企业AI就绪度评估方案：六维诊断与规模化建设重点排序

很多企业的 AI 项目清单越来越长，但真正走出试点、进入核心业务流程的仍然是少数。问题通常不在于缺少想法或工具，而在于投入顺序：先选了模型和场景，再回头发现数据不可用、流程没有责任人、治理边界没界定。把 AI 就绪度评估（AI Readiness Assessment）放到投资决策之前，本质上是把"能不能做"的判断，替换成"先做什么、后做什么"的排序问题。

六维诊断：每一维真正要测的是什么

就绪度评估的价值不在维度名字，而在每一维的判定证据。以下六个维度是按"决策能否落地"的顺序排列的，而不是按技术栈排列。

战略：谁拍板，钱从哪出，和哪个业务指标挂钩

这一维测的不是"有没有 AI 战略"这类文件，而是三件事是否明确：决策层是否有单一授权人；预算是否落在某个业务部门而非创新基金；AI 目标是否挂到了可测量的业务指标上。诊断时可以直接追问：如果这个项目超支 30%，谁有权决定继续还是停止？

常见偏差是把"高层在大会上提过 AI"当作战略就绪。真正的证据是会议纪要里出现过的取舍决定。

运营模式与流程：AI 嵌进流程，还是挂在流程外面

大多数试点失败在这个维度。用例跑通靠的是人工搬运数据、专人盯结果，一旦进入日常运营就没人接得住。诊断方法很直接：挑一个已上线的用例，问它在目标流程中的前置输入、后置动作、异常处理分别由谁负责。如果答案里有"临时找 IT 帮忙"，这一维就是 1 到 2 分。

需要核对的还有流程本身是否稳定。一个每周都在改审批规则的流程，不适合作为 AI 规模化的第一批载体。

数据与知识：可访问、可信任、可被提问

这一维通常权重最高，因为它最难临时补齐。三个判定点：数据是否能在不经过人工导出的情况下被程序访问；口径是否有唯一来源，同一指标在两个系统里是否一致；非结构化知识（文档、工单、合同）是否有检索入口和权限控制。

需要注意的是，"数据量大"不等于就绪。一个常见的自评偏差是把数据仓库的存在当作数据就绪，但真正影响规模化的是字段级质量、更新时效和访问审批时长。

技术平台：从能演示到能运维

平台维度看的不是模型选型，而是工程能力：模型调用是否有统一网关与配额管理；提示、评测集、版本是否纳入配置管理；上线后是否有成本与延迟的观测手段。这一维的判定标准是——把一个已验证的用例复制到第二个业务线，需要多少天，是否需要重新搭一遍环境。

多个公开的就绪度框架都把平台与算力列为独立维度，原因类似：算力、推理成本与工程工具链的成熟度，决定了试点能否在成本可控的前提下扩大调用量。

组织、人才与文化：有没有人把 AI 当作本职工作

这一维测的是密度和归属，而不是培训次数。关键证据包括：是否存在明确的全职或半职 AI 角色；业务侧是否有能读懂模型输出并判断对错的"翻译者"；失败用例是否会被复盘而不是被隐藏。如果每个 AI 项目都依赖同一位技术骨干，这一维的上限就是 3 分。

可信与治理：红线是否写在纸上并可执行

治理不是合规部门单独的事。这一维要核对的证据是：数据使用边界、模型输出的人工复核规则、对外披露口径是否成文；出现一次错误输出时，是否有明确的暂停与回溯流程。治理缺位不会阻止第一个试点，但会阻止第十个。

评分口径：0–5 分怎么打才不虚

六个维度统一用 0–5 分锚点，可以显著降低跨部门打分时的口径漂移。

一个可用的加权示例（权重需按行业调整，这里仅示范算法）：

就绪度百分比 = 加权总分 ÷ 5 × 100%，上表为 53%。但比这个总分更重要的是两条判读规则：

第一，最弱维度决定上限。 只要有一个维度落在 2 分以下，整体就不具备规模化条件，无论总分看起来多高。上表中数据与治理同时在 2 分，意味着即使战略是 4 分，扩大投入也会被卡住。

第二，分数必须绑定证据。 每个得分后面应写明证据来源——哪份文档、哪个系统、哪次会议决定。没有证据支撑的评分项留空，而不是给中间分。这一条是防止评估沦为打分表的关键。

从分数到排序：门控项、杠杆项、速赢项

拿到六个分数后，把维度分成四类，投入顺序自然浮现。

• 门控项（2 分以下）：不修就无法规模化，优先级最高。通常是数据可访问性、治理红线、流程责任人这类基础工作。
• 杠杆项（2–3 分且权重高）：边际投入回报最大，是下一阶段资源的主要去向。
• 速赢项（1 分但补齐成本低）：例如把散落的提示与评测集纳入版本管理。它的作用不是业务收益，而是让组织相信评估结论可信。
• 维持项（4 分以上）：保持现有投入即可，不追加预算。

一个常见误区是把最低分维度直接当成第一优先级。如果某个低分维度权重很低、又不构成对其他维度的门控，把它排在前面只会消耗组织耐心。判断方法很朴素：问一句"如果这一维维持在 2 分，会不会挡住已经排定的三个用例"，答案是会，才是门控项。

评估怎么组织：三方交叉，避免自评自嗨

评估的组织方式决定了结论能不能被接受。建议按三层结构开展：

参与者分三类。 业务负责人负责定用例价值与流程归属；数据与技术负责人负责定可行性与改造成本；风险合规与财务负责定边界与预算口径。三类人分开打分，再对齐分歧，比坐在一起互相影响更有效。

证据分三种。 自评分数、访谈记录、抽样验证。抽样验证是最容易被跳过也最有效的一步：随机挑三个已上线的 AI 用例，要求出示数据来源、责任人、上线后的使用记录。多数组织的实际就绪度会在这一步下修。

会议控制在两到三小时。 前一小时对齐评分锚点，中间一小时分维度打分并记录证据，最后一小时只处理分歧最大的三个维度。分歧本身就是最有价值的输出，它指向的往往不是能力问题，而是权责问题。

如果评估变成各部门争取预算的场合，结论就会失真。一个约束办法是：评估结果不直接与预算分配挂钩，只用于确定顺序；预算在排序确定后单独讨论。

分阶段路线图与复评节奏

把排序结果落成路线图，需要明确每阶段的完成判据，而不是时间点。

第 0–3 个月：补门控。 目标是把所有维度推到 3 分以上。完成判据是：数据可以在受控权限下被程序访问；每个在跑用例都有具名责任人；治理红线成文并完成一次演练。

第 3–9 个月：做可复制的样板。 选一到两个高价值用例，交付物不只是上线，还包括可复用的数据接入方式、评测集和上线检查清单。完成判据是第二个业务线复制同一用例的周期明显短于第一次。

第 9–18 个月：平台化与多线复制。 建立统一的模型接入、成本观测与效果度量，让业务线可以自助申请、自助上线。这一阶段的成本结构会变，需要同步建立单位调用成本的口径。

复评按季度轻量、半年完整。 季度复评只更新证据和分数，不重新定义维度；半年复评可以调整权重。把历次分数连成曲线后，评估就从一次性诊断变成了向管理层汇报的持续依据——哪些维度在改善、哪些一直没动，一目了然。

回到最初的问题：AI 项目停在试点，很少是因为模型不够好，多数是因为投资顺序与能力现状不匹配。六维诊断的作用不是给企业贴一个成熟度标签，而是让"先修哪一块、后投哪一块"这件事有据可依。评估做得越具体，路线图就越短，也越容易被执行。