R01 AI 采纳就绪度评估
R01 AI 采纳就绪度评估
本节点要解决的问题是：当一个组织问”我们准备好上 AI 了吗”，怎样给出一个比直觉更可靠、比咨询公司成熟度模型更诚实的答案？视角与框架名：把就绪度拆成「战略 / 数据 / 能力 / 治理 / 文化」五维，给一张可现场打分的评分表——但全篇的判断主轴是结尾那句反共识的话：就绪度高 ≠ 项目会成功。这是一份诊断工具，不是一张通行证。
§0 为什么是”五维就绪度”而不是”成熟度曲线”
读者脑中默认的框架大概率是某种「AI 成熟度模型」（maturity model）——咨询公司最爱卖的那种五级阶梯：从”探索”到”领先”，画一条向上的曲线，告诉你”你现在在 Level 2，努努力到 Level 4”。这个框架有一个致命的隐含假设：成熟度是单调的、线性的、可累积的——爬得越高越好，越高越接近成功。
就绪度评估（readiness assessment）刻意拒绝这个假设。区别在三处。第一，成熟度模型描述”你已经走了多远”（回顾），就绪度评估诊断”你现在动手会撞哪堵墙”（前瞻）。第二，成熟度模型是单轴的（一个 Level 数），就绪度是多维短板诊断——五个维度里最低的那一维决定你的天花板，这是水桶理论而非台阶理论。第三，也是最关键的：成熟度模型隐含”高分=会赢”，而就绪度评估明确切断这个等号（见结尾）。
为什么用五维而不是三维或八维？因为它必须同时覆盖 BCG「10-20-70 原则」（来源：BCG《AI at Scale》系列，2024，广泛引用）所说的三块——技术（10%）、数据与算法（20%）、人/流程/文化（70%）——并把”70%“这块拆细到能落地诊断的颗粒度。数据单列一维（呼应 Gartner 预测：至少 60% 的 AI 项目将因缺乏 AI-ready data 而被放弃，来源：Gartner 新闻稿，2025-02-26）；能力、治理、文化把”人与组织”那 70% 拆成可评分的三块；战略维则锚定方向，防止”为了用 AI 而用 AI”。五维不是拍脑袋，是把已被反复验证的失败归因结构反向折叠成的诊断网格。
§1 五维就绪度评分表（可直接使用）
下表是核心交付物。每维 4 个观测项，每项按 0/1/2/3 打分（0=不存在，1=零散试点，2=有制度但未贯通，3=系统化且可度量）。单维满分 12，五维总分 60。
战略就绪度（Strategy）
| 观测项 | 0 分症状 | 3 分标准 |
|---|---|---|
| 业务问题先行 | ”我们也要搞 AI”——技术找问题 | 有明确待解业务问题，AI 是候选解之一 |
| 价值量化 | 只有”提效”等模糊词 | 每个用例有可量化 KPI 与基线 |
| 高管赞助 | C-suite 口头支持、不投资源 | 有一名认账的高管赞助人＋预算 |
| 优先级取舍 | 同时铺 20 个用例 | 聚焦 2-3 个高杠杆场景（呼应 Moore 利基突破） |
数据就绪度（Data）
| 观测项 | 0 分症状 | 3 分标准 |
|---|---|---|
| 数据可得性 | 数据散在 N 个系统、无人能取 | 关键数据可被授权访问、有目录 |
| 数据质量 | demo 用清洗数据、生产环境脏乱漂移 | 有质量监控与漂移检测 |
| 数据治理 | 无血缘、无权限分级 | 有血缘、分级、合规留痕 |
| 标注与反馈 | 无人类反馈回路 | 有结构化反馈与再训练通道 |
能力就绪度（Capability）
| 观测项 | 0 分症状 | 3 分标准 |
|---|---|---|
| AI 素养基线 | 仅极少数人懂 AI 工具 | 分岗位的差异化 AI 素养（呼应 EU AI Act Art.4） |
| 工程能力 | 无 MLOps/LLMOps | 有部署、监控、回滚的工程链路 |
| 培训有效性 | 上线培训视频无人看 | 以同伴学习＋实战为主（McKinsey：多数人靠实验性学习） |
| 自评校准 | 用自报告当能力基线 | 用客观测量校准（自评常系统性高估） |
治理就绪度（Governance）
| 观测项 | 0 分症状 | 3 分标准 |
|---|---|---|
