T/ISC 0118-2026 企业级人工智能应用成熟度模型

ICS 35.240 CCS L70

团体 标准

T/ISC 0118—2026

企业级人工智能应用成熟度模型

Enterprise-Level Artificial Intelligence Application Maturity Model

(发布稿)

2026-07-20 发布 2026-08-20 实施

中国 互联 网协 会发 布

目次

前言 2

企业级人工智能应用成熟度模型 3

1 范围 3

2 规范性引用文件 3

3 术语和定义 3

3.1 模型评估 model evaluation 3

3.2 模型训练 model train ing 3

3.3 企业级人工智能应用 enterprise-level artificial intelligence application 3

3.4 微调 fine-tuning 4

3.5 训练数据 train ing data 4

4 符号和缩略语 4

5 概述 4

5.1 企业级人工智能应用成熟度模型总体架构 4

5.2 企业级人工智能应用成熟度模型分级规则 5

6 管理维度 7

6.1 战略与组织 7

6.2 机制与保障 8

6.3 运营与安全 9

7 技术维度 11

7.1 基础设施维度 11

7.2 数据维度 13

7.3 模型维度 15

7.4 应用维度 17

8 价值维度 19

8.1 范围与深度 19

8.2 场景价值 20

附录 A (规范性) 企业级人工智能应用成熟度模型记分方式 24

1

前言

本文件按照GB/T 1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由中国互联网协会提出并归口。

本文件起草单位：中国信息通信研究院、中移(苏州)软件技术有限公司、杭州智元研究院有限公司、中电信数智科技有限公司、国网石家庄供电公司、联通数据智能有限公司、京东科技信息技术有限公司、中国移动通信集团浙江有限公司、贵州白山云科技股份有限公司、钛动科技股份有限公司、北京车之家信息技术有限公司、中国石油大学(华东)、济南浪潮数据技术有限公司、河南农村商业银行股份有限公司、中原银行股份有限公司、紫金山实验室、北京直真科技股份有限公司、京东科技信息技术有限公司、广东元能星泰孪生科技创新有限公司、蚂蚁科技集团股份有限公司、科大讯飞股份有限公司、中国移动通信集团山东有限公司中移齐鲁创新院分公司。

本文件主要起草人：高源、徐恩庆、董恩然、李昂、王蕴婷、陈传志、杨希、韩志康、尚鹏辉、崔贤良、付强、尚啸、邢驰、郭洋、蒋彪、刘畅、高宇星、姜熠龙、黄玉龙、赵昆、张其濛、曹铮、刁雪飞、郝鹏、郑泽溥、陈青青、薛卓亿、童剑、李述昊、杨玉涛、王飞、陈鸿龙、 吕明琪、荆潇、郭涛、孔维亭、 吕广杰、刘亚坤、胡光辉、顾永杰、尹世豪、 白阳、王壮、万助盛、谢莺文、吴军刚、贺皓、张金柱、韩冬、凌晖、伍亮、刘恒心、冯东柄、马文军、丁飞、朱子秋、孔鹏、左文迪、李雪玉、蔺艳斐。

2

1 范围

本文件规定了企业级人工智能应用成熟度的评价模型、等级划分规则、评价指标体系和记分方法。

本文件适用于企业开展自身人工智能应用成熟度的自评估与建设路径规划，也适用于第三方测评机构对企业人工智能应用建设成效开展阶段性评估。

2 规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件;不注日期的引用文件，其最新版本(包括所有的修改单)适用于本文件。

GB/T 20984-2022 信息安全技术信息安全风险评估方法

GB/T 23011-2022 信息化和工业化融合数字化转型价值效益参考模型

GB/T 32399-2016 信息技术云计算参考架构

GB/T 32400-2015 信息技术云计算概览与词汇

GB/T 36073-2018 数据管理能力成熟度评估模型

GB/T 41867-2022 信息技术人工智能术语

GB/T 5271.1-2000 信息技术词汇第1部分：基本术语

GB/T 5271.28-2001 信息技术词汇第28部分：人工智能基本概念与专家系统

3 术语和定义

3.1 模型评估 model evaluation

通过既定的人工智能任务评估指标，对模型开发训练、部署运行、迭代优化全生命周期开展质量、性能、合规性、安全性评判的过程。

3.2 模型训练 model training

利用训练数据，基于机器学习算法，确定或改进机器学习模型参数的过程。[来源：GB/T41867-2022， 3.2.18]

3.3 企业级人工智能应用 enterprise-level artificial intelligence application

企业在生产经营活动中，为提升效率、优化决策、创新服务等目的，将人工智能技术(包括机器学习、自然语言处理、计算机视觉等)系统化、规模化地集成到业务流程、管理体系和产品服务中的各类应用与解决方案。

3

3.4 微调 fine-tuning

为提升人工智能模型的预测精确度，一种先以大型广泛领域数据集训练，再以小型领域数据集继续训练的附加训练技术。 [来源：GB/T 41867-2022，3.2.31]

3.5 训练数据 training data

用于训练机器学习模型的输入数据样本子集。 [来源：GB/T 41867-2022，3.2.34]

4 符号和缩略语

下列符号和缩略语适用于本文件。

AI：人工智能(Artificial Intelligence)

KPI：关键绩效指标(Key Performance Indicator)

ROI：投资回报率(Return on Investment)

SLA：服务水平协议(Service Level Agreement)

5 概述

5.1 企业级人工智能应用成熟度模型总体架构

企业级人工智能应用成熟度模型的总体架构包括三个维度、九个能力域和若干能力项，具体如表 1所示。

表 1 企业级人工智能应用成熟度模型总体架构

维度

能力域

能力项

管理维度

战略与组织

战略与规划

组织与人才

机制与保障

流程与制度

资金与财务

运营与安全

运营与治理

风险与合规

生态与发展

技术维度

基础设施

基础设施架构

资源部署调度

基础设施运维管理

基础设施安全

数据

数据构架

数据采集存储

数据治理

数据集评估交付

数据集运营管理

4

数据安全

模型

模型架构

模型开发训练

模型评估

模型部署服务

模型运维运营

模型安全

应用

应用架构

应用集成部署

应用运维运营

应用安全

价值维度

范围与深度

组织层级渗透度

业务流程覆盖度

应用深度

性能质量

场景创新

场景价值

研发

生产

供应

营销

服务

运营

其他行业场景

5.2 企业级人工智能应用成熟度模型分级规则

企业级人工智能应用成熟度模型共分为五级，从低到高分别是——积极探索级(1级)、单元实践级(2级)、稳健发展级(3级)、先锋创新级(4级)、鼎新引领级(5级)。各级别的名称和能力特征如表2所示。

