基于AI能力成熟度模型理解人工智能在组织中的扩散：一项定性案例研究的学术报告
本文旨在向同行研究者介绍一篇于2024年发表在期刊 Information Systems Frontiers 上的原创性研究论文。该研究由Hans Fredrik Hansen与Elise Lillesund（来自Kristiania University College）、Patrick Mikalef（来自Norwegian University of Science and Technology）以及Najwa Altwajjry（来自King Saud University）共同完成，题为“Understanding Artificial Intelligence Diffusion through an AI Capability Maturity Model”。
一、 学术背景与研究目标
本研究隶属于信息系统与管理学交叉领域，聚焦于组织如何有效采纳、部署并最终从人工智能（AI）技术中获取商业价值这一核心议题。尽管AI技术近年来取得了显著进步并引发了广泛关注，但现实情况是，仅有少数组织能够成功地将AI整合到其运营中并产生实质性价值。现有研究多关注促成AI采纳的“使能”因素，然而，作者指出，AI的成功应用并非简单的“采纳”事件，而是一个更为复杂的、分阶段的“成熟度”演进过程。因此，将AI的扩散（Diffusion）视为一个成熟度过程，并理解组织在这一过程中面临的具体挑战与演进路径，对于理论与实践都至关重要。
基于此背景，本研究旨在弥补现有研究的两大缺口：首先，深入探究组织在AI扩散过程中具体面临哪些挑战；其次，揭示AI扩散的成熟度阶段，并为组织提供如何克服各阶段挑战的实践指南。为此，研究提出了两个具体的研究问题（RQ）： RQ1：组织在运营中扩散AI时面临哪些挑战？ RQ2：AI扩散的成熟度阶段是什么？组织如何克服每个阶段出现的挑战？
二、 研究设计与详细工作流程
本研究采用了两阶段、多方法的定性案例研究设计，旨在整合现有文献知识、专家见解和实际组织经验，以开发并验证一个AI能力成熟度模型（AI Capability Maturity Model, AICMM）。
第一阶段：文献综述与专家访谈（理论构建与初步验证） 1. 文献综述：研究团队首先对AI在组织中的应用、AI能力以及技术成熟度模型的相关文献进行了系统性梳理。这为理解AI扩散的关键维度和潜在挑战奠定了理论基础。研究特别借鉴了Mikalef和Gupta（2021）提出的AI能力框架，并整合了技术-组织-环境（TOE）框架，以构建一个涵盖技术、组织和环境三个核心维度的分析视角。 2. 专家访谈：为了将理论与实践结合，研究者对五位AI领域的专家（包括AI咨询顾问和从事实践项目的研究人员）进行了半结构化访谈。访谈对象通过便利抽样和滚雪球抽样方式确定。访谈旨在深入了解专家们对AI扩散过程、关键挑战以及成熟度阶段的看法。访谈内容被录音、转录，并由至少两位研究者独立进行编码和分析，以提炼关键主题，用于初步构建AICMM的维度和层级。
第二阶段：多案例研究（模型验证与细化） 1. 案例选择：为了验证和细化第一阶段开发的AICMM模型，研究者选取了三家处于不同AI扩散阶段、来自不同行业的挪威组织作为案例研究对象。这三家公司分别是：一家处于成长阶段的在线零售公司（Retail）、一家大型传统银行（Bank）以及一家快速发展的机器人科技公司（RoboTech）。这种选择确保了研究结果的对比性和普适性。 2. 数据收集：在每个案例组织中，研究者对关键知情人进行了半结构化访谈。例如，在零售公司访谈了客户体验负责人、首席技术官和IT运营主管；在银行访谈了数据科学和网络安全领域的专家；在科技公司访谈了云与数据总监和首席技术官。访谈围绕组织的技术基础设施、数据管理、战略规划、人员技能、组织文化、外部法规与竞争压力等主题展开。除了访谈，研究者还收集了相关的二手资料（如报告、演示文稿）作为补充。 3. 数据分析：对每个案例的访谈数据进行转录和定性分析，重点关注其在AICMM各维度（技术、组织、环境）上的表现、面临的挑战以及采取的应对措施。随后，研究者进行了跨案例分析，比较三家公司在相同维度上的异同，识别出AI扩散过程中的共同模式和独特障碍。这一过程不仅验证了AICMM模型的适用性，也为其提供了来自真实世界的丰富细节和实证支持。 4. 模型最终构建：综合文献综述、专家访谈和三个案例研究的发现，研究者最终构建了一个详细的、包含五个成熟度等级的AICMM模型。该模型将AI能力成熟度划分为：0-不活跃、1-探索性、2-临时性、3-规范化、4-嵌入式、5-变革性。每个等级在技术（数据、基础设施）、组织（战略、人员、文化）和环境（伦理与法规、压力与动机）三个维度下均有具体的描述性特征。
三、 主要研究结果
