最新动态：
2025-08-08 20:32
推荐内容
廖肇弘：生成式 AI 成熟度模式
作者：
廖肇弘
来源：
CIO Taiwan
发布时间：
2025-02-28 08:52
生成式 AI 与以往鉴别式 AI 的最大差异不在于「分析力」而是在于「创造力」。要善用生成式 AI 的高度创造力来加速企业创新，才能发挥生成式 AI 最强大的火力。
然而，即使知道这些事实，企业主管们也不一定会马上行动，立刻导入生成式 AI 到企业中。因为以往任何一项创新科技要全面扩散到企业的各个部门中应用，都必须经过许多漫长的评估与验证过程，才能发挥其作用。 只是，生成式 AI 带来的变革实在太过强烈，速度实在太快，可能会令我们措手不及。 今天，就来聊聊影响企业评估导入生成式 AI 时，可以参考的「生成式 AI 成熟度模式」（GAIMM）。
成熟度模式
想了解一件创新科技或创新制度是否适合导入于企业组织时，通常我们会使用「成熟度模式」（Maturity Model）来进行评估。
成熟度模式的概念其实很简单，就是将初始状态到最佳状态，依据不同成熟度级别划分为不同的阶段，每个级别和阶段都代表了组织在某个特定状态中的能运能力和状态。
成熟度模式的滥觞是源自卡内基梅隆大学的软件工程研究所（Software Engineering Institute，SEI）在软件工程学中提出的能力成熟度模型整合（Capability Maturity Model Integration，CMMI）。CMMI 模型将组织导入软件工程的成熟度依据不同的状态分为五个级别。这个作法简洁明了，后来很多新科技或管理制度也沿用这样的概念而展开。
生成式 AI 成熟度模式（GAIMM）
依循这样的思路，我们就可以发展出一套「生成式 AI 成熟度模式」（Genertive AI Maturity Model）：
一、启蒙者级（Novice Level）
在此阶段，企业已经开始意识到生成式 AI 的潜在价值，但对于如何导入企业尚不理解，一切都还在初步探索阶段。
● 特点：
- 初步认识生成式 AI：仅知基本概念，还未全面理解其应用价值和风险。
- 简单尝试和实验：进行一些基本的生成式 AI 实验项目，但没有系统性的策略。
- 没有固定策略：在这阶段，对于如何应用生成式 AI 并没有明确或统一的策略。
- 依赖外部资源或工具：可能依赖第三方平台或团队进行尝试，还没有自己的专门团队。
- 缺乏深入了解和策略规划：对于生成式 AI 的深入知识和未来规划都还很模糊
● 困难：
- 信息的真伪和筛选：在众多的信息中如何选择正确和有价值的信息。
- 资源和工具的选择：面对市场上众多工具和平台，如何选择最合适的。
- 技术和策略的不确定性：缺乏明确方向，可能会迷失在技术的大海中。
- 新技术的风险：因为不熟悉，可能面对技术落地和执行上的风险。
- 内部接受度和合作的问题：部分团队或成员可能对新技术抱有疑虑。
二、探索者级（Explorer Level）
在此阶段，企业开始积极寻找和尝试生成式 AI 的应用，并建立初步的团队和资源配置。
● 特点：
- 了解生成式 AI 的核心技术和价值：已有更深入的了解，并寻找相关应用。
- 制定初步的策略框架：开始有了固定的方向和策略，但可能还不够完善。
- 有具体的应用案例或项目：已有部分项目或案例在进行或完成。
- 初步的团队和资源配置：有了专门负责生成式 AI 的团队，但规模还不大。
- 期望得到实际的效果和价值：希望透过生成式 AI 带来商业价值或提升效率。
● 困难：
- 如何制定有效的策略：在众多的策略中选择最有效的还是一大挑战。
- 资源和预算的分配：如何有效利用有限的资源和预算。
- 保持技术和策略的更新：技术迅速变革，如何确保不被时代抛弃。
- 如何衡量效果和价值：设定和达到 KPIs 可能会遇到困难。
- 内外部的合作和协调：如何确保所有团队和部门都朝着同一个方向努力。