表 2 企业级人工智能应用成熟度模型分级规则

级别

名称

能力特征

1级

积极探索级

企业具备人工智能应用意识，基于单个业务场景的需求开展项目式的人工智能探索与试点工作，围绕项目需求制定短期实施计划。

2级

单元实践级

企业对人工智能应用的组织、技术、数据和资源进一步规划，在部分业务领域完成数据采集、模型开发和应用部署的统一规划实施，实现AI在局部业务流程的应用，初步具备基于人工智能解决特

5

定问题并提升企业单元效率。

3级

稳健发展级

企业形成人工智能应用总体规划并有序实施，完成关键业务系统的AI应用集成，在企业核心环节实现人工智能驱动的效率提升与决策优化，形成较为完善的管理与技术体系。

4级

先锋创新级

企业将人工智能作为促进核心业务能力提升的关键要素，构建AI应用支撑体系，实现数据驱动、模型协同与智能决策，为各类业务活动提供高效、精准、智能的支持与创新服务。

5级

鼎新引领级

企业以人工智能为核心动力持续推动业务创新与生态协同，实现企业内外部能力、资源、技术与市场的深度融合，发挥行业引领与社会赋能作用，构建持续创新与价值共生的人工智能生态格局。

6

6 管理维度

6.1 战略与组织

6.1.1 概述

战略与组织划分为战略与规划、组织与人才2个维度。

6.1.2 能力指标

战略与规划：战略与规划是指企业结合企业整体业务发展目标规划AI战略的能力。企业需明确 AI发展方向、分析内外部环境、拆解核心任务、明确场景分级分类、制定实施路径，以统筹资源配置，对齐 AI 与业务发展目标。

组织与人才：组织与人才是指企业搭建 AI 适配组织架构、储备培养相关人才的能力。企业需明确组织职责、建立人才梯队、完善激励机制，以保障 AI 工作有序推进，提供核心人才支撑。

6.1.3 能力等级标准

表 3 管理维度-战略与组织能力等级标准

能力子项

积极探索级(1级)

单元实践级(2级)

稳健发展级(3级)

先锋创新级(4级)

鼎新引领级(5级)

企业管理

围绕单个 AI项目需求制定短期计划，

战略和规划

范围包括项

目周期内的

任务目标与资源分配，由项目团队独

立确定计划

内容, 满足

项目即时资

源与进度需求。

在业务部门内制定与部门发展相契合的AI战略规划，战略规划范围包括明确部门核心场景落地优先级，明确年度AI 工作目标与资源需求，建立部门级规划模板规范目标拆解与进度管控要求，支撑部门内多

AI 项目协同推进。

建立企业级人工智能应用战略，包括目标、愿景、策略、路径、组织架构、关键指标等文件;规划范围覆盖研

发、生产、营销、服务全业务域并对接企业中长期发展目标、资源配置方案与风险管控机

制，确保 AI 发展与企业战略深度对齐

能够基于企业业务发展与 AI 技术趋势动态调整AI 战略规划路

径,并采用智能化技术对计划执行进行监控，提升 AI 战略适配性与落地效率，支撑企业业务快速创新。

突破企业边界引领行业 AI 发展，形成对外输出的具有行业引领性质的战略规划策略。

针对项目AI建设需求，配备必要的人员团队，明确主要人员的职责，保障项目基础人力

在业务部门内设立 AI 专项小

组,明确团队/岗位设置，制定部门级 AI 工作专业人力供给，提升项目实施质

构建企业级 AI 组织人才体系，制定专职部门与跨部门协同机制，建立

“ 引进 + 培养 +

激励” 一体化人才体系，保障企业 AI

实现组织与人才体系动态优化，通过数据、模型评估组织协同效率与人才价值，动态调整组织架构与人才发展策略，最大

组建跨企业 AI

协同组织，建立人才共享与培养联盟，输出组织管理与人才发展标准，引领行业 · 人才生态建设

7

支撑，满足项目核心任务执行需求。

量。

人才稳定供给。

化组织与人才效能，支撑 AI 战略动态落地。

6.2 机制与保障

6.2.1 概述

机制与保障维度分为流程与制度、资金与财务两个能力子项。

6.2.2 能力指标

流程与制度：流程与制度是指企业建立 AI 全流程管理规范与制度体系的能力。企业需规范 AI 项目各环节流程、制定制度标准、明确责任边界，以实现 AI 工作规范化运行，降低管理风险。

资金与财务：资金与财务是指企业统筹 AI 相关资金、管控财务成本的能力。企业需编制专项预算、评估投资价值、跟踪资金使用效率， 以优化资源配置，提升 AI 投资回报率。

6.2.3 能力等级标准

表 4 管理维度-机制与保障能力等级标准

聚焦单个AI项目的基础流程管控，针对项目关键节点制定流程说明，能够满足项目基本推进需求。

制定部门级 AI 建设流程，覆盖需求调研、方案设计、项目实施、成果验收全环

节，明确各环节责任主体与时间节点，出台 AI项目管理、安全管理等基础制

度，实现部门内AI 工作标准化推进。

构建企业级 AI

全流程管理制度体系，覆盖战略制定、项目立项、资源审批、风险管控、成果评估等全环节，发布标准化流程手册与制度文件，搭建流程管理平台实现线上化管控并建立制度执行监督与迭代机制，可实现企业 AI 工作规范化运行。

构建智能化 AI 流程管理系统，实现流程节点自动预

警、流程效率自动分析，建立流程优化量化指标，通过数据反馈持续迭代制度，实现 AI 流程动态优化。

输出行业领先的 AI 管理流程与制度体系，参与相关标准制定，向行业提供 AI 管理咨询服务与工具，推动行业 AI 管理制度标准化，可构建行业 AI 管理生态。

围绕单个AI项目开展资

建立部门级AI资金保障机制，设

建立企业级 AI

资金财务体系，构

实现企业AI资金财务量化优化

向业界输出 AI 投资分析方法论，

8

金支持，按项目需求申请专项拨款，无固定预算机制与财务评估，可满足项目短期资金需求。

立部门AI专项预算，建立基础财务核算规则(如资金使用审批、成本统计)，稳定支撑部门AI项目资金需求。

建全生命周期财务管控机制(预算编制、资金拨付、成本核算、ROI评估)