第一阶段结果（专家访谈）： 专家访谈确认了从文献中提炼出的技术、组织和环境是评估AI成熟度的核心维度。专家们特别强调了数据治理、战略一致性、跨部门协作以及伦理考量在AI扩散中的重要性。他们指出，一个有效的成熟度模型应具备迭代性、可定制性，并能作为沟通工具，帮助组织内部就AI发展现状和未来方向达成共识。专家意见帮助研究者细化了AICMM各维度的具体子项和等级描述。
第二阶段结果（多案例分析与AICMM应用）： 通过对三家案例公司的深入分析，研究揭示了它们在AICMM各维度上的不同成熟度水平及面临的独特挑战： * 技术维度： * 数据：三家组织都认识到数据的价值并开始构建数据平台。银行由于长期数字化，在数据管理上相对领先，但严格的法规限制了其数据利用的灵活性。RoboTech虽起步晚，但正系统性地构建高质量数据集。零售公司则面临数据流程碎片化和手动操作的问题。 * 基础设施：三家都使用了云解决方案。银行受制于沉重的遗留系统负担，整合难度大。零售公司采用更碎片化的系统策略以逐步淘汰旧系统，但可能导致系统间连接复杂。RoboTech则积极推动系统标准化和集中化，为未来部署AI解决方案奠定了基础。 * 组织维度： * 战略：RoboTech因其技术背景和高速增长，在将AI/数据战略与业务融合方面最为成熟，且有明确的投资意愿。零售公司虽自称“数字优先”，但资源紧张导致难以优先处理AI项目。银行则因层级复杂，AI战略决策缓慢，缺乏高层强力推动。 * 人员与文化：银行拥有深厚的技术专家储备，但部门间壁垒（Silos）严重，导致协作不畅和对AI的 skepticism（怀疑态度）。零售公司技术人才短缺，但员工对新技术的接受度较高。RoboTech在招聘上注重沟通能力和学习意愿，而非单纯的技术专长，并积极促进技术部门与非技术部门的融合，文化上更具开放性和变革意愿。 * 环境维度： * 伦理与法规：银行因其行业特性，对法规遵从和伦理问题最为关注和 proactive（主动），但这同时也成为其探索AI的制约因素。零售和RoboTech对AI伦理的考虑相对 reactive（被动），主要依赖外部服务或供应商方案来应对数据治理和合规要求。 * 压力与动机：RoboTech主要由内部对提升效率和创造价值的信念驱动，动机较为 proactive。零售公司的动机则更多是外部竞争和经济利益驱动，但仍处于 reactive 状态。银行在采用AI方面最为保守和 reactive，缺乏成为AI领导者的内在动力。
跨案例综合分析表明：AI能力的成熟并非线性或均匀的。即使组织在整体成熟度上相似，其在各具体维度上的表现和面临的瓶颈也可能截然不同。例如，银行的法规约束、零售公司的资源分配问题、RoboTech的文化优势，都显著影响了它们各自的AI扩散路径。研究结果验证了AICMM模型能够有效识别这些差异，并揭示阻碍价值实现的关键“短板”。
四、 研究结论与价值
本研究的主要结论是，AI在组织中的成功扩散和价值实现是一个需要通过发展多维度的AI能力来实现的成熟度演进过程。研究开发并验证的AI能力成熟度模型（AICMM）为理解和评估这一过程提供了一个结构化框架。
科学价值： 1. 理论贡献：研究超越了将AI采纳视为单一事件的视角，提出了一个基于成熟度演进的动态过程模型。它强调了AI能力发展的“殊途同归性”（Equifinality），即不同组织可能通过不同的路径和资源组合达到相似的成熟度水平，这为未来的研究（如运用资源依赖理论、制度理论）提供了新的视角。 2. 模型创新：本研究开发的AICMM是一个综合性的、描述性与规范性兼具的模型。它不仅描述了AI成熟度的各个阶段，还指出了每个阶段在各维度上的关键特征和潜在障碍，为后续的实证研究提供了可操作化的测量基础。 3. 深化认知：研究揭示了AI技术扩散的独特复杂性，指出其成功依赖于技术、组织、环境等多个层面资源的协同与治理，且从项目伊始就需要全组织范围的考量，这不同于许多其他数字技术。
应用价值： 1. 诊断与规划工具：AICMM可作为组织的自我评估工具，帮助管理者清晰定位自身在AI旅程中的当前位置，识别能力短板和依赖关系，从而制定更具针对性的发展路线图和投资决策。 2. 沟通与协调框架：该模型可以作为IT部门与业务部门之间的“翻译”工具，促进双方就AI的目标、挑战和所需资源达成共识，改善跨部门协作。 3. 咨询服务基础：为AI咨询顾问提供了结构化的方法论，用于为客户进行成熟度评估，并制定从当前状态向更高成熟度演进的具体行动计划。
五、 研究亮点
六、 其他有价值的内容
研究在讨论部分指出了未来研究方向，例如：探索塑造组织选择不同AI能力发展路径的压力和依赖关系；进行纵向研究以追踪组织AI成熟度的动态演变；在更广泛的国家和行业背景下测试和完善AICMM模型。此外，研究也坦诚了自身的局限性，如潜在的访谈者偏差、案例均来自同一国家、以及每个案例的受访者数量有限等，这些都为后续研究提供了改进空间。