| 风险分级 | 所有用例一刀切 | 按错误后果分级、高风险设兜底 |
| 责任归属 | IT-业务边界”归属真空” | 每用例有明确 owner 跨界负责 |
| 可解释/审计 | 黑箱、无审计 | 关键决策可追溯、可审计 |
| 合规框架 | 不知监管要求 | 已映射适用法规（如 EU AI Act 时间线） |
文化就绪度（Culture）
| 观测项 | 0 分症状 | 3 分标准 |
|---|---|---|
| 心理安全 | 试错被惩罚 | 允许实验、失败、提问 |
| 变革倡导网络 | 全靠自上而下指令 | 有自然 champion 节点做同伴扩散 |
| 对 AI 的态度 | 普遍恐惧/敌意 | 多数人理解 AI 将如何用于本岗 |
| 学习机制 | 一次性培训、无沉淀 | 有持续学习与知识沉淀机制 |
读分规则（关键）：不要只看总分。先看最低的单维——它是你的天花板。一个战略 11/12、数据 3/12 的组织，真实就绪度由数据那一维决定，因为模型再好也喂不动脏数据。这是水桶逻辑，不是平均逻辑。建议用”最低维 × 0.6 + 总分均值 × 0.4”作为综合就绪指数，刻意惩罚短板。
§2 五维的诊断锚点（为什么这五维各自要命）
每维不是平均权重。按 BCG 10-20-70 折算，数据 + 能力 + 治理 + 文化（人与组织那 90%）应占决策权重的远超战略——但战略错了，后面全白做，所以战略是”门槛维”（gate），不达标直接出局；其余四维是”短板维”（bottleneck）。
战略维诊断的是 RAND 报告（James Ryseff 等，《The Root Causes of Failure for AI Projects》，RAND RRA2680-1，2024-08，基于 65 名资深从业者深访）列出的头号根因：问题定义失准——利益相关者根本没说清”要用 AI 解决什么”。数据维对应 RAND 的”训练数据不足”与”基础设施缺口”。能力维对应”技术优先心态”（团队追前沿技术而非真实需求）。治理维对应高风险部署缺乏兜底。文化维对应变革管理缺位——而这恰是 demo 成功却生产失败的最隐蔽杀手。
§3 判断主轴：90% 的人在就绪度评估上会搞错的四个点
这一节是本节点的命门，区分”诊断工具”与”咨询话术”。
错点一：把高就绪度当成成功保证。 症状：评估打了 50/60 高分，团队信心爆棚、加大投入、结果照样翻车。为什么会错：就绪度是必要不充分条件——它只能预测”不会因为明显短板而死”，无法预测”会赢”。正确做法：把就绪度当成”排雷”而非”导航”，高分只意味着”可以谨慎上路”。真实反例：MIT NANDA《The GenAI Divide: State of AI in Business 2025》（Aditya Challapally 等，2025-07/08，方法：300 项公开部署综述＋约 52 家机构访谈＋153 名高管问卷；非同行评审，方法论受 Marketing AI Institute 2025-08 质疑，其”95%“应理解为”未实现可衡量 P&L 影响”而非”全部失败”）报告中，大量”准备充分”的大企业——有钱、有数据、有人才——其 GenAI 试点同样未能转化为运营或财务影响。就绪度不是它们缺的东西。
错点二：用自评当客观基线。 症状：发问卷让各部门自评 AI 能力，汇总成漂亮的雷达图。为什么会错：自报告与客观测量相关度极低，系统性高估普遍存在（教师群体自评 vs 客观测量低相关，潜在剖面分析识别出”高估型/低估型”等六类画像，来源：Zhang 等《How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures》，arXiv:2601.06101 / LAK26，2026-01，已核）。正确做法：能力维必须用客观测量（实操考核、项目复盘）校准，治理/数据维必须用证据（有没有数据目录、有没有审计日志）而非态度。真实反例：调查显示 44% 雇主称提供了正式 AI 培训，但仅 33% 员工确认能获取（来源：行业调查，via WebSearch，原始样本未一手核实〔待核实〕）——同一件事，供需两端的自评差 11 个百分点。
