文／廖肇弘
上一篇文章中，我們談到有關「生成式 AI 如何加速企業創新轉型」的議題，瀏覽了不少的國外研究機構相關報告，以及生成式 AI 在製造業、零售業、娛樂業、醫藥業、金融業…等等各個產業的應用案例。
文章中我也提到：生成式 AI 與以往鑑別式 AI 的最大差異不在於「分析力」而是在於「創造力」。要善用生成式 AI 的高度創造力來加速企業創新，才能發揮生成式 AI 最強大的火力。
[ 推薦閱讀：生成式 AI 如何加速企業創新轉型？ ]
然而，即使知道這些事實，企業主管們也不一定會馬上行動，立刻導入生成式 AI 到企業中。因為以往任何一項創新科技要全面擴散到企業的各個部門中應用，都必須經過許多漫長的評估與驗證過程，才能發揮其作用。
只是，生成式 AI 帶來的變革實在太過強烈，速度實在太快，可能會令我們措手不及。
今天，就來聊聊影響企業評估導入生成式 AI 時，可以參考的「生成式 AI 成熟度模式」（GAIMM）。
成熟度模式
想了解一件創新科技或創新制度是否適合導入於企業組織時，通常我們會使用「成熟度模式」（Maturity Model）來進行評估。
成熟度模式的概念其實很簡單，就是將初始狀態到最佳狀態，依據不同成熟度級別劃分為不同的階段，每個級別和階段都代表了組織在某個特定狀態中的能運能力和狀態。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
成熟度模式的濫觴是源自卡內基梅隆大學的軟體工程研究所（Software Engineering Institute，SEI）在軟體工程學中提出的能力成熟度模型整合（Capability Maturity Model Integration，CMMI）。CMMI 模型將組織導入軟體工程的成熟度依據不同的狀態分為五個級別。這個作法簡潔明瞭，後來很多新科技或管理制度也沿用這樣的概念而展開。
生成式 AI 成熟度模式（GAIMM）
依循這樣的思路，我們就可以發展出一套「生成式 AI 成熟度模式（Genertive AI Maturity Model）：
一、啟蒙者級（Novice Level）：
在此階段，企業已經開始意識到生成式 AI 的潛在價值，但對於如何導入企業尚不理解，一切都還在初步探索階段。
● 特點：
- 初步認識生成式 AI：僅知基本概念，還未全面理解其應用價值和風險。
- 簡單嘗試和實驗：進行一些基本的生成式 AI 實驗項目，但沒有系統性的策略。
- 沒有固定策略：在這階段，對於如何應用生成式 AI 並沒有明確或統一的策略。
- 依賴外部資源或工具：可能依賴第三方平台或團隊進行嘗試，還沒有自己的專門團隊。
- 缺乏深入了解和策略規劃：對於生成式 AI 的深入知識和未來規劃都還很模糊
● 困難：
- 資訊的真偽和篩選：在眾多的信息中如何選擇正確和有價值的資訊。
- 資源和工具的選擇：面對市場上眾多工具和平台，如何選擇最合適的。
- 技術和策略的不確定性：缺乏明確方向，可能會迷失在技術的大海中。
- 新技術的風險：因為不熟悉，可能面對技術落地和執行上的風險。
- 內部接受度和合作的問題：部分團隊或成員可能對新技術抱有疑慮。
二、探索者級（Explorer Level）
在此階段，企業開始積極尋找和嘗試生成式 AI 的應用，並建立初步的團隊和資源配置。
● 特點：
- 了解生成式 AI 的核心技術和價值：已有更深入的了解，並尋找相關應用。
- 制定初步的策略框架：開始有了固定的方向和策略，但可能還不夠完善。
- 有具體的應用案例或專案：已有部分項目或案例在進行或完成。
- 初步的團隊和資源配置：有了專門負責生成式 AI 的團隊，但規模還不大。
- 期望得到實際的效果和價值：希望透過生成式 AI 帶來商業價值或提升效率。
● 困難：
- 如何制定有效的策略：在眾多的策略中選擇最有效的還是一大挑戰。
- 資源和預算的分配：如何有效利用有限的資源和預算。
- 保持技術和策略的更新：技術迅速變革，如何確保不被時代拋棄。
- 如何衡量效果和價值：設定和達到 KPIs 可能會遇到困難。