, 保障AI项目规模化落地的资金供给与价值可控，保障企业 AI 投资与业务价值对齐。

, 建立AI资金量化分析模型，基于项目价值动态调整预算分配与资金投

向，搭建智能财务管控平台实现预算动态调整与资金实时监控，定期输出AI 投资优化建议，提升企业 AI 投资回报率。提升AI投资效益，支撑AI战略动态落地。

为产业链企业提供 AI 投资咨询服务，推动行业 AI 投资规范化与价值最大化，引领行业 AI 投资趋势。

6.3 运营与安全

6.3.1 概述

运营与安全分为运营与治理、风险与合规、生态与发展三个维度。

6.3.2 能力指标

运营与治理：运营与治理是指企业监控 AI 运营过程、动态评估与战略调整的能力。企业需建立全面的运营治理机制、设定核心考核指标、动态调整项目策略，以保障 AI 项目运行效率和协同能力，支撑管理决策调整。

风险与合规：风险与合规是指企业识别防控 AI 相关风险、保障合规运行的能力。企业需排查潜在风险点、制定防控措施、符合监管要求， 以防范安全与合规隐患，保障 AI 有序开展。

生态与发展：生态与发展是指企业依托 AI 构建可持续运营生态、支撑长期发展的能力。企业需联动内外部资源、协同创新、布局长远，以赋能业务升级，实现 AI 生态化可持续发展。

6.3.3 能力等级标准

表 5 管理维度-运营与安全能力等级标准

聚焦单个AI项目的基础

运营监控，

能够人工记

围绕部门AI项

目建立部门级

AI 项目运营机制，制定项目绩

运营绩效评估体系，覆盖项目全生命周期(如立项合

搭建 AI 运营绩效智能化监控平台，引入预测模型(如绩效趋势预

向行业开放绩效评估工具与最佳实践案例，牵头制定行业 AI 运营

9

录项目进度与核心成

果，无量化绩效指标，可保障AI项目按节点推进，满足基础验收要

求。

效指标(项目进度、成果质量、业务贡献)，提升部门AI项目运营效率，支撑部门管理决策。

规率、上线及时率)、应用效果(如用户使用率、业务指标改善)、价值贡献(如降本金额、营收增长)，搭建绩效监控平台实时跟踪数据并与部门 KPI 挂钩，可实现企业 AI 工作价值量化管理。

测)提前识别运营问题，建立绩效闭环优化机制(如基于绩效数据调整资源配置)，实现AI 业务贡献(如降本增效)与企业战略目标的精准对齐，可推动 AI运营价值持续提升。

绩效标准，推动行业 AI 运营从

“合规管理” 向

“价值创造” 升

级，可提升全行业AI 运营水平。

针对 AI 项

目开展基础

风险排查，

项目团队参

考通用规范

识别明显风

险点，规避

项目重大风

险，支撑项目顺利落

地。

。

聚焦部门AI业

务风险，制定部门级风险排查清单，建立防控措施，为降低部门AI风险，保障部门内合规运行。

建立企业级AI 风险与合规管理体系，覆盖技术风险、数据风险、合规风险，制定风险评估标准与合规检查清单，配备专业团队开展定期风险审计与合规认证，全面防范风险隐患，保障企业AI合规有序开展。

构建智能化AI 风险防控体系，部署风险监控模型实时识别潜在风险，建立风险处置效率量化评估指标，实现 AI 风险与合规的精准管控。

参与行业AI 风险与合规标准制定，

输出行业 AI 风险与合规指南，推动行业 AI 应用健康有序发展。

针对项目AI技术缺口开展技术合

作，例如：

数据供给、

技术研发、

场景试点等

维度, 支撑

项目核心技术环节落

围绕部门业务

需求构建技术

协同体系，包括与核心技术供应商的长期合作、基础技术方案共建，制定技术合作流程与风控标准，提升部门 AI技术应用效率与场景适配性。

搭建企业级 AI

技术协同创新体系，合作范围包括开源社区贡献、技术供应商深度合作、产学研联合研发等多维度，推动技术成果快速转化为企业 AI 应用能力。

构建企业生态价值量化评估体系，建立风险共担与收益共享机制，支撑产业资源动态配置。

主导行业生态共建，推动AI在多个产业链间的融合创新与标准互认，

形成行业协同创新引领力。

10

7 技术维度

7.1 基础设施维度

7.1.1 概述

基础设施按照顺序，分为基础设施架构、资源部署调度、基础设施运维管理、基础设施安全等四个维度。

7.1.2 能力指标

基础设施架构：规划架构是企业结合 AI 战略与业务场景设计整体架构的能力。企业需明确支持AI应用所需的底层硬件、软件和网络组件的整体设计、选型与集成模式，从而适配业务需求，保障兼容性，避免重复建设。

资源部署调度：资源部署调度指企业对算力、存储等资源进行集中部署与动态调度的能力。企业需搭建资源池，实现资源自动化分配与弹性伸缩，以提升资源利用率，快速响应项目资源诉求。

基础设施运维管理：运维管理指企业对基础设施全生命周期开展运维与监控的能力。组织需监控运行指标，开展故障排查与日常维护， 以保障基础设施持续稳定运行，提升服务可靠性。

基础设施安全：基础设施安全指企业为 AI 基础设施构建全链路安全防护体系的能力。企业需制定安全策略，管控访问权限，开展安全审计，以防范安全风险，保障合规性，筑牢安全屏障。

7.1.3 能力等级标准

表 6 技术维度-基础设施维度等级标准

AI 基础设施架构以满足项目即时需求为主，架构方案仅覆盖项目自身场景。

业务部门内制定AI 基础设施规划，结合部门核心 AI 场景，统一硬件选型、工具版本等关键要素，确保部门内不同项目架构可实现基础兼容。

制定覆盖企业全业务域的 AI 基础设施架构，结合企业AI 战略明确 “训练 - 推理 - 部

署 ”全链路架构方案，对接研发、生产、服务等核心业务环节;发布组织级架构标准，统一技术选型、接口规范与设计流程，确保跨部门 AI 项目架构的一致性与互联互通，消除部门间架构壁垒。

建立架构动态优化机制，结合企业AI 应用规模增

长、技术发展趋势、架构支撑 AI项目的效率定期评估架构适配性，实现对架构支撑 AI 项目的效率进行精准测算，驱动架构持续适配业务发展需求。

主导或参与行业 AI 基础设施架构标准制定，输出企业实践案例，成为行业架构设计的参考标杆;

按单个 AI 项目需求部署独立资源，以单台 AI

整合部门内常用AI 算力资源与开发工具，搭建

整合企业全部GPU集群、边缘计算节点、专用存储资源

基于 AI 项目算力需求，实现资源的智能调度与弹

形成资源部署最佳实践库，输出场景化算力配比模

11

服务器、基础开发工具等单点资源为主，资源分散存储于各项目专属环境;