错点三：平均分掩盖致命短板。 症状：总分 40/60，看着”中等偏上”，于是放心推进，结果死在数据那一维 6/12。为什么会错：AI 部署是串联系统，短板维不是被其他维补偿，而是直接限制天花板。正确做法：永远先报最低维，综合指数刻意惩罚短板（§1 的加权公式）。真实反例：Gartner 预测至少 60% 的 AI 项目因数据未就绪被放弃（来源：Gartner，2025-02-26）——这些组织的战略、文化、能力很可能都不差，单一短板就足以杀死项目。
错点四：把就绪度当一次性体检。 症状：年初做一次评估，归档，全年不再看。为什么会错：AI 部署是”持续解冻”——模型迭代、数据漂移、监管演进，意味着就绪度是动态量，去年的 3 分今年可能是 1 分。正确做法：就绪度评估按季度滚动复评，与部署节奏绑定。真实反例：Lewin 的”再冻结”（refreeze）假设变革是一次性事件，这在 AI 时代恰恰失效（批评见 Burnes, 2004；Dawson, 1994）——你永远无法对一个持续漂移的系统”再冻结”。
§4 产品 PM 视角补盲：评估表骗不了你的三件事
工程视角会盯着数据维和能力维（可量化、可工程化），但 PM 要补三个”看走眼”点。
其一，用户心理模型 ≠ 文化维分数。文化维量的是组织氛围，但具体用户对”AI 会不会取代我”的恐惧是逐人不同的微观心理，评分表的宏观 3 分掩盖不了一线员工的抵触。其二，商业模式的 AI-适配性不在五维里。一个就绪度满分的组织，如果其商业模式本身不需要 AI 创造的那种价值（比如低频高决策的 B2B 长周期销售），上 AI 反而是负担。其三，合规边界是悬崖不是斜坡。治理维的 3 分是渐进的，但 EU AI Act Article 4（AI 素养义务，义务 2025-02-02 生效；AI Act 主体义务总应用日 2026-08-02，治理/罚则自 2025-08-02 起；最高罚款 750 万欧元或全球年营业额 1.5%，来源：EU AI Act Article 113 官方文本，ai-act-service-desk.ec.europa.eu/en/ai-act/article-113）是二元的——要么合规要么违法，没有”2 分”的中间地带。PM 要在评估表外单独画一条合规红线。
§5 对手框架回应：成熟度模型派 与 “别评估直接干”派
接受成熟度模型的合理内核：咨询公司的 AI 成熟度模型（如 Gartner、各大咨询的五级框架）确实提供了行业可比的横向坐标，让高管知道”同行到哪了”，这对争取预算有用。但坚持的边界：成熟度模型的线性进步叙事会诱导组织”为升级而升级”，把手段当目的；而就绪度评估拒绝给单一 Level 数，强迫看短板。我赌的是：在 AI 这种高失败率领域，诊断短板比标榜进度更省命。
接受”敏捷反对评估”派的合理内核：有一派（精益创业、PLG 路径的拥趸）认为，与其花三个月做就绪度评估，不如直接小步快跑试点、用真实结果替代纸面诊断——尤其生成式 AI 通过个人信用卡、ChatGPT 效应自下而上渗透（PLG 路径），打破了 Moore 以 B2B 自上而下采纳为主的预设。这个批评有力。但坚持的边界：就绪度评估不与试点对立——评估的产出恰恰应该是”先在哪个最低风险场景试点”，而非”全面铺开前的审批闸门”。当试点要进入生产（从 demo 跨到 production），五维短板会立刻显形，那时评估才真正昂贵地有用。
failure scenario 显式标注：本节点的五维框架在三种场景下会失效——(1) 纯个人生产力工具采纳（如员工自用 ChatGPT），组织维度大多不适用；(2) 极小团队/初创，治理与文化维的颗粒度过粗；(3) 监管真空的新兴市场，治理维的合规观测项无锚点。
§6 跨域呼应：水桶理论的认识论——就绪度是”否证”而非”确证”
调度科学哲学中的可证伪性（链入 0117社会学 中关联的科学哲学脉络）。这个框架如何改变对就绪度评估的判断：一份诚实的就绪度评估，它的认识论地位更接近波普尔意义上的”否证”工具，而非”确证”工具。它能可靠地告诉你”你会因为数据短板而失败”（否证一个乐观假设），但它不能告诉你”你会成功”（确证）。这正是 §3 错点一的哲学根源——把否证工具误用成确证工具，是范畴错误。