- 內外部的合作和協調：如何確保所有團隊和部門都朝著同一個方向努力。
三、建設者級（Builder Level）
企業已有明確的生成式 AI 策略，並進行專業的團隊建設和流程標準化。
● 特點：
- 制定明確策略：已確定了長期和短期的 AI 策略。
- 專業團隊建設：擁有資深的生成式 AI 專家和團隊支持。
- 標準化流程：所有生成式 AI 相關的工作都有固定和標準化的流程。
- 技術和資源整合：可以自主選擇和整合不同的技術和資源。
- 初步監控和評估：有系統地監控和評估生成式 AI 項目的效果。
● 困難：
- 制定策略的盲點：即使有明確策略，仍可能存在未預見的盲點。
- 團隊協作的挑戰：如何確保各個團隊都能高效協作。
- 流程的執行和優化：即使有標準化流程，仍需要不斷優化。
- 技術選擇和整合的困難：在眾多技術中選擇最合適的仍是一大挑戰。
- 期望和實際效果的落差：可能存在期望和實際效果不符的情況。
四、領航者級（Navigator Level）
企業已將生成式 AI 全面落地，並能夠量化效果，持續優化策略。
● 特點：
- 專案效果量化：所有生成式 AI 相關的項目都能量化效果和價值。
- 持續優化策略：根據實際效果，不斷調整和優化策略。
- 跨部門整合應用：生成式 AI 不再是單一部門的事，而是跨部門的整合應用。
- 風險管理和控制：能夠預見和控制所有與 AI 相關的風險。
- 客戶和市場反饋整合：主動收集客戶和市場的反饋，並整合到策略中。
● 困難：
- 量化標準的確定：如何確定最有價值的量化標準仍是一大挑戰。
- 策略優化的盲點：儘管有了策略優化，但仍可能存在盲點。
- 跨部門合作的摩擦：跨部門的合作可能會存在摩擦和障礙。
- 新風險的預見和控制：面對新技術和市場，可能存在新的風險。
- 市場和客戶反饋的解讀：如何正確解讀並整合反饋是一大挑戰。
五、創新者級（Innovator Level）
企業已將生成式 AI 完全整合到核心業務中，並持續創新和領先市場。
● 特點：
- 生成式 AI 全面落地：生成式 AI 已經成為企業核心競爭力的一部分。
- 策略自動調整：有完善的系統，能夠根據實際情況自動調整策略。
- 持續創新和領先：不僅跟隨市場，而是成為市場的領跑者。
- 強大的內部培訓和文化建設：有系統的培訓計畫，確保所有員工都能跟上生成式 AI 的步伐。
- 長期規劃和投資：不僅注重短期效益，更注重長期的投資和回報。
● 困難：
- 技術和策略的持續創新：即使已經領先市場，仍需要不斷創新以保持競爭力。
- 高度整合的管理挑戰：高度的整合可能帶來新的管理挑戰。
- 長期投資的風險：長期的投資可能會帶來未知的風險。
- 文化和策略的持續培養：確保所有員工都能跟上生成式 AI 的步伐可能有困難。
- 市場變革和風險：市場的快速變革可能會帶來新的挑戰和風險。
結語
依據「生成式 AI 成熟度模式」（GAIMM）的定義，你可以試著評估看看你所在的企業或組織，在生成式 AI 的導入階段是屬於哪一個級別？
如果只是「啟蒙者」或「探索者」，其實也不需要太過著急。因為根據 Accenture 調查 2000 家公司的研究報告發現，只有 12% 的公司的在人工智慧的成熟度足以實現卓越的成長和業務轉型。
[ 閱讀所有廖肇弘的文章 ]
Accenture 也將企業導入 AI 的基礎架構成熟度與創新能力高低劃分為兩個維度，依據高低展開為四個象限，其中屬於「AI 創新者」只有 13%，「AI 成就者」只有 12%，「AI 建構者」也是 12%，絕大多是都還是屬於「AI 實驗者」63%。
換言之，即使是全世界最大規模的 2000 家公司，絕大多數目前也都還在探索 AI 的應用可能性，而生成式 AI 更是其中急速發展的議題，我相信數字會更加極端。
不過，以我們近期訪問國內幾家大型企業 CXO 的研究發現，許多產業的創新應用，雖然還沒大規模落地展開，但已經都在積極研究與佈局，相信不久的將來，我們就可以看到許多生成式 AI 在各個產業遍地開花的創新應用。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