资源配置按项目团队操作习惯执行，无统一部署流程，资源仅适配当前项目的任务类型。

部门级资源池，实现部门内资源的集中存储与初步调度;

制定部门级资源部署流程，明确资源申请、配置、交付的操作步

骤，可支撑 2-3类典型 AI 场景(如分类模型训练、规则类推理)的需求落地。

与开发工具链，搭建企业级 AI 基础设施平台，实现全企业资源的集中调度与统一管理;

建立标准化、 自动化资源部署流程，配套部署工具，支持 AI 项目从需求提交到资源交付的全流程高效落地。

性伸缩，自动匹配资源配置与业务负载变化(如训练任务峰值、推理请求量波动)，资源利用率达到行业先进水平;

建立资源部署效益量化评估模型，实现资源投入与业务价值的平衡。

型、绿色节能部署方案等成果，在行业内推广复用，带动全行业 AI 基础设施资源利用率整体提升。

各项目团队自行负责所属 AI 基础设施的监控与维护，采用项目内熟悉的管理方式，无跨项目的资源协调与复用机制;

部门内指定专人负责 AI 基础设施管理，开展资源使用率、设备运行状态等基础指标的日常监

控，记录故障处理过程;

设立企业专门的

AI 基础设施服务管理团队，搭建统一运维平台，实时监控资源使用率、服务响应速度、故障恢复时间等关键指标，确保服务稳定性;

搭建智能化服务管理平台，引入 AI 技术实现故障自动预警、服务质量动态优化(根据调用量自动调整服务节点)，减少人工干预;

制定服务水平协议(SLA)，明确服务响应时间、可用性等量化指标，定期发布服务管理报告，追踪效率提升成效，持续优化服务流程。

形成资源运维管理最佳实践库，在行业内推广复用。

采用通用的IT安全配置规范，未针对 AI 算力资源、开发环境特性制定专项安全策略;

无专门的 AI 基础设施服务管理机制，资源监控、维护依赖项目团队自行处理;

无资源复用机

制，项目结束后基础设施资源多处于闲置状态，未形成服务化能力支撑其他 AI应用。

制定企业级 AI 基础设施安全体系，覆盖物理安全(设备防护)、网络安全(数据传输加

密)、访问安全(多因素认证、权限最小化)等，符合现行法律法规要求。

构建智能化安全防护体系，部署威胁检测 AI 模型，实现风险的实时识别与自动阻断

输出安全合规指南、应急响应流程等实践成果，推动行业安全生态建设，为行业安全发展提供标杆参考。

12

7.2 数据维度

7.2.1 概述

数据维度按照数据工程的顺序划分为：数据架构、数据采集存储、数据治理、数据集评估交付、数据集运营管理、数据安全等维度。

7.2.2 能力指标

数据架构：数据架构是指企业结合 AI 战略与业务需求规划的数据体系。企业需明确数据需求、体系设计，制定建设方案，以统筹数据资源，适配 AI 应用场景。

数据采集存储：数据采集存储是指企业采集内外部数据并规范存储管理的能力。企业需拓展数据来源、统一存储标准、保障数据留存， 以稳定供给AI所需数据，实现集中管控。

数据治理：数据治理是指企业优化数据质量、规范数据标准的能力。企业需开展数据清洗、标准化处理，建立质量管控机制， 以提升数据可用性，支撑精准 AI 决策。

数据集评估交付：数据集评估交付是指企业评估数据集质量并规范交付的能力。企业需核验数据合规性、完整性，明确交付流程， 以保障数据集适配应用，实现全流程可追溯。

数据集运营管理：数据集运营管理是指企业对数据集全生命周期开展运营的能力。企业需分类编目、动态更新，推动数据复用， 以盘活数据资产，提升 AI 应用效率。

数据安全：数据安全是指企业构建数据全链路安全防护体系的能力。企业需管控访问权限、加密敏感数据，开展安全审计，以防范数据泄露风险，保障合规使用。

7.2.3 能力等级标准

表 7 技术维度-数据维度等级标准

数据架构

聚焦单个 AI 项目的数据架构设计，能够满足项目阶段性数据使用需求，支撑项目基础推进。

结合部门内 AI应用业务的数据需求，制定部门级数据架构规

范、统一数据治理流程/工具，实现部门内数据协同。

企业构建覆盖全域的数据架构体系，明确数据分层与集成标准，制定迭代规划。统筹企业数据资源，实现跨部门的数据协同与统一管理。

企业将数据架构与AI深度融合，基于模型与业务反馈动态调整规划目标，实现数据架构与 AI 战略动态适配，支撑业务快速创新。

企业建立面向生态协同的数据架构体系，实现数据资源的开放共享与创新引领，推动行业生态共同发展。

数据采集围绕项目任务开展，采用人工录入、单一业务系统导出等方式，采集范围仅覆盖项目关联的局部业务数据;

数据存储使用项目专属的文件目

整合部门内核心业务系统数据来源，搭建部门级数据采集通道。建立部门级数据存储池，统一存储格式与规则，实现部门内数据集中管理。

搭建企业级数据采集平台，整合内外部数据来源，支持实时采集、批量采集等多模式采集;

构建企业级数据湖/ 数据仓库，统一存储架构与技术选型，实现结构化(如业务表)、非结构

实现数据采集智能调度，基于 AI项目需求预测及部署情况自动调整采集频率与范围，支持动态扩展采集节点;

建立存储资源量化管理模型，通过数据热度分析(如

向产业链合作伙伴开放标准化数据采集接口与存储服务，推动跨企业数据协同。

13

录或数据库，不同项目数据存储相互独立。

化(如图片、文本)数据集中存储，支持跨部门数据共

享。

访问频率)优化存储分层(热数据 -温数据 - 冷数

据)，降低存储成本，提升访问效率。

能够基于项目需求开展基础性的人工数据清洗与标注，形成初步的数据处理流

程，支持人工智能项目的基本需求。

建立部门级标准化加工流程与质量控制机制，具备清洗、转换、脱敏、标注等完整环节，支持人工处理和部分自动化流程，

形成企业级自动化数据加工流水线，具备特征工程与质量评估能力，实现高效稳定的数据供给与复用。

应用智能算法和工具开展数据加工优化，建立模型反馈闭环，实现基于质量与效果的动态改进与智能决策支撑。

构建智能化的数据加工体系，实现数据高价值产出，支撑跨场景创新。

数据集

评估交

付

具备对项目需要的数据集进行检查和交付的初步能力，形成基础的交付流程并可支撑项目实施

建立部门级别数据集评估与交付标准，完善质量指标和文档记

录，确保数据交付的规范化与一致性。

形成企业统一的数据集评估与版本管理体系和平台，实现数据集的质量验证、比对和追溯，保障AI项目训练与评测的稳定可靠。

开展基于业务价值和模型效果的智能评估，实现任务匹配与自动化交付，促进数据价值最大化。

建立可信交付体系，推动数据集的市场化与生态化分发，实现全生命周期可追溯与可验证的高质量交付。

运营管

理

建立项目级的数据集管理与维

护，项目结束后数据集留存于原存储环境，无专人维护与更新;