三、建设者级（Builder Level）
企业已有明确的生成式 AI 策略，并进行专业的团队建设和流程标准化。
● 特点：
- 制定明确策略：已确定了长期和短期的 AI 策略。
- 专业团队建设：拥有资深的生成式 AI 专家和团队支持。
- 标准化流程：所有生成式 AI 相关的工作都有固定和标准化的流程。
- 技术和资源整合：可以自主选择和整合不同的技术和资源。
- 初步监控和评估：有系统地监控和评估生成式 AI 项目的效果。
● 困难：
- 制定策略的盲点：即使有明确策略，仍可能存在未预见的盲点。
- 团队协作的挑战：如何确保各个团队都能高效协作。
- 流程的执行和优化：即使有标准化流程，仍需要不断优化。
- 技术选择和整合的困难：在众多技术中选择最合适的仍是一大挑战。
- 期望和实际效果的落差：可能存在期望和实际效果不符的情况。
四、领航者级（Navigator Level）
企业已将生成式 AI 全面落地，并能够量化效果，持续优化策略。
● 特点：
- 项目效果量化：所有生成式 AI 相关的项目都能量化效果和价值。
- 持续优化策略：根据实际效果，不断调整和优化策略。
- 跨部门整合应用：生成式 AI 不再是单一部门的事，而是跨部门的整合应用。
- 风险管理和控制：能够预见和控制所有与 AI 相关的风险。
- 客户和市场反馈整合：主动收集客户和市场的反馈，并整合到策略中。
● 困难：
- 量化标准的确定：如何确定最有价值的量化标准仍是一大挑战。
- 策略优化的盲点：尽管有了策略优化，但仍可能存在盲点。
- 跨部门合作的摩擦：跨部门的合作可能会存在摩擦和障碍。
- 新风险的预见和控制：面对新技术和市场，可能存在新的风险。
- 市场和客户反馈的解读：如何正确解读并整合反馈是一大挑战。
五、创新者级（Innovator Level）
企业已将生成式 AI 完全整合到核心业务中，并持续创新和领先市场。
● 特点：
- 生成式 AI 全面落地：生成式 AI 已经成为企业核心竞争力的一部分。
- 策略自动调整：有完善的系统，能够根据实际情况自动调整策略。
- 持续创新和领先：不仅跟随市场，而是成为市场的领跑者。
- 强大的内部培训和文化建设：有系统的培训计划，确保所有员工都能跟上生成式 AI 的步伐。
- 长期规划和投资：不仅注重短期效益，更注重长期的投资和回报。
● 困难：
- 技术和策略的持续创新：即使已经领先市场，仍需要不断创新以保持竞争力。
- 高度整合的管理挑战：高度的整合可能带来新的管理挑战。
- 长期投资的风险：长期的投资可能会带来未知的风险。
- 文化和策略的持续培养：确保所有员工都能跟上生成式 AI 的步伐可能有困难。
- 市场变革和风险：市场的快速变革可能会带来新的挑战和风险。
结束语
依据「生成式 AI 成熟度模式」（GAIMM）的定义，你可以试着评估看看你所在的企业或组织，在生成式 AI 的导入阶段是属于哪一个级别？ 如果只是「启蒙者」或「探索者」，其实也不需要太过着急。因为根据 Accenture 调查 2000 家公司的研究报告发现，只有 12% 的公司的在人工智能的成熟度足以实现卓越的成长和业务转型。
Accenture 也将企业导入 AI 的基础架构成熟度与创新能力高低划分为两个维度，依据高低展开为四个象限，其中属于「AI 创新者」只有 13%，「AI 成就者」只有 12%，「AI 建构者」也是 12%，绝大多是都还是属于「AI 实验者」63%。
换言之，即使是全世界最大规模的 2000 家公司，绝大多数目前也都还在探索 AI 的应用可能性，而生成式 AI 更是其中急速发展的议题，我相信数字会更加极端。
不过，以我们近期访问国内几家大型企业 CXO 的研究发现，许多产业的创新应用，虽然还没大规模落地展开，但已经都在积极研究与布局，相信不久的将来，我们就可以看到许多生成式 AI 在各个产业遍地开花的创新应用。