每个团队成员都拿到了一个Claude账号。有人发了上线通知,几个人在频道里分享了提示词,董事会的更新材料里就写上了"我们正在用AI"。然后,什么也没发生。报告还是和以前一样慢,审批还是排在同一批收件箱里,没人说得清到底变了什么。

打开网易新闻 查看精彩图片

AI成熟度体现在工作怎么流动,而不是软件清单里有什么。一支管理层团队能报出它批准过的每一个模型、API和供应商,而真正用这些工具的人,干活方式和以前一模一样。工具是有了,围绕工具的工作流从来没被重新设计过。这个落差才是真正的成熟度落差,它是组织问题,不是技术问题。

有人把这套序列总结成AI采用成熟度矩阵(AAMM),一个按顺序排列、以证据为依据的评估方法,考察的是工作流设计、人工治理和可衡量的运营结果有没有发生变化。工具权限、零散的热情、一次成功的演示,明确都不算某一级的证据。

为什么自我评估总是失真

在和管理层的沟通里,有三种模式反复出现。

  • 工具采用幻觉。团队买了一个模型的许可,接到某个工具上,下一次董事会更新就报"我们在用AI"。没人问工作流变了没有。它没变。
  • 试点表演。试点交付给一批友好的内部观众,演示现场反响不错,就作为成果往上报。演示观众不是生产观众。真正重要的指标——真实业务量下的错误率、审批耗时、每份完成产出的成本——从来没被测量过。
  • 跳级。这是代价最高的一种。团队从实验直接跳到把工具铺到更多场景,跳过了那些不出彩的活:梳理工作流、把判断性决策和机械性操作分开、指定关卡负责人。铺得越广,混乱被乘得越大。

三种模式共用一个根因:组织评估AI成熟度时,数的是工具数量,而不是工作到底怎么流动。

五个等级

  1. 实验。人们在主动试用AI工具,活动可能是非正式的,没有既定流程、指标或责任人。"我们在探索AI"被报成了"我们在采用AI"。
  2. 孤立试点。某个团队跑一个有负责人、有明确范围的试点。高产出数量被误当成业务价值,没人写下退出标准。
  3. 工作流重设计。工作流被梳理并围绕AI能做什么、不能做什么重新设计,而不是把AI塞进旧流程。大多数公司从未到达这一级,它们以为第2级的指标已经证明了。
  4. 治理与人工关卡。人工检查点有预先定义的停止标准、明确的负责人,以及每次关卡触发的记录。它常被当成终点线,其实只是运营基线。
  5. 结果导向运营。工作流在生产环境运行,结果从运营数据中测量,关卡保持生效,发现的问题回流到持续改进。很少有人敢声称到了这一级,因为那意味着承认前四级只是准备,不是目的地。

有两点比标签本身更重要。等级不是一个公司级的数字:一个团队可以在某个部门跑第4级的工作流,另一个部门还停在第1级,所以要按工作流逐个评估,评估之间保持范围一致。公司视图是这些结果的分布,取平均恰恰会掩盖上面说的跳级。而第3级是大多数项目死掉的地方,它最难在内部推销,因为它不产出可见成果:一张工作流图、一份风险分类、一组关卡负责人,这些交付物看起来像是拖延,尤其对期待看演示的高管而言。

从第2级到第3级

第2级的试点问的是:模型能不能产出一份可接受的草稿。第3级问的是完全不同的问题:这条工作流里哪些决策需要人的判断,哪些是机械操作,两者交汇的那个点归谁负责?

第二个问题比听起来难,因为回答它意味着给工作流命名。不是部门,不是工具,是工作流。在一个运营平台上,这样的工作流有55个以上,每一个单独命名、单独划定范围:视频与口型同步生成、日历规划、创意流水线、带CRM同步的线索获取、多供应商内容生成。这些结构在第2级试点时都不存在,它们来自梳理工作,而梳理工作正是团队从一次有希望的演示跳到全面铺开时跳过的那一步。

从第4级到第5级

第4级是真正运转的治理:每个人工检查点都有预先定义的停止标准、明确的负责人,以及触发记录。最后这部分是大多数团队漏掉的。没人记录的关卡就是没人能审计的关卡,没人能审计的关卡只是一种偏好,不是控制。

第5级加上测量和随之而来的循环。工作流在生产中,结果来自运营数据而不是季度叙述,关卡保持生效,数据反映的问题进入下一版修订。落到实践里,这意味着质量标准活在系统里,而不是活在审核者的记忆里:140多条具名规则、QA检查、策略和静态关卡,加上跨51个渠道与规格界面的72条硬性渠道限制。一条要靠审核者记得去执行的规则,迟早会不被执行;一条由系统执行的规则没有这种失效模式。

那个96%的来历

这个数字来自第5级,不是第2级。系统的第一版,也就是第2级试点,产出的草稿很流畅,却悄悄违反了没人记录过的品牌规则,还把本该被它帮助的审核者压垮了。要拿到96%的结果,需要梳理并重设计工作流(第3级)、在它周围装上带真实停止标准和具名负责人的关卡(第4级),然后在测量过的运营数据上跑足够久去改进它(第5级)。

方法比数字重要。这个数字只统计在平台上完成的那部分工作,约占基准的三分之一。另外三分之二不在声明范围内,未测量的时间按基准计,而不是记成瞬时完成,超时则显示为负数。一个站得住脚的成熟度等级,主要是一个站得住脚的测量方法。96%这样的数字不能证明一家公司"做完了AI",它只能证明一条工作流爬完了五级。大多数AI新闻用第5级的措辞,报道的是第2级的活动。

按工作流做一次自评

拿一条具体的工作流来跑,不要拿整个公司。加上AI步骤之后,你能说出这条工作流的负责人是谁吗?如果答案是"团队"而不是某个人或某个角色,你最多在第2级。有人分类过哪些决策需要判断、哪些是机械操作吗?没有分类,就没有第3级。成功指标是在上线前定义的,而且衡量的是结果而不是活动吗?只看产出量,你被锁在第2级。质量标准活在系统里还是活在审核者的记忆里?记忆最终会输。

然后在会议室里把第五个问题大声问出来:模型出错的时候会发生什么?应该有人在十秒内回答,说出谁来兜住、备选方案是什么。一阵沉默就是结论。如果其中两个或更多问题的答案低于你的预期,这家组织就不在它上一次董事会更新所说的位置上。

记录结果时,用等级诊断每条工作流,再把公司汇总成一个分布:多少条工作流在每一级,哪些级是空的。一个混合总分只会掩盖一条工作流在第4级、另外五条还在第1级的事实。记录实际存在证据的最高等级;证据缺失的地方,写下已展示的较低等级和具体缺口。要选从哪里开始,就按业务量、风险、交付价值和当前损失的小时数比较候选工作流。AAMM定位成熟度,这些运营指标决定优先级。

还有一点需要澄清,因为这是最常见的误读:AAMM衡量的是运营成熟度,不是系统的自主程度。第5级意味着有测量、可问责的运营,人工控制仍然生效,它不意味着无人监督。

代价高昂的错误不是没能采用AI,而是把第2级的活动报成第4级的成熟度,然后在一个从来不真实的数字上搭路线图。大多数组织不需要再做一次工具评估,他们需要有人走进房间问:现在这条工作流归谁,哪个决策仍然需要人,系统出错时它会做什么。一条第5级的工作流能在草稿送到审核者之前回答这些问题:检查已经跑过,异常是可见的,人的决策是清楚的。