部门内指定专人负责核心数据集维护，定期更新数据内容，记录数据集使用情

况。

梳理部门内可复用数据集清单，标注适用场景与使用方式，支持部门内多项目共享调用。

设立企业级数据运营团队，搭建数据集管理平台，实现数据集分类编目、版本管控、使用计量(如调用次数、用户数);

建立数据集运营机制，定期评估数据集价值(如业务贡献度、复用率)，开展数据更新(增量 / 全量)、冗余数据清理，形成数据资产化管理闭

环。

搭建数据运营量化分析平台，实时监控数据集使用量、复用率、业务贡献 ROI 等指

标，自动识别高价值 / 低价值数据集;同时具备分析并可视化数据间的血缘关系，清晰、明确、实时追溯数据来源及加工逻辑

形成数据资产化运营模式，对外提供高质量数据集服务(如行业数据集产品、定制化数据解决方案)，创造商业价值;推动行业数据资产化发展

数据安全防护采用项目所属业务系统的基础措

施。

制定部门级 AI 数据安全规范，明确数据访问权限分级(如查看、编辑、导出)、

构建企业级 AI 数据安全体系，覆盖数据全生命周期：

l 采集安全：来源合规审核、

构建智能化数据安全防护体系，部署 AI 驱动的威胁检测模型，实时

构建行业数据安全生态，输出安全合规指南、应急响应方案，推动行业数据安全能力整

14

数据传输加密要求;定期开展部门内数据安全检查，记录数据异常访问、存储设备安全等情况，形成安全问题处理台账。

采集过程加密;

l 存储安全：分级存储、敏感数据加密、容灾备份;

l 使用安全：多因素认证、权限最小化、操作日志审计;

配备专业安全团

队，建立安全事件实时监控与应急响应机制，定期开展安全渗透测试，符合现行法律法规要求。

识别数据泄露、未授权访问、恶意篡改等风险并自动阻断;

建立安全能力量化评估体系，通过安全事件发生率、漏洞修复及时率、合规符合度等指标优化安全策略，对接国家网络安全等级保护等外部标准。

体提升，成为行业数据安全标杆。

7.3 模型维度

7.3.1 概述

模型维度按照模型工程的顺序划分为：模型架构、模型开发训练、模型评估、模型部署服务、模型运维运营、模型安全等维度。

7.3.2 能力指标

模型架构：模型架构是指企业结合 AI 战略与业务场景规划的模型体系，包括算法选型、算法适配、算法管理等内容。企业需明确模型目标、技术选型，以适配业务需求，支撑模型有序开发。

模型开发训练：模型开发训练是指企业构建并训练适配业务的 AI 模型的能力。企业需搭建开发环境、选用合规数据集，开展模型训练与调优， 以产出性能达标的可用模型。

模型评估：模型评估是指企业检验模型性能、合规性的能力。企业需设定多维度评估指标，开展测试验证与效果分析，以保障模型质量，适配实际应用需求。

模型部署服务：模型部署服务是指企业将模型落地并实现服务化调用的能力。企业需封装标准化接口、适配多环境部署，保障服务稳定，以支撑业务场景快速调用。

模型运维运营：模型运维运营是指企业对模型全生命周期开展运维与价值提升的能力。企业需监控运行状态、迭代优化模型，跟踪业务贡献，以保障模型稳定运行，持续释放价值。

模型安全：模型安全是指企业构建模型全链路安全防护体系的能力。企业需管控访问权限、防控篡改泄露风险，开展安全审计，以防范安全隐患，保障模型合规使用。

7.3.3 能力等级标准

表 8 技术维度-模型维度等级标准

15

聚焦单个项目开展人工智能架构规划设计，按项目需求规划模型结构，初步满足项目基础建模需求，支撑模型初步搭建。

结合部门核心业务场景并关联部门内多项目需

求，制定部门级架构规范、统一框架选型标准，适配部门多项目建模需求，实现部门内架构协

同。

综合企业全业务域AI 模型需求，建立企业级统一模型架构、 明确分层设计与集成标准，制定迭代规划，结果导向为统筹企业建模资源，支撑跨部门模型协同。

企业将模型规划与业务目标和AI战略深度融合，基于模型绩效与反馈动态优化架构，实现智能化迭代与持续改进。

参与行业模型架构标准制定、输出企业架构最佳实践与技术方案，成为行业模型架构标杆，引领行业AI建模协同模式升级。

针对项目任务需求开展模型开

发，开发流程聚焦 “数据输入 -模型训练 - 结果输出” 的基础环节。

覆盖部门内同类AI 任务的模型开发，开发流程包含 “数据预处理 - 模型构建 - 训练调优” 基础环节，使用部门共享数据集训

练，制定基础训练规范并配备部门级开发工具，训练出的模型可在部门内同类场景复用且性能稳定性提升。

构建企业级模型开发体系，形成统一的模型训推平台、版本管理和模型

库，实现模型在不同业务中的复用与协同。

支持企业复杂 AI任务的高效开发，

开发流程可自适应优化，搭建智能化开发平台，实现开发过程自动量化监控

组织构建开放协作的模型开发生态，输出可共享的模型研发能力与创新成果。

仅针对项目核心任务指标开展评估，评估维度局限于项目内单一测试集。

针对部门内模型类型建立评估维度，覆盖性能、泛化能力等基础指标，采用部门统一测试集评

估，使用基础评估工具计算指标并输出简易评估报告，可全面判断模型是否满足部门场景需求并为模型优化提供基础依据。

建立组织级模型评估体系，覆盖性能、鲁棒性、合规性等多维度，构建组织级测试数据集与评估工具平台， 自动计算指标并生成标准化报告，评估结果需跨部门联合审核，可全面评估模型在企业全场景的适用性并识别潜在风险。

建立智能化、全维度评估体系，支持动态调整评估指标并覆盖技术、业务、合规全维度，开发智能化评估系统自动生成报告并给出优化建议，引入 A/B 测试机制对比模型效果，模型评估准确率提升且可快速识别最优模型方案。

