新型企业架构（DLEA）提出人工智能应用升级方法路径

新型企业架构（DLEA）提出人工智能应用升级方法路径

来源:中信联 AITRE ，作者:中信联 AIITRE

概要：

基于新型企业架构（DLEA）的人工智能应用成熟度模型，为企业转型升级提供了清晰的路径指引。该模型将AI应用成熟度划分为五个关键等级，并进一步细分为十个水平档次，与国家标准GB/T 45341的数字化转型阶段相对应。

起始阶段为起步级，聚焦单一业务环节的智能化应用。随着能力提升，企业可迈向场景级，实现关键业务的数字化与柔性化运行。领域级则推动全企业主要业务的一体化协同。平台级标志着企业能够对外提供赋能服务，实现业务模式创新。最高阶段生态级，致力于构建产业生态圈，与合作伙伴共同培育新的业务体系。

这一分级体系为企业评估自身AI应用水平、规划未来发展路径提供了实用框架，助力企业循序渐进地推进智能化建设，最终实现生态化创新发展。

1956年，约翰麦卡锡等十位科学家在达特茅斯学院组织召开学术研讨会，开启了人工智能（artificial intelligence, AI）发展元年。随后几十年时间，计算机视觉、计算机听觉、自然语言处理、知识图谱、机器学习等一系列AI技术持续发展。近年来，随着大模型、智能体等的创新突破，以及算力、数据等基础设施及资源条件的日益完善，AI技术应用迎来新的发展高潮，成为助力传统产业改造升级，开辟战略性新兴产业和未来产业新赛道的重要驱动力量。

6月1日，我国自主研制的首项数字化转型领域奠基性架构类国家标准——GB/T 45341—2025《数字化转型管理 参考架构》（查看详情    标准全文）已经正式实施，该标准按照数字经济、数字化转型的新趋势新规律新要求，以价值效益为导向、业务场景为牵引、新型能力为主线、数据要素为驱动，构建了一套支持系统性创新性转型的新型企业架构（DLEA），其中明确了企业AI应用升级的方法路径，并将其作为进入数字化转型阶段企业提档进阶的核心抓手。

AI应用成熟度

1. 基于新型企业架构（DLEA）的AI应用成熟度

新型企业架构（DLEA）将数字化转型分为五个发展阶段和十个水平档次，相对应的AI应用成熟度由低到高可分为起步级、场景级、领域级、平台级和生态级五个等级，再按照转型涉及的不同广度和深度组合，可进一步细分为十个水平档次。对照GB/T 45341提出的数字化转型5个发展阶段，按照AI应用对数字化能力、数字化场景建设的支持赋能程度不同，将企业AI应用成熟度由低到高划分为起步级、场景级、领域级、平台级和生态级等5个等级。

起步级的总体特征为在单一业务功能点或单一细分业务环节，以辅助、拓展乃至替代岗位专业技能为重点开展人工智能应用，支持高质高效实现业务规范化运行和可管可控。

场景级的总体特征为在主业务环节（主场景），以构建应用数据驱动型、知识驱动型或智能驱动型的场景级能力模型为重点开展人工智能应用，支持高质高效实现关键业务数字化、场景化、柔性化（多样化、个性化）运行。

领域级的总体特征为沿着资源链、价值链或产品链（资产链）等，以构建应用数据驱动型、知识驱动型或智能驱动型的领域级能力模型为重点开展人工智能应用，支持高质高效实现全企业主要业务活动全面集成融合、柔性协同和一体化运行。

平台级的总体特征为围绕平台企业建设，以构建应用覆盖平台用户群的数据驱动型、知识驱动型或智能驱动型的平台级能力模型为重点开展人工智能应用，支持开展对外赋能服务，高质高效实现平台化社会化业务模式创新。生态级的总体特征为围绕生态企业建设，以构建应用覆盖产业生态圈的数据驱动型、知识驱动型或智能驱动型的生态级能力模型为重点开展人工智能应用，支持产业生态圈合作伙伴共同开展产业创新创造活动，高质高效培育生态化的业务新体系。

依据GB/T 45341给出的数字化转型不同广度和深度组合，人工智能应用起步级、场景级、领域级、平台级、生态级等5个等级可细分为10个水平档次（如图1所示）。

图1 人工智能应用成熟度等级与水平档次划分

2. AI应用深度随新型企业架构（DLEA）的6个转型深度层次逐级深化

按照数据要素开发利用的不同程度，新型企业架构（DLEA）沿着信息化到数字化再到智能化的过程，将企业数字化转型分为信息技术工具应用、信息系统应用、信息系统集成、数据驱动、知识赋能、智能自主等6个不同转型深度，如图2所示。

