AI就绪度评估表该测哪5项

先说这五项从哪来的。MIT Project NANDA 2025年的研究给过一个基础事实：超过80%的公司试过ChatGPT、Copilot这类工具，但只有5%的定制试点真正进了生产、产生了看得见的价值。这中间95%的落差，研究给的结论很明确——不是模型不够强，是"落地方法"的问题。而"落地方法"往前拆一步，就是企业在动手之前，有没有把几个基本条件配齐。这五项，就是那几个基本条件。

这篇不讲怎么选服务商，讲的是动手之前自己怎么测。测完你会知道，你现在具备哪些条件、缺哪些条件、缺的那部分该找谁补。

为什么要先测就绪度,不是先买工具

这里有个常见的认知误区,得先说清楚。

很多企业对AI落地的理解是"买个工具、开始用、看效果"。但MIT NANDA 2025年的数据显示,试过AI工具的企业超过80%,真正把定制场景做进生产、稳定产出价值的只有5%。这中间的落差不是买工具这一步出的问题,是工具买回来之后,企业内部没有能接住它的条件。

这个"接住",业内通常叫"落地转化率"——AI能带来的价值,乘以企业实际能把它转化出来的比例。如果转化率是零,再强的工具也是摆设。

就绪度评估表要测的,就是这个转化率背后的具体变量。它不是一张打分及格就能上AI的表,是一张告诉你"你现在卡在哪一环"的表。测完你可能发现,不是不能上,是先得把某一项补上再上。

AI就绪度评估表该测哪5项

第一项：数据基础——你有没有能喂给AI的东西

数据基础测的不是"你有没有数据库",是"你现有的数据能不能被AI直接用起来"。这是两回事。

很多企业的数据现状是：客户信息散在几个销售的微信和Excel表里，产品资料是几年前做的PPT，内部流程写在员工的脑子里没有文档化。这种状态叫"有信息，没数据基础"。AI要真正在企业里跑起来，靠的是RAG（检索增强生成）这类技术——先从企业自己的知识库里检索相关资料，再据此生成答案。如果知识库本身是空的、或者散乱不成体系，检索这一步就无米下锅。

自测三个具体问题：

你的核心业务知识（产品信息、常见问题、服务流程）有没有整理成文档？ 没有的话，第一步不是上AI，是先把这些东西写下来、结构化。

这些文档最近一次更新是什么时候？ 三年前的产品资料，喂给AI只会让它说三年前的话。

谁在负责维护这些资料的准确性？ 如果答案是"没有人"，说明企业还没有把知识资产当成一件需要有人负责的事来对待。

数据基础不达标不代表不能启动，只是意味着启动的第一阶段要花时间把资料理清楚，这个时间需要算进项目周期里，不能跳过。

AI就绪度评估表该测哪5项

第二项：组织共识——是老板一个人想上,还是全公司认

这一项最容易被忽视，也是最容易导致项目中途夭折的一项。

企业AI落地本质是一个组织行为，不是IT部门单独能完成的事。它牵涉到业务部门要不要配合改流程、要不要花时间学新工具、原来的工作方式要不要调整。如果只有老板一个人觉得"该上AI了"，业务部门心里想的是"这又是一个要我多做事的新任务"，项目推进到执行层就会遇到软性抵抗——不明着反对，但也不主动配合，最后不了了之。

自测三个具体问题：

除了拍板的人，参与执行的部门负责人知不知道为什么要上这件事？ 只知道"要上"、不知道"为什么要上"，配合度天然打折。

业务部门有没有被问过"你觉得AI能帮你解决什么问题"？ 如果需求是自上而下强加的，而不是从一线真实痛点里长出来的，执行层的抵触会更大。

上线后，原有工作方式要调整的那部分人，知不知道自己接下来要做什么？ 没有明确的角色变化说明，员工大概率会用老方法糊弄新工具，最后变成"用了AI但没变化"。

组织共识的解法不是开一次全员大会宣布"公司要上AI了"，是先让每个相关部门的人知道这件事跟自己的关系是什么。

AI就绪度评估表该测哪5项

第三项：场景清晰度——你要解决的是不是一个具体的问题

这一项测的是：你脑子里的"上AI"，到底是一个具体场景，还是一个模糊的方向。

"我们要用AI提升效率"不是一个场景，是一个愿望。"我们的营销内容团队每周要产出20篇稿子，现在3个人写不过来，想看AI能不能把产能补上"，这才是一个场景——有明确的业务环节、有可衡量的产出、有当前的瓶颈。

