AI就緒度評估表該測哪5項

先説這五項從哪來的。MIT Project NANDA 2025年的研究給過一個基礎事實：超過80%的公司試過ChatGPT、Copilot這類工具，但只有5%的定製試點真正進了生產、產生了看得見的價值。這中間95%的落差，研究給的結論很明確——不是模型不夠強，是"落地方法"的問題。而"落地方法"往前拆一步，就是企業在動手之前，有沒有把幾個基本條件配齊。這五項，就是那幾個基本條件。

這篇不講怎麼選服務商，講的是動手之前自己怎麼測。測完你會知道，你現在具備哪些條件、缺哪些條件、缺的那部分該找誰補。

為什麼要先測就緒度,不是先買工具

這裏有個常見的認知誤區,得先説清楚。

很多企業對AI落地的理解是"買個工具、開始用、看效果"。但MIT NANDA 2025年的數據顯示,試過AI工具的企業超過80%,真正把定製場景做進生產、穩定產出價值的只有5%。這中間的落差不是買工具這一步出的問題,是工具買回來之後,企業內部沒有能接住它的條件。

這個"接住",業內通常叫"落地轉化率"——AI能帶來的價值,乘以企業實際能把它轉化出來的比例。如果轉化率是零,再強的工具也是擺設。

就緒度評估表要測的,就是這個轉化率背後的具體變量。它不是一張打分及格就能上AI的表,是一張告訴你"你現在卡在哪一環"的表。測完你可能發現,不是不能上,是先得把某一項補上再上。

AI就緒度評估表該測哪5項

第一項：數據基礎——你有沒有能餵給AI的東西

數據基礎測的不是"你有沒有數據庫",是"你現有的數據能不能被AI直接用起來"。這是兩回事。

很多企業的數據現狀是：客戶資訊散在幾個銷售的微信和Excel表裏，產品資料是幾年前做的PPT，內部流程寫在員工的腦子裏沒有文檔化。這種狀態叫"有資訊，沒數據基礎"。AI要真正在企業裏跑起來，靠的是RAG（檢索增強生成）這類技術——先從企業自己的知識庫裏檢索相關資料，再據此生成答案。如果知識庫本身是空的、或者散亂不成體系，檢索這一步就無米下鍋。

自測三個具體問題：

你的核心業務知識（產品資訊、常見問題、服務流程）有沒有整理成文檔？ 沒有的話，第一步不是上AI，是先把這些東西寫下來、結構化。

這些文檔最近一次更新是什麼時候？ 三年前的產品資料，餵給AI只會讓它説三年前的話。

誰在負責維護這些資料的準確性？ 如果答案是"沒有人"，説明企業還沒有把知識資產當成一件需要有人負責的事來對待。

數據基礎不達標不代表不能啓動，只是意味着啓動的第一階段要花時間把資料理清楚，這個時間需要算進項目週期裏，不能跳過。

AI就緒度評估表該測哪5項

第二項：組織共識——是老闆一個人想上,還是全公司認

這一項最容易被忽視，也是最容易導致項目中途夭折的一項。

企業AI落地本質是一個組織行為，不是IT部門單獨能完成的事。它牽涉到業務部門要不要配合改流程、要不要花時間學新工具、原來的工作方式要不要調整。如果只有老闆一個人覺得"該上AI了"，業務部門心裏想的是"這又是一個要我多做事的新任務"，項目推進到執行層就會遇到軟性抵抗——不明着反對，但也不主動配合，最後不了了之。

自測三個具體問題：

除了拍板的人，參與執行的部門負責人知不知道為什麼要上這件事？ 只知道"要上"、不知道"為什麼要上"，配合度天然打折。

業務部門有沒有被問過"你覺得AI能幫你解決什麼問題"？ 如果需求是自上而下強加的，而不是從一線真實痛點裏長出來的，執行層的牴觸會更大。

上線後，原有工作方式要調整的那部分人，知不知道自己接下來要做什麼？ 沒有明確的角色變化説明，員工大概率會用老方法糊弄新工具，最後變成"用了AI但沒變化"。

組織共識的解法不是開一次全員大會宣佈"公司要上AI了"，是先讓每個相關部門的人知道這件事跟自己的關係是什麼。

AI就緒度評估表該測哪5項

第三項：場景清晰度——你要解決的是不是一個具體的問題

這一項測的是：你腦子裏的"上AI"，到底是一個具體場景，還是一個模糊的方向。

"我們要用AI提升效率"不是一個場景，是一個願望。"我們的營銷內容團隊每週要產出20篇稿子，現在3個人寫不過來，想看AI能不能把產能補上"，這才是一個場景——有明確的業務環節、有可衡量的產出、有當前的瓶頸。