图2 数字化转型的6种不同深度

其中，信息技术工具应用，即实现通用或专用的信息技术手段或工具的初步应用；信息系统应用、信息系统集成，是通过信息系统建设或多个信息系统集成，基于信息模型实现业务规范化运行与可管可控（业务制度化、制度流程化、流程表单化、表单电子化）；数据驱动，即基于对业务场景相关主体、客体、空间等的运行现状、联系等进行数字化动态描述的数字模型，在相应范围内，共享相互关联的全面动态数据，实现基于动态数据的资源（人、财、物等）全局动态优化配置和关键业务数字化动态响应（业务数据化、数据模型化、模型数字化、数字动态化）；知识赋能，即基于对业务场景相关主体、客体、空间等的运行规律等进行动态归纳、演绎及其数字化、模型化和模块化的知识模型（知识数字化呈现、仿真、联动），在相应范围内，实现协同工作的主体与空间之间（如人和机器），以及主体与主体之间（如企业内部团队/员工之间、企业与外部合作伙伴之间、外部合作伙伴相互之间）的知识共享、传递与利用以及基于知识赋能的客体（如关键业务行为活动）场景化、个性化按需响应、协调联动和优化（业务规则化、规则模型化、模型知识化、知识个性化）；智能自主，即基于对业务场景相关主体、客体、空间等的运行功能等进行智能自主感知、分析、预测决策和学习进化的智能模型，在相应范围内，实现协同工作的主体与空间之间（如人、智能体和机器），以及主体与主体之间（如企业内部团队/员工之间、企业与外部合作伙伴之间、外部合作伙伴相互之间）基于能力赋能的客体（如关键业务行为活动）自组织自适应运行、智能自主协作与自学习进化（业务功能化、功能模型化、模型智能化、智能自主化）。

3. AI大模型应用在数据驱动、知识赋能、智能自主三个转型深度发挥逐层深化的关键性作用

AI大模型在企业的应用，其基本出发点并非简单替代人的劳动，而是要通过人机智能协同实现运营效率、创新能力和价值成效等的全面提升。AI大模型作用的发挥，有赖于高质量数据的积累以及数字化建模水平的提升，其关键作用在数据驱动、知识赋能、智能自主三个转型深度上日益凸显。

其中，在数据驱动深度上，AI大模型侧重于实现多源（元）异构数据、多模态的处理和运用，主要基于AI大模型更好实现全面实时动态数据的采集、集成与分析应用，构建数字模型，支持业务场景实现动态响应、动态协同和动态优化。

在知识赋能深度上，AI大模型侧重于实现知识技能、规则方法的数字化模型化及其场景化个性化应用，即在实现多源（元）异构、多模态数据处理和运用的基础上，主要基于AI大模型更好实现对知识技能、规则方法等的数字化、模型化，构建支持知识技能、规则方法及其大规模个性化组合应用的知识模型，并实现其场景化个性化按需应用和知识赋能，以知识赋能实现业务场景个性化按需响应、按需协同和按需优化。

在智能自主深度上，AI大模型侧重于实现业务场景功能的自主运行和优化进化，即进一步基于AI大模型（如构建高可靠智能体）更好实现特定功能的智能自主运行和进化，构建支持与特定功能相关的知识技能、规则方法和可处理数据的有机组合及其智能自主协同运行和进化的智能模型，支持业务场景实现智能自主运行、自主协作和自学习优化进化，如图3所示。

图3 AI大模型应用主要在

数据驱动、知识赋能、智能自主三个转型深度发挥关键作用

基于AI大模型应用实现知识赋能是当前战略制高点

1. AI大模型应用可大幅提升企业数字化能力的建设和应用水平

数字化能力是由数字化（能力）模型承载的，利用新一代信息技术创造新价值的生存和发展能力，是企业应对数字时代不确定发展需求的综合性本领。应用AI大模型可大幅提升企业数字化建模的能力和水平，从构建信息模型向数字模型、知识模型、智能模型加速转变，更好实现多源（元）异构数据、多模态的处理和运用，更好实现知识技能、规则方法的数字化模型化及其场景化个性化应用，更好实现业务场景功能的自主运行和优化进化，助力企业数字化能力相应从职能/流程驱动型能力向数据驱动型能力、知识赋能型能力、智能自主型能力纵深发展（如图4所示），加快数字化能力体系建设，推进数字化能力与业务解耦，构建完善数字化能力中台（如图5所示），支持业务系统灵活配置和快速迭代，破除当前业务架构过于刚性、业务系统自由度低等日益凸显的痛点难题，系统提升应对不确定性发展需求的能力和水平。

图4 数据分级建模支撑数字化能力纵深发展

图5 数字化能力模型以及

数字化能力赋能业务个性化柔性化运行的逻辑

2. AI大模型应用助力企业通过知识赋能加速实现创新驱动

从数字化（主要对应数据驱动、知识赋能）迈向智能化（主要对应知识赋能、智能自主），应沿着“数据驱动-知识赋能-智能自主”路径迭代演进、持续升级，其中，实现知识赋能是核心关键，也是当前最先进企业正在探索和亟待突破的焦点。

