“真正成熟的AI组织，是组织已经无法回到没有AI的工作方式，对个人也一样”
这份报告的分量感十足，不仅长达近100页，还有一个很重要的背景：卡内基梅隆长期是全球计算机科学和人工智能领域的重镇，2026年 U.S. News 研究生排名中，其计算机科学项目与MIT、斯坦福并列全美第一，人工智能、编程语言、系统等方向位列全美第一。更关键的是，SEI正是软件能力成熟度模型 CMM 的重要源头，1991年发布的软件CMM曾深刻影响全球软件质量和过程管理实践。 因此，这份AI应用成熟度模型的意义，不只是给企业做AI自测，而是尝试把软件工程领域成熟的“能力评估”和“过程改进”方法，引入AI组织转型，非常值得一看。
报告中最值得关注的地方，不是又提出了一个“AI成熟度模型”，而是它把当下企业AI转型里一个很容易被忽视的问题讲清楚了：
AI转型拼到最后，不是看用了多少工具、做了多少试点、上线了多少Agent，而是看组织有没有能力把AI变成可信、可治理、可复制、可持续的业务能力。
报告开宗明义就提出，组织要获得长期AI价值和ROI，靠的是纪律，而不只是速度。真正的AI成熟度，不是看一个组织部署了多少AI，而是看它能否建立可信、韧性的能力、严格的工程实践，以及与业务结果对齐的治理方式。否则，AI adoption 很容易变成一种“企业级规模的实验”。
这句话很适合解释今天很多企业AI转型的真实状态。
过去一年，很多公司已经不缺AI工具，也不缺试点项目。员工在用大模型，部门在试Agent，业务也在做自动化。但真正的问题是：这些AI应用有没有进入核心流程？有没有改变业务结果？有没有被纳入治理体系？有没有稳定产生ROI？有没有形成可复制的组织能力？
报告在执行摘要里指出，很多组织仍然难以实现AI项目承诺的价值，尤其是在把生成式AI纳入产品和工作流之后，证明AI价值变得更困难。常见问题包括预期不匹配、应用场景错位，以及实施实践不足或未经测试。
换句话说，很多企业AI转型不是输在“不会用AI”，而是输在三个更底层的问题：
第一，目标不清楚。企业经常先问“AI能做什么”，而不是先问“业务到底需要AI解决什么问题”。
第二，流程没重构。AI只是被塞进原有流程里，结果只是让旧流程跑得更快，但没有真正改变工作方式。
第三，组织能力跟不上。数据、治理、工程、运营、人才、文化没有同步成熟，导致AI项目很难从个人效率进入组织效率。
报告还提到，SEI和埃森哲在2026年1月调研了600名专业人士，发现影响AI采用的前三个负面因素分别是：缺少合适数据，35%；缺少懂AI的人才，34%；与遗留系统集成困难，32%。同时，只有31%的组织在评估和制定AI adoption roadmap时，会依赖业务价值和ROI优先级。
这组数据很关键。它说明企业AI转型的主要瓶颈，已经不只是模型能力，而是组织准备度。很多企业的问题不是没有AI，而是没有一套能把AI变成业务结果的管理系统。
报告第13页的 Figure 2 是整份报告最直观的一张图，展示了AI采用成熟度的五个等级：Exploratory AI、Implemented AI、Aligned AI、Scaled AI、Future Ready AI。
可以简单理解为，企业AI转型不是从“不会用”到“会用”，而是从“试试看”到“离不开”。
Level 1 是Exploratory AI，探索型AI。组织还在学习AI的能力、风险和采用方式。这是很多企业当前的真实状态：员工开始用AI，部门开始试点，但还没有清晰的标准、流程和治理。
Level 2 是Implemented AI，已实施AI。一些AI系统已经进入生产环境，也有相应实践来管理风险。这个阶段的企业已经不只是做Demo，而是开始把AI放进真实工作场景。
Level 3 是Aligned AI，对齐型AI。AI工作流被一致管理，并且开始对核心业务服务和ROI产生正向影响。这个阶段的关键词是“对齐”：AI项目不再散落在各部门，而是和业务战略、流程、指标连在一起。
Level 4 是Scaled AI，规模化AI。AI已经进入运营体系，在更大范围内稳定产生可信结果。企业不再只是有几个成功案例，而是能够把成功经验复制到更多业务单元。
Level 5 是Future Ready AI，未来就绪AI。组织已经形成由AI驱动的成功记录，并且能够持续演进。报告里对这个阶段的描述很有意思：回到旧的工作方式，反而会构成风险。
真正成熟的AI组织，不是员工偶尔用AI，而是组织已经无法回到没有AI的工作方式。
现在很多企业其实处在Level 1到Level 2之间。看起来AI很热闹，员工也在用，但AI还没有被纳入稳定流程，没有清晰的治理机制，也没有形成可衡量的业务结果。
这五个成熟的等级跟上次我们分享的微软AI Agent应用成熟度逻辑上基本保持一致。微软最新AI Agent应用成熟度模型：从零散试点到AI原生(附自测工具）
