企业来说，如果要设计一套 AI 成熟度或就绪度测评，可以借鉴这些工具的思路，但不必照搬国外模型。比较合适的做法，是围绕八个维度来设计：战略与目标、业务场景、数据与知识、技术与平台、组织与人才、流程与运营、安全与治理、价值与改进。每个维度再分成几个阶段，比如初始阶段、探索阶段、试点阶段、扩展阶段和优化阶段。这样测出来的结果，就不只是一个分数，而是一张能力地图。企业可以看到自己强在哪里、弱在哪里，也能判断下一步该补什么。刚开始的企业，不一定要急着做复杂智能体，可能更应该先找清楚场景，梳理流程和数据。已经有试点的企业，重点可能是建立评估指标，把经验沉淀下来。已经规模化使用 AI 的企业，则要重点关注治理、成本、风险和持续优化。

AI 时代，企业之间的差距，表面上看是工具差距、模型差距、投入差距，深层看其实是能力差距。谁更早用了 AI，并不一定代表谁更有优势；谁买了更强的工具，也不一定代表谁能真正产生价值。真正拉开差距的，是企业能不能把 AI 从零散试用，变成一套可评估、可治理、可复制、可持续改进的能力。这也是这些在线测评工具最值得借鉴的地方。它们真正的价值，不是给企业一个分数，而是逼着企业回答几个更基本的问题：我们为什么要用 AI？哪些场景值得优先做？数据和流程是否支撑？风险有没有人管？效果能不能算清楚？这几个问题没有想清楚，AI 项目很容易从“创新尝试”变成“成本消耗”。

所以，企业推进 AI，不妨先慢半步。不是慢在行动上，而是先把判断做扎实。先测一测自己的能力底盘，看清短板，明确优先级，再决定从哪里切入、投入多少、怎么推进。未来，真正跑出来的企业，不一定是最早喊 AI 的企业，也不一定是工具买得最多的企业，而是那些能把 AI 放进业务、流程、数据、组织和治理体系里的企业。AI 不只是一个新工具，而是一场对企业基本功的重新检验。