企业数智化能力成熟度模型（EDMM）体系发布及解读

大家好，我是中国信通院姜春宇，今天上午有幸担任了大会的主持人，下午我们有一个开场，主要是由我来给大家做一个数智化能力成熟度模型体系的介绍。

这个图也是上午《数据智能研究报告》里面的核心一环，我们有一个基本的认识，数据以前可能是给企业内部的各级员工、领导使用比较多，智能相对较少，因为以前的智能还不够发达，水平不够高，所以我们用一些浅层模型，机器学习算法做数据的处理。当然在互联网企业里面，喂给智能的比较多一些，因为有大量的用户行为数据，必须用机器学习做。

随着生成式人工智能，尤其是Transformer这些大模型技术发展的迭代非常快以后，今年以来的推理模型发展迅速。今年可能是智能落地的元年，原因就是推理模型的开源让算法和大模型可以进入到中小机构里面来，让大家普遍的使用智能变成一个可能。

所以智能的能力在企业内部会放大，我们很多的数据和算力都要喂给了智能，通过智能再赋能企业的业务和工程上使用。生产力发展了，生产关系就发生变化了，大家要注意未来可能人和智能是什么关系，每个工作者、每个人都要思考，包括未来的教育，如何去思考适应AI这个新的生产力。

数据和智能其实是一体两面，我们经常说模型和数据到底是什么。最近也在思考一件事，其实模型可能就是数据在某种维度上的一种表达，模型是被数据训练出来的，是把数据里面关键高价值的信息整合并以高价值高密度的形式梳理完毕再进行输出服务，所以数据和模型可能就是一体两面的，这是一个基本认识，所以两者间的关系变成紧耦合的形态。

我们发现这套体系，人工智能也罢，数据的体系也罢，在企业中实践没有那么简单。有一系列需要培养的能力，路径怎么实现，怎么技术引入，用完以后成效的评价，如何可持续性迭代等等，这一系列问题都需要去解答。但是我觉得归根到底只有一个问题，就是人的问题，包括领导的重视程度也是由于领导的认知决定的；包括这个能力建设得好不好是由承接这项工作的人干得如何，能力水平怎么样，这些来决定的。

我们自己提了一套数智化能力的框架。原来是基于数据再生出智能的过程，左边这整套是偏用户端的，就是一个企业机构应该怎么去构建自己的能力。首先需要有技术底座，所以我们有一套数智底座的成熟度模型。中间抽象出来一个能力集合就是中台，中台不是技术本身，中台相当于你的技能，它不是你的装备本身，不是你买的一个网球拍和滑雪板，中台是构建你的滑雪能力、打球和游泳的能力，贯穿形成了一套能力体系在你的中台。再往上是我们的应用能力。我们认为数智领域里面至少有四个部分需要关注，数据方面，要把数据管好用好需要数据中台；知识方面，高价值的、非结构化的很多文本图片类的内容，都在知识这个领域里；智能方面，关于模型生命周期管理的工作需要智能中台；三个中台上面加上各类的场景应用，这是我们基本的认识。

旁边还有长效机制，包括人才素养，企业需要对人要进行能力提升和规划，还有应用成效的评价。

右边是支撑所有能力的工具，这些工具可以拼到数智底座里，也可以拼到各种能力模型里，我们也做了大概的分类，智能类的、知识类的、应用类的等等。

这是我们在工具层面大概做得标准化工作。我们主要是研究一个一个技术标准、单点技术工具的标准化起家的，可能在我们这个团队诞生以前没有人对数据智能或者知识类的工具做详细的拆解。其实很简单，它就相当于现在的商品配料表，之前在IT领域没有人研究商品的配料表，我们出现以后数据平台和数据库的商品配料表被我们标准化定义出来了，每一瓶水和每一包食物都有自己的商品配料表，有多少碳和糖都标注清楚，我们就是把数据、智能、知识、应用类的工具它的构成和配料表讲清楚，能力讲清楚，然后供用户再去筛选这些产品。

相关技术构成了数智底座，用户方在底座方面中电需要关注存储计算、资源调度和运维稳定性这些能力，以及相关的开发、管理、安全。

接下来重点讲几个中台能力。这是从用户视角来看，为什么我们提数据中台，因为以前无论哪个供应商提出来的数据中台都是从技术角度来去思考的，都是从他自己产品的能力角度思考的，没有从用户的角度来思考我的数据能力集合应该是什么样的，都在定义雪板和乒乓球拍，没有人定义滑雪的能力应该什么样，游泳的能力应该怎么界定。我们做了这样的工作，数据中台能力就是这些能力，其中数据开发是形成数据供应的能力，数据服务是形成数据面向用户的服务能力，还有两边的管理和运营等等。