如果说五个成熟度等级是“企业AI转型走到哪一步”，那么报告第29页的 Figure 4 就是在回答另一个更关键的问题：企业到底要补哪些能力。
这张图叫Eight Core Dimensions and Corresponding Capability Areas，也就是“八大核心维度及对应能力领域”。报告把AI成熟度拆成两大类：一类是组织变革能力，另一类是AI生命周期工程化能力。
组织变革类有四项：
第一，Organizational Strategy，组织战略。
包括AI战略制定、AI伙伴关系发展、组织结构校准、未来就绪规划。也就是说，AI不能只是某个部门的工具尝试，而要进入战略、组织设计和未来规划。
第二，Workforce and Culture，员工与文化。
包括AI素养员工发展和组织文化演进。企业不能只发工具账号，还要让员工理解AI、信任AI、会用AI，并且愿意围绕AI改变工作习惯。
第三，Workflow Re-Engineering，工作流重构。
包括实验能力、业务工作流创新、Human-in-the-Lead Automation，以及测量与分析。这个维度尤其重要，因为AI真正产生价值，不是把一个任务做快一点，而是重新设计整条工作流。
第四，Risk and Governance，风险与治理。
包括风险管理、政策与合规、负责任AI。AI尤其是Agent进入流程后，权限、责任、数据、安全、合规都会变成组织问题，而不是单纯技术问题。
AI生命周期工程化类也有四项：
第五，Data，数据。
包括数据生命周期管理和数据质量保障。没有可靠数据，AI项目很容易停留在演示阶段。
第六，Engineering，工程。
包括AI架构、测试与评估、遗留系统集成、透明性和可解释性。这说明AI不是“接个模型API”就结束了，它仍然需要工程化能力。
第七，Operations，运营。
包括AI模型管理、AI模型与Agent安全、监控。这个维度特别适合今天的Agent时代：Agent一旦进入真实业务流程，就需要持续监控和安全管理。
第八，Technology Ecosystem，技术生态。
包括技术基础设施、供应链管理和规模化部署。AI能力不是孤立存在的，它依赖算力、平台、供应商、系统集成和部署能力。
报告更详尽的是针对每个能力纬度，单独给出子纬度并列出具体评估措施和办法，以“组织战略”这个维度举例，展示一个组织在该维度下不同能力领域的AI成熟度水平（如下图：）
第一，外圈四个能力领域属于Organizational Strategy 组织战略维度：
AI Strategy Development：AI战略制定
AI Partnership Development：AI伙伴关系发展
Organizational Structure Calibration：组织结构校准
Future Ready Planning：未来就绪规划
第二，圆环从内到外代表五个成熟度等级：
Exploratory：探索阶段
Implemented：已实施
Aligned：对齐
Scaled：规模化
Future Ready：未来就绪
越靠外，成熟度越高。
第三，蓝色填充区域表示这个组织在不同能力领域上的当前成熟度。黑色粗线标出的那个圆环，是这个维度整体的成熟度水平，也就是图中箭头标注的Dimension AI Maturity Level。
图形的目的不是告诉你“AI战略应该怎么做”，而是告诉你：
一个组织在AI战略维度下，不同能力项成熟度可能是不均衡的。
比如从图上看：
AI Strategy Development 这个能力较强，已经接近最高成熟度。Organizational Structure Calibration 也不错，大概在规模化附近。但 AI Partnership Development 和 Future Ready Planning 相对弱一些。所以这个组织不能只说“我们的AI战略很成熟”，而应该看到：战略制定可能成熟，但伙伴生态和未来规划还有短板。
其他7个纬度的详细列表这里就不赘述了，感兴趣的伙伴可以详细阅读报告。
这些图和详细纬度的价值在于，它把AI转型从一句口号拆成了一张组织能力清单。
很多企业AI转型失败，不是因为某一项技术不行，而是这八个维度没有一起成熟。只买工具，不改流程，AI只能停留在个人提效；只推应用，不建治理，AI会带来新风险；只做培训，不改绩效和组织机制，员工很快会回到旧习惯；只做试点，不做工程和运营，AI项目就很难规模化。
很多成熟度模型容易被企业误用成“打分表”。但这份报告反复强调，成熟度评估不是为了拿一个总分，而是为了形成可行动的路线图。
报告第80页的 Figure 13 给了一个“评估结果示意图”。
它不是简单给企业打一个总分，而是把不同能力领域分别放在五个成熟度等级上，展示每个维度的状态。比如组织战略、员工文化、流程重构、风险治理、数据、工程、运营、技术生态，都可能处在不同等级。
