业务准备情况、领导力和 AI 转型

准备度的评估

在导入 AI 之前，要从多个维度衡量组织的准备度。代表性的维度是领导层的步调一致、数据质量、文化准备、技术基础和治理框架。只要缺少其中任何 1 项，即使技术再出色，举措也无法推广开来。衡量的结果可作为判断从哪个领域着手的依据。

成熟度模型与下一步

成熟度模型是一把尺子，用来衡量组织的 AI 工作处于个人或部门实验的阶段，还是拥有多个生产应用和共同基础的全公司规模推广阶段等位置。重要的不是阶段的名称，而是选择符合当前位置的下一步。在实验阶段就向全公司同时推广，或在全公司规模阶段又从单独的 PoC 重新开始，这类与成熟度不符的做法是典型的错误选项。

能力差距与投资的顺序

阻碍转型的因素要从人员（技能和角色）、流程（业务流程和判断步骤）、技术（数据和基础设施）、治理（方针和体制）4 个领域来梳理。发现的差距要对照战略目标和当前成熟度，从进入下一阶段所需的部分开始依次弥补。如果想同时把所有方面都准备好，投资就会分散，难以产生成果。

数据准备度与数据基础

AI 的成果由数据决定，因此要确认数据的质量、需要的人能否使用的访问便利性，以及按部门分散的数据孤岛的影响。作为基础的是全公司的数据战略、对数据负责的业务方数据所有者，以及跨部门共享数据的框架。基本原则是数据所有者不由 IT 部门担任，而由产生该数据的业务方担任。

经营层的发起人和推动者

全公司的 AI 转型离不开在预算和优先级上给予支持的经营层发起人，以及领导层之间的步调一致。在各部门任命推动者，请他们在现场分享成功案例、担任咨询角色，以保持势头。只由 IT 部门推进，就无法与业务目标挂钩，也无法在现场推广。

向员工的传达与文化障碍

在导入 AI 时，员工容易担心对自己工作的影响，因此要尽早、透明地传达导入时间、期望成果和角色的变化。对于规避风险、抵触变化、害怕失败等文化障碍，领导者要通过早期参与、即使失败也不追责的安全实验场所和再培训的机会来应对。隐瞒影响就发布，会失去信任并加剧抵触。

人才培养与人的角色

全公司的 AI 素养，要把通过 PoC 和黑客松实际接触的机会，与分层培训、负责任 AI 培训结合起来提升。人的角色会从手工处理，转向对 AI 输出的监督以及与 AI 的协作。把批判性思维、共情和创造力作为人的优势保留下来，与 AI 的能力结合来设计角色。

转型的阶段与扩展的推进方法

AI 转型要反复推进构想、实验、启动、扩展各阶段。先用短期成果赢得信任和预算，建立可复用的基础和模板，再把同样的模式横向推广到其他部门和用例。一次性在全公司启动，或每次试点都从零重建的推进方式，是典型的错误选项。

→ 全公司的生成式 AI 平台

CoE（卓越中心）

CoE 是建立 AI 的标准、最佳实践、共同基础和可复用组件，支持各部门工作的跨部门推进组织。基本形式是中央 CoE 与各部门推动者协作的中心辐射型。由 CoE 包揽一切的形式会让判断和开发集中而停滞，因此要把它定位为帮助各部门自己能做的支持角色。

从实验向生产环境迁移

PoC 能运行，并不意味着能在生产环境中使用。在进入生产之前，要备齐治理审批、性能与费用的监控、运维体制、服务水平约定（SLA）和成本管理。迁移之后也要用持续的反馈和成功指标追踪长期价值，并在扩展的各个阶段持续确认业务连续性和性能。

→ AWS Well-Architected 框架

AWS CAF（云采用框架）

AWS Cloud Adoption Framework（AWS CAF）是在整个组织范围内规划并扩展云与 AI 导入的框架。它从业务、人员、治理、平台、安全性、运营 6 个视角，梳理不足的能力和下一步要准备的事项。只按技术构成来规划，会遗漏人员和组织的准备，因此全公司转型的规划要使用 CAF 的视角。