当前，数据基础设施不断完善，AI大模型取得重大突破，为企业大规模生成和个性化应用知识技能提供了前所未有的重大机遇和关键支撑，基于AI大模型的新型知识工程飞速发展，将加速实现知识技能的规则化、数字化、模型化和生成式快速增长，实现更大范围更深程度传统隐性知识的显性化，并通过平台化部署支持企业内乃至跨企业、跨行业、跨领域的场景化、个性化大规模高效复用，更好赋能各方通过协同协作大幅提升创新能力，更加高质高效开展创新创造活动，全面加速行业领域创新驱动进程。

3. 基于AI大模型应用的知识赋能是企业知识应用成熟度的高级阶段

企业知识应用的成熟度由低到高可划分为知识库搜索调用（L1）、流程式融合推送（L2）、数字化动态推送（L3）、个性化按需赋能（L4）、生成式自主优化（L5）等五个级别，其中L4、L5达到知识赋能要求，如图6所示。

知识库搜索调用（L1），是指知识主要以结构化形式存储在知识库中，用户通过关键词或分类主动检索，实现知识调用（如传统企业知识管理系统建设与应用）。知识库的运用依赖于用户明确需求，系统是被动式响应，知识呈现形式也相对单一（如文档、FAQ等）。

流程式融合推送（L2），是指知识嵌入业务流程，可以根据流程节点上下文自动推动知识（如CRM中处理客户投诉时推送解决方案，ERP中审批流程触发合规指引等）。知识库的运用与流程节点链接，系统可预判用户需求，从而减少人为检索成本。

数字化动态推送（L3），是指可以基于大数据或动态数据实现知识的动态推送，基于特定场景下的全面动态数据触发并推送相关的知识或解决方案给相应主体，是一种动态响应式的知识应用（如医疗诊断系统结合患者病史推荐治疗建议，零售系统根据用户动态行为数据推荐营销建议等）。

个性化按需赋能（L4），是指根据用户的场景化、个性化需求，动态生成和推送知识，帮助用户获得能够解决问题的精准策略支持（如用户向客服系统提出问题时，系统根据用户的历史行为和偏好，推送场景化、个性化的解决方案）。

生成式自主优化（L5），是指通过生成式AI等主动创造新知识，并基于知识生态圈持续优化知识系统（如通过自主分析用户行为，自主生成新的知识，自主实现现有知识进化，实现知识自适应应用）。

图6 知识应用成熟度划分

加速AI应用升级的关键举措

1. 以AI应用成熟度评估为抓手厘清现状并指明方向。参考GB/T 45341《数字化转型管理 参考架构》等标准，围绕企业AI应用的基础保障、能力建设、场景实现以及价值成效获等方面，建立AI应用的成熟度模型以及评估引导体系，并通过自评或第三方评价的方式，精准识别AI应用的现状与短板，明确目标和方向，系统谋划AI应用水平提升的发展路径。

2. 以基于大模型应用的知识赋能作为AI应用当前主攻方向。在具备一定数据驱动条件的基础上，牢牢把握知识赋能这一战略制高点，基于企业总体数字化转型布局，坚持价值效益为导向、业务场景为牵引、新型能力为主线、数据要素为驱动，以AI大模型、智能体等为主要抓手，按照PDCA过程方法，系统性策划知识赋能型AI应用场景清单、数字化能力体系和能力中台以及落地实施方案，建立必要的制度保障和推进机制，加速推进基于知识赋能的企业系统性创新变革。

3. 以数字化能力建设为牵引构建新型知识工程体系。有别于传统知识工程（以知识库搜索调用、流程化融合推送为重点），新型知识工程侧重于实现知识的数字化动态推送、个性化按需赋能和生成式自主优化。企业可参考知识工程体系建设参考模型（如图7所示），将知识工程建设与数据驱动型乃至知识赋能型AI应用场景清单、数字化能力体系和能力中台以及落地解决方案的策划实施与评测改进过程进行有机结合，系统提升知识沉淀、复用以及创新创造能力。

图7 企业知识工程体系建设参考模型

4. 培育壮大新型企业架构（DLEA）引领的AI应用人才队伍。人才是AI应用的根基，以新型企业架构（DLEA）为引领，完善数字化转型架构师、首席数据官等企业AI应用人才培养体系，分级分类培养一批“懂政策、懂企业、有体系、会方法、能落地”，具备架构思维和创新能力的复合型AI应用人才，助力企业从战略、业务、能力、管理、技术、数据等全维度体系化推进AI应用创新工作，从而取得更大更快更好的实际成效。