这对企业很有现实意义。
一个公司可能在员工AI使用率上很高，但风险治理还停留在Level 1；可能有很多AI应用试点，但数据质量还停留在Level 2；可能工程团队很强，但业务流程没有重构；也可能AI战略喊得很响，但组织结构和绩效机制没有变化。
因此，AI成熟度不是一个统一分数，而是一张能力地图。
真正有用的评估应该回答三个问题：
第一，我们在哪些维度已经比较成熟？
第二，哪些维度正在拖累AI规模化？
第三，哪些能力短板最影响业务价值和ROI？
这也是为什么报告强调，成熟度模型的目标不是让企业机械地“升级打怪”，而是帮助企业识别差距、确定优先级，并制定路线图。
报告最后给出了一张很实用的路线图示例。它把AI成熟度评估中识别出的能力短板，放到“价值”和“投入”两个维度里重新排序。横轴是价值，纵轴是投入。
右下角是快速收益，右上角是转型型事项，左下角是持续收益，左上角则是可选优化。AI成熟度评估不是为了给企业打分，而是为了帮助企业决定下一步先做什么、后做什么、哪些要高层牵头、哪些可以快速启动。
真正有效的AI转型路线图，不是八个维度平均推进，而是根据业务价值、实施难度和能力依赖关系，形成一套有优先级的行动组合：
这四个象限可以这样理解：
右下角是Quick Wins / High ROI，快速收益/高ROI。这些事项价值高、投入相对低，应该优先做，适合作为AI转型的早期突破口。
右上角是Transformational，转型型事项。这些事项价值高，但投入也高，通常涉及组织结构、治理机制、流程重构或关键能力建设，需要高层支持和长期投入。
左下角是Sustained ROI，持续收益事项。这些事项投入低，但价值也不算最高，适合作为基础能力持续推进，帮助组织稳定提升成熟度。
左上角是Good to Have，可选优化事项。这些事项投入高、短期价值相对有限，通常不应作为第一优先级，除非它们是其他关键能力的前置依赖。
图中左侧和下方列出了11个需要改进的能力事项，覆盖组织战略、员工与文化、工作流重构、风险与治理、数据、工程和运营等多个维度。图中每个编号的圆点对应一个能力改进项，并根据价值和投入被放到不同象限里。
回到上面那句话，AI成熟度评估的终点不是“知道自己在哪一级”，而是形成一张有优先级的行动路线图。
这点非常关键。
并不是所有企业都需要在所有维度上追求最高成熟度。比如，金融、医疗、能源等强监管行业，可能需要在数据治理、安全、合规、风险管理上达到更高成熟度；而一些创新型业务，则可能需要在模型开发和场景探索上保留一定实验空间。报告也提到，目标成熟度可以因维度而异，例如组织可能在数据治理和安全上需要高成熟度，同时在AI模型开发上保持更低、更实验性的成熟度，以保留创新速度。
这对企业管理者是一个提醒：AI转型不是所有部门一起冲刺，也不是所有能力平均用力。真正有效的路线图，应该是“业务目标—能力差距—优先级—资源投入”的组合。
第一，企业不要再把AI转型理解成“工具推广”。
很多企业现在最常见的做法，是采购AI工具、组织培训、要求员工使用。但从这份模型看，这只是AI成熟度的起点。真正的问题是，AI有没有进入战略、流程、组织结构、治理机制和业务指标。如果没有，AI很容易成为“热闹的个人效率工具”，而不是企业级能力。
第二，AI转型必须从流程重构入手。
报告把 Workflow Re-Engineering 单独列为核心维度，这一点非常重要。因为AI真正释放价值，往往不是替代某个单点任务，而是改变端到端工作方式。比如客服不是简单用AI回答问题，而是重构“问题识别—知识检索—权限判断—自动处理—人工升级—质量复盘”的全流程。HR、财务、销售、研发、供应链也是一样。
第三，Agent时代必须补上治理和运营能力。
报告在运营维度中特别提到AI模型与Agent安全、监控、模型管理等能力。这与最近很多企业讨论“Agent像员工一样管理”是一致的。Agent进入业务流程后，就不只是工具，而是一个能够调用系统、处理数据、执行任务的数字劳动力。它需要身份、权限、日志、审计、绩效、风险控制，也需要持续监控。
换句话说，Agent越强，组织治理就越重要。
这份报告最值得记住的一句话是：AI成熟度不是看企业部署了多少AI，而是看企业有没有能力把AI变成可信、韧性、工程化、可治理、并且与业务结果对齐的能力。
这也是当下企业AI转型最容易被忽视的地方。
过去一年，很多企业已经完成了“AI启蒙”：大家知道AI重要，也开始尝试使用AI。但接下来真正拉开差距的，不是哪个企业员工Prompt写得更好，也不是谁买了更多AI工具，而是谁能把AI放进组织系统里。
战略要重新对齐，流程要重新设计，岗位要重新拆解，人才要重新培养，治理要重新建立，数据和工程能力要补上，运营监控要持续跟进。
AI转型走到最后，表面看是技术革命，底层其实是组织能力竞争。
