《Proceedings of the Design Society》：Reframing AI readiness: a multi-dimensional use case-centered AI readiness framework
编辑推荐：
当前研究与实践中，面向技术的人工智能（AI）方法占据主导地位，然而即便技术就绪度较高，项目仍常因人工智能系统早期开发阶段中领域特定问题界定不充分以及数据质量欠佳而失败。该研究对现有人工智能相关就绪度模型进行了分析，以识别其在应对这些因素方面的缺口。基于上述发现
当前研究与实践中，面向技术的人工智能（AI）方法占据主导地位，然而即便技术就绪度较高，项目仍常因人工智能系统早期开发阶段中领域特定问题界定不充分以及数据质量欠佳而失败。该研究对现有人工智能相关就绪度模型进行了分析，以识别其在应对这些因素方面的缺口。基于上述发现，研究人员提出了以用例为中心的人工智能就绪度等级框架——一种统一的、循证的（evidence-based）模型，用于在规划与实施阶段关联问题就绪度、数据就绪度与技术就绪度。
该文发表于《Proceedings of the Design Society》，围绕人工智能（AI）系统开发中过度“技术中心化”评估所带来的局限展开，旨在重构人工智能项目的“就绪度”概念。研究背景在于，当前产品开发（PD）与工程组织中，AI被广泛视为提升效率、创造力与决策质量的重要赋能技术，但产业界大量项目虽然在模型、算力或算法层面表现出较高技术成熟性，仍然难以形成可持续价值。论文指出，失败原因往往并不在于AI技术本身不成熟，而在于早期阶段对问题场景的界定不清、数据存在性与质量评估不足，以及领域专家与AI专家之间缺乏充分协同。传统技术就绪度等级（TRL）虽然可用于衡量技术成熟程度，但难以解释“技术已就绪而用例未就绪”的常见现象，因此亟需一种超越单一技术视角、能够覆盖问题—数据—技术三重维度的评估框架。
围绕这一问题，研究人员首先提出两个研究问题：其一，AI系统早期开发中评估AI用例需要哪些就绪度维度；其二，如何将这些维度操作化为面向早期开发的AI用例评估框架。全文以文献综述和概念整合为基础，考察从AI想法（AI idea）、AI用例（AI use case）到AI应用/系统（AI application/system）的连续谱，分析现有框架在跨学科协同、阶段适配、多维评估和证据追踪方面的不足，并在此基础上提出“以用例为中心的AI就绪度等级框架”（Use Case-centered AI Readiness Level, UCAIRL）。该框架强调，就绪度不应仅被理解为技术是否可部署，而应被理解为特定应用情境中问题、数据与系统三者逐步一致（progressive coherence）的状态。
研究所采用的主要方法可以概括为以下几类。首先，研究人员开展系统性的相关文献梳理，比较TRL、面向机器学习系统的MLTRL、AI与数据就绪度模型等既有方法的适用范围与缺陷。其次，基于AI系统生命周期与AI用例概念谱系，提炼适用于AI用例评估的核心设计准则，包括以用例为中心、阶段敏感、多维性、角色显式性、循证性、可操作性与可比性。再次，采用概念设计（conceptual design）路径，将TRL的等级结构、MLTRL的证据化文档逻辑以及AI与数据就绪度的多维视角进行整合，形成UCAIRL 0–10框架。文中未报告样本队列研究，验证部分采用ReqGPT这一源自既有文献的概念性案例作为说明性示例，而非实证部署证据。
在研究结果部分，论文主体可按原文小标题概括如下。
1. Introduction
引言部分指出，AI在产品开发中的应用前景广阔，但现实中项目失败频繁，根源多在早期的需求界定、上下文嵌入和数据质量管理不足，而非算法欠成熟。研究人员据此提出，用例是连接领域问题与技术实现的关键桥梁。若缺少对用例的清晰表述，项目便容易滑向“技术驱动”而非“需求驱动”。这一观察直接构成本文提出新型就绪度框架的动因。
1.1. Objectives and research question
本节明确了研究目标，即考察现有就绪度框架是否真正覆盖AI用例的跨学科、多维与分阶段特征，并据此构建更适合AI系统早期开发的概念性评估逻辑。研究问题聚焦于“评估维度识别”和“框架操作化”两个层面，为后文框架设计提供理论牵引。
2. Related work
相关工作部分通过文献综合，为框架构建建立概念基础与评价标准。
2.1. Conceptual foundations
该节区分了“就绪度”（readiness）与“成熟度”（maturity）：前者强调组织或项目对AI相关变革的准备程度，后者强调技术和流程被开发与优化的程度。研究人员进一步指出，在AI系统开发中，多维就绪度应至少涵盖问题、数据与技术三个方向，而本文关注的分析单元不是企业整体转型成熟度，而是AI用例这一连接领域知识与技术实现的中间层。论文还将AI想法、AI用例与AI应用/系统视为一个连续演化链条，为后续分级框架奠定逻辑基础。
2.2. AI system development project and process model characteristics
该节通过分析AI系统开发项目特征说明，AI项目不同于传统软件或信息技术项目，其本质上高度依赖数据、包含持续实验、具有强反馈迭代性，并且需要领域专家、数据工程人员、AI专家、管理者与治理相关人员共同参与。研究人员据此得出，任何可行的就绪度框架都必须能够覆盖从前建模（pre-modeling）到建模（modeling）再到后建模（post-modeling）的全过程，并能适配跨角色沟通与非线性迭代。
2.3. Requirements for readiness approaches in the context of AI use cases