组织构建开放共享的智能评估体系，主导行业评估标准制定，输出评估白皮书与最佳实践

模型部

仅针对项目应用

在部门层面建立

企业形成集中化的

企业建立模型的

向外部提供模型

16

署服务

场景开展模型部署，部署范围局限于项目专属环境

标准化部署流程与接口规范，实现不同模型在系统中的稳定运行与集成。

模型部署与服务管理体系，具备多模型并行部署、监控与资源管理能力，显著提升服务效率与质量。

智能编排与管理体系，基于负载与性能实现动态优化，保障高可用与高效响应。

能力输出与接口共享，实现AI服务生态化赋能。

模型运维仅围绕项目生命周期开展

部门层面建立运维规范与监控体系，覆盖性能监测、更新管理与运行保障，实现模型运维的规范化。

构建企业级模型运维体系，实现运行监控、版本回溯、风险预警与性能优化的系统集成，提升整体运维质量与效率。

建立智能运维平台与自学习机制，实现自动诊断、智能调优与模型健康状态预测，支撑模型持续优化运行。

输出行业级模型运维运营方法论与工具，引领行业模型运维运营生态建设，建立最佳实践库向行业分享经验

模型安全防护仅关注模型运行环境的基础安全防护，具有基础的访问管理防护和模型文件存储安全。

在部门范围内建立模型存储、访问、使用的全环节安全管控，制定部门级模型安全规范明确访问权限分级与接口访问认证，定期开展安全检查

实现模型全生命周期安全管控，构建企业级模型安全体系并制定安全标

准，配备自动化安全监控工具定期开展安全渗透测试，符合现行法律法规要求。

构建智能化、自适应的模型安全体系，实现安全态势感知和自动化响应。

输出行业级模型安全方法论和工具

7.4 应用维度

7.4.1 概述

应用维度按照应用工程的顺序划分为：应用架构、应用集成部署、应用运维运营、应用安全等维度。

7.4.2 能力指标

应用架构：应用架构是指企业结合 AI 战略与业务场景规划的 AI 应用体系，包括应用功能拆解、集成方式、部署形态、封装方式、使用流程等。企业需明确应用目标、场景适配，制定落地方案，以适配业务需求，支撑应用有序落地。

应用集成部署：应用集成部署是指企业将 AI 应用集成到业务系统并落地运行的能力。企业需适配业务系统、标准化部署，保障兼容稳定， 以支撑业务场景快速启用 AI 应用。

应用运维运营：应用运维运营是指企业对 AI 应用全生命周期开展运维与价值提升的能力。企业需监控运行状态、优化功能迭代，跟踪业务价值，以保障应用稳定运行，持续赋能业务。

应用安全：应用安全是指企业构建 AI 应用全链路安全防护体系的能力。企业需管控访问权限、防范功能篡改与数据泄露风险，开展安全审计， 以防范安全隐患，保障应用合规使用。

17

7.4.3 能力等级标准

表 9 技术维度-应用维度等级标准

聚焦单个 AI 项目的应用需求，按需规划功能模块架构，满足项目基础功能落地需求，支撑项目阶段性试用。

结合部门业务涉及到 的 AI 应用，制定部门级架构设计规范、统一功能模块划分标准，适配部门多项目应用需求，实现部门内应用架构协同，支撑部门内多项目应用协同开发，减少重复设计工作。

综合企业全业务AI 应用需求，规划涵盖研发、生产、营销、服务等核心业务环节的 AI 应用架构，明确分层设计与集成标准，制定迭代规划，支持组件化开发复用，实现全企业跨部门应用协同设计与资源统筹。

实现企业应用架构动态优化，通过运营数据评估架构适配性、结合业务变化动态调整分层与集成策略，实现 架构与 AI战略精准匹配，支撑业务快速创新。

引领行业 AI 应用架构方向，参与行业应用规划标准制定。输出企业应用规划实践为行业标杆，推动行业应用架构标准化。

针对项目专属场景开展 AI 应用集成部署，集成范围局限于项目关联的单一业务系统或本地环境

覆盖部门内多项目 AI 应用集成部署，集成范围包括部门共享业务系统与基础数据接口，制定部门级集成部署流程，明确接口适配、数据格式转换等标准步骤，使用部门共享集成工具

覆盖企业全业务域AI 应用集成部署，支持云端、本地、边缘端等多环境集成，集成范围包括企业核心业务系

统、数据平台与外部合作系统，搭建组织级应用集成平台，实现接口标准化封装、 自动化测试与一键部署

支持企业复杂 AI应用的高弹性集成部署，集成平台具备智能调度能力，支持应用服务熔断、限流与版本快速回滚，建立集成部署效果量化评估体系

向产业链上下游合作伙伴开放标准化集成部署服务，制定行业应用集成部署标准，输出部署最佳实践。

基于项目需求开展人工智能应用的日常运维与监测，具备基本的运行保障与问题响应能力。

在部门层面建立应用运维管理流程，形成性能监控、 日志分析与升级维护机制，保障关键业务稳定运行。

构建企业级应用运维体系，实现多应用集中监控、 自动告警与资源调度，提升整体运维效率与服务质量。

引入智能化运维平台与自适应调优机制，开展预测性维护与业务联动优化，实现持续优化与智能支撑。

建融合业务生态的智能运维运营体系，基于应用表现与用户价值反馈优化策略，实现对外服务赋能与价值共创。

具备人工智能应用安全意识，能够在项目层面开展访问控制与安全审计，保障核心功能的安全运

在部门层面建立应用安全管理制度，形成权限分级、漏洞修复与应急响应机制，实现安全管理的

在企业范围内形成覆盖全生命周期的应用安全治理体

系，统筹数据、模型与接口安全，显著提升安全防护的

组织引入智能化安全技术与自动监测机制，实现威胁识别、风险预测与动态防护，全面提升应用安全的

输出安全防护标准与解决方案，实现AI应用安全能力的生态化赋能与行业引领。

18

行。

规范化。

系统性与可控性，确保符合现行法律法规要求。

智能防御能力。

8 价值维度

8.1 范围与深度

8.1.1 概述

范围与深度划分为组织层级渗透度、业务流程覆盖度、应用深度、性能质量、场景创新五个能力子项。

8.1.2 能力指标

组织层级渗透度：组织层级渗透度是指企业 AI 应用向各组织层级逐步渗透覆盖的能力。企业需适配各层级业务需求，推动 AI 在执行、管理、决策环节落地，实现层级协同贯通，以保障 AI 赋能贯穿组织全链条。其计算公式为，组织层级渗透度=(已落地AI应用的独立组织单元数量/企业全部独立组织单元数量) × 100%。