这条呼应直接修正了咨询业的一个隐蔽 bias（confirmation-bias 砍除）：成熟度模型反复用”领先企业都到了 Level 5”作为正面案例来卖框架，制造”高 Level = 会赢”的错觉。补入反例：MIT NANDA 报告中那些资源充足、显然”高成熟度”却仍未产生价值的大企业——它们恰恰证明，就绪度的高分确证不了成功。诊断工具的诚实，在于它敢于声明自己证明不了什么。
§7 PM 决策启示
面试怎么用：被问”如何评估一个组织是否准备好上 AI”，不要背成熟度五级，而是答”我用五维短板诊断＋一句话——就绪度是排雷不是导航”，并能解释水桶逻辑（最低维定天花板）与 BCG 10-20-70 的折算关系。这是 30 秒说清判断力的回答。
选型怎么用：在选型会上，把这张表先对内打一遍。如果数据维是短板，那么”选哪个模型/平台”是伪命题——该先补数据治理。评估表帮你避免在错误的层级上花预算（呼应 RAND：“技术优先心态”是头部失败根因之一）。
复现怎么用：本表是 05 复现指南的入口诊断。打完分，按最低维决定先复现哪一类基础设施——数据短板就先做数据目录与质量监控，能力短板就先做工程链路与素养基线，而非直接上最炫的用例。
§8 与已有节点的关系
本节点对照 m207 - Agent 产品化：场景推演与失败模式 的失败模式分析，做的是抽象层升级：m207 在单产品/单 Agent 层面拆解技术失败模式（规划失败、工具调用失败、雪崩效应等），本节点把视角升到组织层——同样是”为什么会失败”，但归因从技术耦合移到组织短板，不复述 m207 的六类技术失败模式。
对照 m208 - AI 基础设施与中间件选型，本节点的”数据就绪维”与”能力就绪维（工程能力项）“是 m208 选型决策的前置诊断：m208 教你怎么选基础设施，本节点告诉你”在数据/工程短板没补之前，选型是伪命题”，做的是补缺。
对照 p307 - Copilot 到 Autopilot 光谱，本节点的”治理就绪维（风险分级项）“与 p307 的”按错误成本选自动化层级”互为印证：p307 从产品自动化光谱角度讲风险分级，本节点从组织就绪角度讲同一件事，做的是跨视角对话。
与 幻觉 的关系：治理维的”可解释/审计”观测项，其工程必要性根植于 幻觉 的不可消除性——正因为幻觉无法根除，高风险用例才必须设审计与兜底，这是治理维存在的认识论理由，不复述 幻觉 的机制。
§9 关联节点
核心（必读）
延伸（可选）
- Agent
- 0117社会学
- AI PM 知识图谱·总索引
修订日志
- R1（2026-06-07）：首稿。建立五维评分表（战略/数据/能力/治理/文化，0-3 分制，总分 60），确立”最低维定天花板”的水桶读分规则与加权公式；判断主轴四件套覆盖四个错点；§5 接入成熟度模型派与”别评估直接干”派两个对手立场（接受+边界），标注三类 failure scenario；§6 用可证伪性框架将就绪度定位为”否证而非确证”工具，砍除”高 Level=会赢”的 confirmation bias；与 m207/m208/p307/幻觉 建立升级对照。待核实项：44%/33% 培训供需差的原始样本（arXiv:2601.06101 已于 R1 当日 WebSearch 核实，确为真实论文，ID 与”自评-客观低相关/六类剖面”结论吻合）。
- 2026-06-11 P3.1 接地修复：EU AI Act 日期口径按官方 Article 113 改精确——2026-08-02 为 AI Act 主体义务总应用日（原”执法自 2026-08-02 起”措辞已纠正），补 Article 4 义务 2025-02-02 / 治理罚则 2025-08-02 分层；来源升级为官方 Article 113（ai-act-service-desk.ec.europa.eu/en/ai-act/article-113）。全专题日期已统一为 2026-08-02，官方文本无 “2026-08-03”。