我们也编制了数据中台的实践指南，也服务海油、管网、工行、南网等企业的落地实践，这是我们数据中台领域的工作。

下面一块是知识工程或者知识中台。面向AI，应用如果没有知识可能都用不起来，通用大模型解决的是通用知识的梳理和生成，但企业内部关键的价值点就在于私域知识和隐性知识。很多的企业有很多隐性知识没有被显性化，知识工程就是把企业所有的已有知识进行整理汇聚加工构建，在专家的头脑中和企业的各种角落里的知识都需要显性化，构建起来做知识的治理加工，然后进行管理，最后是服务和应用。这里面既有共享协作，这是传统知识管理的内容，偏AI的就是知识的检索、推荐、内容生成、问答等一系列，这是我们一套知识工程或者知识中台的成熟度。

我们跟所有大型企业交流的时候，大家觉得知识工程特别好，但基本上每家都没有相应的完整能力，都希望我们提供一套工具或者平台，可以直接使用。基本大家都对知识工程的需求非常迫切，所以我们觉得知识体系成为了企业急需构建的一大能力。我们也有一本报告马上会发布。

还有一块是智能中台，对于大小模型的生命周期的管理。我们看到有很多企业内部可能不只一个模型，大模型也不只一个。可能采购两个商业化的大模型，开源的可能更多，与此同时还有大量小模型、机器学习平台。如何对这些平台能力形成工程化和平台化的过程，也就需要在多个模型的管理上面要构建一层管理的平台，这就是智能中台，相应所形成的模型全生命周期，从开发、服务、资源调度到运营安全的一整套能力，所以我们提出智能中台能力。相应的，也形成了一套成熟度，编制了一本实践指南，对于一些机构进行了整个能力的验证等等一系列工作。这些能力都是从实践里面抽象出来形成的方法，最终再回到实践中进行应用落地。

分享完三个中台以后，我们进入到数智应用，就是价值释放的最后一环。应用中以智能化应用为主，第一类是通用应用，像智能问答和知识检索和RAG还有数据的ChatBI等等，都是通用化的应用；第二类是场景化的引用，即AI或者数据应用赋能风控、运营、运维、供应链等等，我们根据特定的场景都制定相应的标准和能力的体系，告诉大家怎么去一点点提升自己的能力；第三类是行业性的应用，像能源、电信、政务、金融的，我们也在做行业性的一些工作。

刚才说了几个能力体系的建设，但最终建设的怎么样，我们也推出一个成效评估体系去进行衡量，可以作为企业内部评价应用能力和应用体系做得怎么样。其中分为数据成效、技术成效、管理成效、业务成效、经营成效，从结果的角度评价整个产出和能力。

此外还有数智人才。我们根据梳理市面上的培训机构的课程体系和企业内部人员的情况，做了一个人员梯度岗位的分析、能力维度的分析。刚才讲了最关键的是人，很多IT和数字化工作进行的不好很可能大部分是人员能力不行，需要重构了，这是需要考虑的东西，可以通过这套体系去评价验证。

最后，在整个能力建设框架之外，还有相应的咨询和规划方法论，我们也形成了一套TL模型作为数智化转型方法，包括业务流程怎么梳理，整个的场景怎么挖掘，怎么去做成效评价等等。

最终会形成这么几张图， AI和数据的场景都需要关心这四方面。首先是场景地图，有哪些场景，一般根据企业架构来梳理，列出场景地图，每个场景打开梳理相应的业务流程，所需的技术、数据和知识是否具备，所以是流程、数据、技术，这三个部分。当然第一步要确定场景，这构成了四张图的发展新模式。

整体我们也形成了一个整体性的评价，从长效机制、数智应用和数智中台和底座保障，形成一个评估完整的指标体系，这是从EDMM一整套能力延续过来的，在每一个细分领域里抽取指标和详细内容构筑一个整体的评价体系。通过这个体系，就可以评价企业数智整体的能力到底怎样。

最后做一个总结和展望。第一，我们整个数智化的能力框架是延续数据和智能脉络在不断的完善；第二，我们很多的方法通过星河近1000个案例里梳理出来的一整套体系；第三，我们也在围绕最新的数智技术研究相应的技术标准和进展，包括今天下午会发布Agent，会有大量的Agent平台和Agent一些应用产生；第四，就是企业数智化能力评价的指标体系；第五，我们长期开展企业的数智化规划，完成整个组织设计和人员的能力设计，持续保持企业的运营和优化。

我今天的分享到此结束，再次感谢大家。

联系人：王老师

18810521739

[email protected]

     中国通信标准化协会大数据技术标准推进委员会（CCSA TC601,简称：数标委/BDC），旨在凝聚产业链各个环节，识别和解决大数据发展面临的重大问题，开展大数据技术、数据资产管理、数据共享与流通、数据安全等共性基础标准研究，以标准推进工作为纽带，推动大数据与实体经济深度融合。欢迎加入我们的行列！

      入会咨询：白老师   13520285502

                       [email protected]