业务流程覆盖度：业务流程覆盖度是指企业 AI 应用覆盖核心业务全流程的能力。企业需从单一环节拓展至端到端流程，实现流程全链路适配，以打通业务数据壁垒，提升流程协同效率。其计算公式为，业务流程覆盖度=(已应用AI的核心业务流程数量/企业全部核心业务流程数量) × 100%。

应用深度：应用深度是指企业 AI 应用从基础辅助向核心赋能递进的能力。企业需从简单劳动替代升级至决策支撑、价值创造，以最大化 AI 对业务的赋能价值。

性能质量：性能质量是指企业 AI 应用适配实际场景、保障运行质量的能力。企业需优化AI算法准确率、响应速度等核心指标，贴合场景实用需求， 以提升 AI 应用的可靠性与落地效果。

场景创新：场景创新是指企业 AI 应用与行业业务深度融合、推动创新的能力。企业需结合行业特性挖掘创新场景，打造差异化应用方案， 以引领行业 AI 融合发展，增强核心竞争力。

8.1.3 能力等级标准

表 10 价值维度-范围与深度能力等级标准

组织

层级

渗透度

渗透度≤10%

10%<渗透度≤ 30%

30%<渗透度≤ 50%

50%<渗透度≤ 90%

渗透度>90%

业务

流程

覆盖度

覆盖度≤10%

10%<覆盖度≤ 30%

30%<覆盖度≤ 50%

50%<覆盖度≤ 90%

覆盖度>90%

深度

AI应用能够替代基础性、事务性的

AI开始融入完整的业务流程，从

AI应用能够处理复杂信息，提供深

AI不再仅仅是辅助工具，而是深度

企业将自身成熟的AI能力产品化、

19

人工劳动，实现提升特定环节的效率，降低操作错误率和人力成本。

“ 替代人手”升级到“增强人脑”，为员工提供智能辅助，从而优化了整个业务流程的效率和质量，提升了员工的专业能力和客户体验。

度洞察、预测性分析和可执行的决策建议，辅助用户进行判断，从而赋能企业管理决策，提升了战略规划的准确性和敏捷性，

融入到产品或服务本身，成为企业营收和创新的核心引擎，从而创造全新的业务模式和价值增长点。

平台化，向外输出，赋能整个产业链或行业生态

应用性能满足单个场景的基础可用，且企业算法达到行业主流算法性能70%

应用性能可满足业务的稳定可用，且企业算法达到行业主流算法性能90%

应用性能可满足企业场景的高标准可用，保障企业应用可靠稳定，且企业算法达到行业主流算法性能 100%

企业建立 AI 性能量化评估体系，实现性能与成本的最优平衡，且企业算法超过行业主流算法性能5%以上。

性能指标成为行业标杆，输出性能优化方法论

企业主要引入和实施行业内已广泛验证的、通用化的AI场景方案。

企业在通用场景的基础上，开始结合自身的业务流程和数据特点进行定制化开发和优化，使AI解决方案更贴合自身需求。

企业基于对行业和业务的深度理解，主动挖掘尚未被普遍关注的痛点，将AI技术与核心业务流程深度融合，开创出具有企业自身特色的应用场景。

企业利用AI技术对传统的业务模式、服务流程或价值链进行重塑，推出全新的产品、服务或商业模式，从而开辟新的市场或获得压倒性竞争优势。

企业的AI场景创新通过技术输出、平台化、制定标准等方式，引领整个行业的发展方向。

8.2 场景价值

8.2.1 概述

场景价值主要从细分场景角度出发衡量AI应用对企业各环节带来的价值，按照企业业务经营环节(研发、生产、供应、营销、服务) 以及内部运营、其他行业场景划分共7个环节。