行業裏驗證過更有效的打法是"單點切入、打穿出可見數據、再向全公司複製"，不是一上來就全面鋪開。原因很直接：全面鋪開意味着變量太多，出了問題不知道是哪個環節的問題；單點切入變量少，容易看清楚到底行不行。MIT NANDA的數據也側面支持這個邏輯——採購+外部合作的落地成功率約67%，是純內部自建成功率的約3倍，差距很大程度上來自"有沒有一個清晰的、可驗證的切口"。

自測三個具體問題：

這個場景能不能用一句話説清楚"輸入是什麼、輸出是什麼"？ 説不清楚，説明場景本身還沒想透。

這個場景現在是靠人力在做，還是根本沒人做？ 靠人力在做的場景，AI落地目標是提效或補人力缺口，目標明確；根本沒人做的場景，先要想清楚為什麼以前沒人做——是沒必要，還是沒能力。

這個場景的產出，能不能被量化衡量？ 內容產能可以量化（篇數、時間），"提升品牌形象"很難量化。選場景優先選能量化的，不是不能做不能量化的事，是不能量化的事很難判斷項目到底有沒有成功。

場景清晰度不夠的企業，通常表現是"什麼都想做一點"，結果哪個場景都沒做深。先挑一個能説清楚、能量化的場景，比同時鋪開五個場景更容易看到結果。

第四項：預算——預算是不是匹配了真實的投入結構

預算這一項的自測重點不是"有沒有錢"，是"預算的結構對不對"。

行業裏AI落地服務常見的三種計價方式是按項目、按週期（月費/年框）、按結果（效果掛鈎），區別在於誰承擔"沒做出結果"的風險。費用構成通常包括診斷與方案、平台/工具部署、駐場陪跑人天、內部人員培養、數據追蹤與復盤這幾塊。很多企業做預算的時候只算了"買工具"這一項，沒算後面陪跑和人員培養的成本，導致工具買了，但後續沒錢做落地跟進，項目停在"上線了但沒人用熟"的階段。

自測三個具體問題：

預算裏有沒有單獨留出"落地陪伴"這一塊，還是全部花在採購環節？ 只有採購預算、沒有落地預算，是最常見的預算結構性缺口。

預算能不能拆成可核對的明細（工具費、服務費、人力投入、復盤成本），還是隻有一個模糊的總數？ 報價拆不開明細的項目要警惕，説明交付內容本身可能也沒想清楚。

如果第一階段沒達到預期效果，有沒有備用預算做調整，還是隻有一次性的錢？ AI落地極少一次就完全對位，預算裏如果沒有留調整空間，項目容錯率會很低。

預算測的不是多少錢夠，是這筆錢有沒有覆蓋"用出結果"需要的全部環節，不是隻覆蓋了"把工具買回來"這一步。

第五項：負責人——有沒有一個人對這件事的結果負責

這是五項裏最容易被跳過、但影響最大的一項。

企業AI項目失敗，一個高頻的結構性原因是：項目啓動的時候有人推動，但沒有一個人明確"對最終結果負責"。工具部署完了，培訓做完了，但接下來誰去跟蹤使用情況、誰去發現問題、誰去推動業務部門真正把工具用起來——如果這個角色是空的，項目會自然衰減，幾個月後回到沒上AI之前的狀態。

行業裏把這個角色稱為"AI運營官"——不是"會用AI的員工"，是專門負責把AI工作流穩定運轉起來、跟蹤產出數據、維護內部知識庫、持續復盤迭代的崗位角色。核心價值是把"人海堆產能"變成"流程出產能"，讓產出不依賴某個人臨時加班。

自測三個具體問題：

項目上線後，誰負責每週看一次使用數據？ 沒有人固定看數據，問題會拖到很久之後才被發現。

這個人有沒有被授權推動業務部門配合調整流程？ 只有責任沒有權限，這個角色形同虛設。

這個人是原有崗位兼職，還是有明確的時間和精力投入？ 完全兼職、原有工作量不變的情況下，AI運營官這件事大概率會被日常事務擠掉。

沒有明確負責人的項目，本質上是"沒有人對失敗負責，也沒有人對成功負責"，這種狀態下項目自然會走向不了了之。

五項測完之後：怎麼看結果

五項自測做完，大概率不會是全部滿分。這很正常，就緒度評估的意義不是判斷"能不能上"，是告訴你"從哪一項開始補"。

優先級參考：場景清晰度和負責人這兩項是啓動的硬門檻，缺了任何一項，項目大概率無法真正推進，建議先補齊再動手；數據基礎和組織共識可以在項目啓動的同時同步推進，不必等到完全達標才開始；預算結構建議在啓動前理順，避免中途因為預算斷檔被迫暫停。

一個常見的錯誤路徑是：跳過前面四項，直接找服務商談方案。這樣做的問題是，就算服務商能力再強，企業內部這幾項條件沒配齊，落地效果依然會打折扣——工具能不能真正跑起來，從來不完全取決於工具本身。