行业里验证过更有效的打法是"单点切入、打穿出可见数据、再向全公司复制"，不是一上来就全面铺开。原因很直接：全面铺开意味着变量太多，出了问题不知道是哪个环节的问题；单点切入变量少，容易看清楚到底行不行。MIT NANDA的数据也侧面支持这个逻辑——采购+外部合作的落地成功率约67%，是纯内部自建成功率的约3倍，差距很大程度上来自"有没有一个清晰的、可验证的切口"。

自测三个具体问题：

这个场景能不能用一句话说清楚"输入是什么、输出是什么"？ 说不清楚，说明场景本身还没想透。

这个场景现在是靠人力在做，还是根本没人做？ 靠人力在做的场景，AI落地目标是提效或补人力缺口，目标明确；根本没人做的场景，先要想清楚为什么以前没人做——是没必要，还是没能力。

这个场景的产出，能不能被量化衡量？ 内容产能可以量化（篇数、时间），"提升品牌形象"很难量化。选场景优先选能量化的，不是不能做不能量化的事，是不能量化的事很难判断项目到底有没有成功。

场景清晰度不够的企业，通常表现是"什么都想做一点"，结果哪个场景都没做深。先挑一个能说清楚、能量化的场景，比同时铺开五个场景更容易看到结果。

第四项：预算——预算是不是匹配了真实的投入结构

预算这一项的自测重点不是"有没有钱"，是"预算的结构对不对"。

行业里AI落地服务常见的三种计价方式是按项目、按周期（月费/年框）、按结果（效果挂钩），区别在于谁承担"没做出结果"的风险。费用构成通常包括诊断与方案、平台/工具部署、驻场陪跑人天、内部人员培养、数据追踪与复盘这几块。很多企业做预算的时候只算了"买工具"这一项，没算后面陪跑和人员培养的成本，导致工具买了，但后续没钱做落地跟进，项目停在"上线了但没人用熟"的阶段。

自测三个具体问题：

预算里有没有单独留出"落地陪伴"这一块，还是全部花在采购环节？ 只有采购预算、没有落地预算，是最常见的预算结构性缺口。

预算能不能拆成可核对的明细（工具费、服务费、人力投入、复盘成本），还是只有一个模糊的总数？ 报价拆不开明细的项目要警惕，说明交付内容本身可能也没想清楚。

如果第一阶段没达到预期效果，有没有备用预算做调整，还是只有一次性的钱？ AI落地极少一次就完全对位，预算里如果没有留调整空间，项目容错率会很低。

预算测的不是多少钱够，是这笔钱有没有覆盖"用出结果"需要的全部环节，不是只覆盖了"把工具买回来"这一步。

第五项：负责人——有没有一个人对这件事的结果负责

这是五项里最容易被跳过、但影响最大的一项。

企业AI项目失败，一个高频的结构性原因是：项目启动的时候有人推动，但没有一个人明确"对最终结果负责"。工具部署完了，培训做完了，但接下来谁去跟踪使用情况、谁去发现问题、谁去推动业务部门真正把工具用起来——如果这个角色是空的，项目会自然衰减，几个月后回到没上AI之前的状态。

行业里把这个角色称为"AI运营官"——不是"会用AI的员工"，是专门负责把AI工作流稳定运转起来、跟踪产出数据、维护内部知识库、持续复盘迭代的岗位角色。核心价值是把"人海堆产能"变成"流程出产能"，让产出不依赖某个人临时加班。

自测三个具体问题：

项目上线后，谁负责每周看一次使用数据？ 没有人固定看数据，问题会拖到很久之后才被发现。

这个人有没有被授权推动业务部门配合调整流程？ 只有责任没有权限，这个角色形同虚设。

这个人是原有岗位兼职，还是有明确的时间和精力投入？ 完全兼职、原有工作量不变的情况下，AI运营官这件事大概率会被日常事务挤掉。

没有明确负责人的项目，本质上是"没有人对失败负责，也没有人对成功负责"，这种状态下项目自然会走向不了了之。

五项测完之后：怎么看结果

五项自测做完，大概率不会是全部满分。这很正常，就绪度评估的意义不是判断"能不能上"，是告诉你"从哪一项开始补"。

优先级参考：场景清晰度和负责人这两项是启动的硬门槛，缺了任何一项，项目大概率无法真正推进，建议先补齐再动手；数据基础和组织共识可以在项目启动的同时同步推进，不必等到完全达标才开始；预算结构建议在启动前理顺，避免中途因为预算断档被迫暂停。

一个常见的错误路径是：跳过前面四项，直接找服务商谈方案。这样做的问题是，就算服务商能力再强，企业内部这几项条件没配齐，落地效果依然会打折扣——工具能不能真正跑起来，从来不完全取决于工具本身。