8.2.2 能力指标

研发：研发是指企业运用 AI 技术赋能产品研发创新的能力。企业需整合研发数据、开展智能仿真与方案优化，缩短研发周期，以提升研发效率与创新成果转化质量。

生产：生产是指企业通过 AI 技术优化生产全流程的能力。企业需实现智能调度、质量管控与设备预测性维护， 以提质增效、支撑柔性生产与绿色制造。

供应：供应是指企业借助 AI 技术升级供应链协同管理的能力。企业需开展智能需求预测、资源调配与风险预警，以保障供应链稳定高效、降低综合成本。

营销：营销是指企业利用 AI 技术实现精准营销的能力。企业需构建用户画像、动态优化营销策略与渠道适配， 以提升客户转化效率与终身价值。

20

服务：服务是指企业通过 AI 技术升级客户服务体系的能力。企业需搭建智能服务渠道、开展需求挖掘与个性化服务，以提升客户满意度与问题解决效率。

运营：运营是指企业运用 AI 技术优化内部运营管理的能力。企业需实现财务、人力、办公等流程自动化与数据驱动决策，以提升运营协同效率、支撑战略落地。

其他行业场景：其他行业场景是指企业运用AI技术优化所在行业特有场景的能力，企业需剖析行业场景需求、特点，实现AI高效赋能，以提升行业特有场景应用的效率、质量。

8.2.3 能力等级标准

表 11 价值维度-场景价值能力等级标准

能力

子项

AI应用在局部研发环节提供辅助，如检索、方案比选、代码片段与用例生成等基础环节。可以实现研发人员全程主导下的AI辅助研发。

AI应用在需求分析、设计、测试等多个研发环

节，比如代码补全、语法检查、测试用例生成等功能。

AI承担重复性任务，研发人员专注于核心工作，从而优化研发流程。

AI 应用在编排设计、仿真、缺陷定位等较复杂场景，比如智能仿真、架构设计、问题定位等。AI 按人类意图完成较复杂研发任务，但仍需人工复核

AI应用在端到端研发流程中，能够以高质量对话驱动需求—实现—测试—发布等多场景联动。AI实现作为数字员工高效参与到公司研发项目中。

AI研发工具具备高度的创造性，能够面向开放任务进行多模态协同创新。

引入AI做质检/能耗监测等单点功能，辅助员工完成质量筛查或状态跟踪，降低人工错误率。

在关键工序中，实现智能化生

产，例如排产微调/参数设定等标准场景。AI辅助优化生产过

程。

AI应用在跨工序流程中预测性维护/质量根因分析等复杂场景，仍需人工复核

AI应用在端到端生产流程中，实现自适应调度、资源优化配置、策略优化等联动场景，带动生产链效率整体提升。

AI实现生产系统高度自治及无人化，成为生产创新的引领者。

AI开始应用在供应链基础场景，如库存数据统计、供应商信息初步筛选。

AI 应用范围延伸至供应链多个关键场景，如需求预测、采购计划生成、供应商履约监控。实现供应链需求与资源的精准匹配，降低库存积压与短缺风险。

AI 应用覆盖供应链核心链路，如供应链规划、风险预警、多渠道资源调配。输出最优协同方案但需人工确认关键节点，实现供应链的敏捷响应与价值最大化

AI 应用范围延伸至全行业供应链协同，如多企业资源整合、风险联防联控。自主预判复杂供应链风险并制定应对方案，实现供应链的价值共创与可持续发展

实现跨行业供应链生态共同体，可在复杂开放的供应链场景中自主预判趋势、创造协同机制并防控风险。应用效果成为行业供应链标杆

围绕销售基础环节开展 AI 辅助，

AI 应用范围覆盖销售多个环

AI 应用范围覆盖营销核心链路，如

AI 应用范围覆盖全域营销生态，如

打造行业级营销生态，技术应用能

21

能力范围局限于项目内客户信息整理、简单需求匹配，通过基础工具分析客户数据并推荐产品，按项目周期推进销售转化，支撑项目内核心客户的对接与成交。

节，如客户分层、话术推荐、订单跟踪。可按照销售指令完成客户画像绘制、精准触达与进度跟

进，实现销售流程的标准化推

进，提升客户对接效率与转化成功率。

市场洞察、客户生命周期管理、精准营销、渠道优化。应用可处理复杂销售场景， 自主推进营销活动。应用效果实现市场份额与客户价值的同步提升。

跨渠道客户协同、个性化价值共创。 AI可通过交互深度理解客户需求，自主生成定制化营销方案并推进落地，推动营销模式从 “推销” 向

“共创” 转型。

力具备高度自主性、创造性，可在复杂开放的市场场景中自主挖掘需求、创造营销新方案并推动价值共创，引领全行业营销数字化与价值化升级。

AI 应用范围聚焦基础单一服务场景，如常见咨询应答、工单创建。应用效果可满足客户基础咨询响应需求，缩短简单问题处理时效。

AI 应用范围涵盖客户多个主要场景，包括咨询应答、故障排查指引、满意度收集。应用效果实现客户服务的快速响应，提升基础问题解决率。

AI 应用范围覆盖核心服务，如定制化解决方案推荐、复杂故障排查、需求挖掘等。应用可自主推进服务闭环但需人工跟进高风险诉求，实现客户服务体验的显著提升，增强客户粘性。

AI 应用范围覆盖全场景服务生态，可自主理解、决策、解决复杂服务诉求。应用实现服务从 “ 问题解决”向 “价值创造”

升级，提升客户体验。

构建行业级服务生态，可在复杂开放的服务场景中自主创造服务价值、构建服务新生态，成为行业服务标杆。

AI 应用范围聚焦单一运营环节，如财务票据识别、文档格式转换等，技术可执行固定规则的自动化处理，实现单一运营流程的简化，提升基础工作效率。

AI 应用范围覆盖内部运营主要场景，如财务核算、招聘筛选、流程审批、智能写作。应用可按指令完成数据处理、任务分流与结果反馈，应用效果实现运营流程的自动化流

转，提升协同效率与工作规范

性。

AI 应用范围覆盖企业内部核心运营场景，如财务预测/对账/合规校验、企业规章问答、战略支撑等。应用可处理复杂运营问题，

输出深度分析报告与优化方案，实现内部运营的高效

化。

AI 应用范围覆盖全部企业运营生态，如跨组织运营协同、企业智能管理、战略动态优化。应用可作为“数字员工 ”实现支撑企业高质量发展。

应用效果成为行业运营标杆，引领全行业内部运营向高效化、智能化、战略化转型。

AI 应用聚焦行业典型场景进行零星试点，算法主要借鉴通用场景的架构。

AI 应用范围覆盖行业关键业务环节形成标准化应用模式，并结合行业特点开展

AI应用范围覆盖行业核心业务流程，实现AI全链条支

撑， 形成可复用的行业解决方案模

AI应用范围覆盖行业绝大多数业务流程，实现深度融合。

引领行业智能化应用范式创新，为行业智能化发展标准的制定提供实践支撑与标杆

22

场景适配性优化

板。

参考。

23

附录 A(规范性) 企业级人工智能应用成熟度模型记分方式

表 A.1 企业人工智能应用成熟度评价模型加权规则

一级维度

一级维

度权重

(⑴)

二级维度(能力域)

二级维度

权重(β)

三级维度(能力

项)

三级维度权

重(θ)

得分

⑴1 = 0.2

β11 =1/3

θ111 =1/2

P111

θ112 =1/2

P112

β12 =1/3

θ121 =1/2

P121

θ122 =1/2

P122

β13 =1/3

θ131 =1/3

P131

θ132 =1/3

P132

θ133 =1/3

P133

⑴2 = 0.5

β21 =1/4

θ211 =1/4

P211

θ212 =1/4

P212

θ213 =1/4

P213

θ214 =1/4

P214

β22 =1/4

θ221 =1/6

P221

θ222 =1/6

P222

θ223 =1/6

P223

θ224 =1/6

P224

θ225 =1/6

P225

θ226 =1/6

P226

β23 =1/4

θ231 =1/6

P231

θ232 =1/6

P232

θ233 =1/6

P233

θ234 =1/6

P234

θ235 =1/6

P235

θ236 =1/6

P236

β24 =1/4

θ241 =1/4

P241

θ242 =1/4

P242

θ243 =1/4

P243

θ244 =1/4

P244

⑴3 = 0.3

β31 =1/2

θ311 =1/5

P311

θ312 =1/5

P312

θ313 =1/5

P313

θ314 =1/5

P314

θ315 =1/5

P315

β32 =1/2

θ321 =1/7

P321

24

θ322 =1/7

P322

θ323 =1/7

P323

θ324 =1/7

P324

θ325 =1/7

P325

θ326 =1/7

P326

θ327 =1/7

P327

计算公式如下：

A：表示企业人工智能应用成熟度最终总得分，取值范围为[0,5]

⑴i:表示第 i 个一级维度的权重

βij:表示第 i 个一级维度下的第j 个二级维度的权重

θijk：表示第 i 个一级维度下的第j 个二级维度下的第 k 个三级维度的权重

Pijk：表示第 i 个一级维度下的第j 个二级维度下的第 k 个三级维度最终的评估得分

其中，i = 1,2,3，分别对应管理维度、技术维度、价值维度;j 为对应一级维度下二级维度的序号;k 为对应二级维度下三级维度的序号。

成熟度等级

对应评分区间

A∈[0.5, 1.5)

A∈[1.5,2.5)

A∈[2.5,3.5)

A∈[3.5,4.5)

A∈[4.5,5]

___________________________________

25