这一部分从概念差异与项目特征出发，提炼出AI用例就绪度方法应满足的六项核心标准：第一，以用例为中心并对阶段敏感；第二，具备问题/数据/技术多维性；第三，对角色分工显式且兼顾参与者AI素养差异；第四，以具体产出物为证据基础；第五，具备明确的进展判据；第六，可比较且可适配。研究人员进一步指出，这些标准意味着框架应具有“两段式”结构：前段用于规划与领域特定规格化，后段用于实施并沿用TRL式推进逻辑。
2.4. AI-related readiness approaches
该节比较了三类代表性框架。其一，传统TRL具有标准化和可比性强的优点，但高度技术中心化，无法充分覆盖数据质量与问题定义。其二，MLTRL将评估延展到机器学习（ML）流水线，强调验证、鲁棒性和持续监控，也引入了文档化证据，但主要服务于ML系统技术成熟，问题导向仍不足，且对大语言模型等其他AI范式的迁移有限。其三，AI与数据就绪度模型具备多维性，能覆盖数据存在性、法律合规性、质量与专家知识等因素，但缺乏统一跨层级标尺，不利于项目跟踪与可操作比较。研究人员据此得出结论：现有模型各自覆盖路径的一部分，但没有任何一个框架能端到端支持AI想法—用例—应用的完整演进。
2.5. Interim summary
本节总结指出，仅凭技术成熟度无法有效预测AI项目成败。真正有效的评估应围绕整个AI用例展开，将问题、数据、技术乃至组织因素纳入统一且循证的连续评估逻辑之中。这一判断直接导向后文UCAIRL的提出。
3. Conceptual development of an adapted AI readiness framework
这是全文核心。研究人员提出UCAIRL框架，并将其定义为一种以用例成熟性而非单纯技术成熟性为核心的评估方法。该框架遵循三项设计原则：连续性（continuity）、跨学科性（interdisciplinarity）与透明性（transparency）。连续性体现为从想法探索到持续运行的完整链条；跨学科性体现为框架服务于领域专家与AI专家的共同交流；透明性则通过每一级对应可审查的产出物来实现。
框架共设十一层，即UCAIRL 0–10。UCAIRL 0–1对应AI想法阶段，强调理论基础、问题假设与数据存在性；UCAIRL 2–3对应一般性AI用例阶段，用于巩固问题定义、数据背景和技术概念，并在受控环境中验证算法可行性；UCAIRL 4–5对应领域特定AI用例阶段，聚焦于概念验证、数据质量、法律合规与现实环境下能力展示，形成可追踪、面向企业情境的解决方案；UCAIRL 6–10则进入领域特定AI应用阶段，沿着与MLTRL一致的路径完成原型适配、系统集成、验证、部署和运行，并纳入扩展、监控与持续学习要求。文中借助ReqGPT案例说明框架如何用于判断一个面向需求工程的微调大语言模型当前处于一般性用例验证层级，并展示当试点暴露出术语不一致或法规约束遗漏时，项目如何按照框架要求回退至更早阶段修正。
4. Discussion
讨论部分从理论与实践两个层面说明UCAIRL的贡献。理论上，该框架扩展了TRL理论，将就绪度从单维技术进展指标，重构为一个分阶段、证据关联、兼顾问题定义、数据准备、技术实现与组织采纳的多维社会技术构念。它与ISO/IEC 22989:2022所描述的AI系统生命周期逻辑保持一致，也与IEEE 2894-2024中关于可解释性与透明性的原则相呼应。通过为每一等级绑定可审计产出物，框架增强了评估的可追踪性与跨项目可比性。
实践上，UCAIRL为工业产品开发场景中的AI项目规划与治理提供了可执行工具。其早期关口（UCAIRL 0–5）可在高成本建模开始前检查概念清晰度、数据可用性与相关方一致性，从而降低后期返工风险。进入实施阶段后，标准化文档和门控式评审（gated reviews）有助于在技术与组织两个维度同步跟踪项目进展，提高项目组合治理、责任落实与决策透明度。基于此，研究问题RQ1的答案是：AI用例评估必须涵盖问题、数据、技术和组织四类维度；RQ2的答案是：应通过分级指标与可验证产出物将这些维度操作化，形成贯穿生命周期的统一框架。
5. Conclusion, limitations, and future research needs
结论部分指出，UCAIRL 0–10是一个由现有AI相关就绪度模型综合推导而来的概念框架，其核心创新在于：先完成领域特定规划，再进入与TRL一致的实施路径；并通过简洁、与证据关联的产出物把问题、数据、技术与组织多维就绪度具体化。研究人员认为，这一框架将“就绪度”从纯技术属性转变为系统、数据与情境共同构成的综合属性，从而提升AI开发成熟度评估的理论稳健性与实践适用性。对实践者而言，该框架能够改善项目可比性、组合治理与问责，特别适用于数据密集型或受监管领域。
论文也明确承认其局限：UCAIRL仍是概念性提案，尚未经过经验性验证。未来研究需通过专家访谈和研讨会测试其完整性、有效性与可用性；通过与传统TRL评估的比较研究检验其增益；开发适配不同监管风险等级的领域特定指标与门控准则；并可借助纵向分析，如从试点到生产的转化率、价值实现时间等指标，进一步评估其实践效益。此外，将数字化文档工具、可追踪性机制以及治理与合规要求纳入该框架，也被视为后续值得深入拓展的方向。
对结论部分的翻译可概括为：该研究提出了以用例为中心的人工智能就绪度等级（UCAIRL 0–10）作为一个源自现有AI相关就绪度模型的概念框架。UCAIRL通过在实施前完成领域特定规划，并在其后遵循与TRL一致的部署和运行路径，建立了一种整合性的就绪度逻辑。该框架借助与证据相联系的简明产出物，将问题、数据、技术与组织等多维就绪度予以操作化，从而支持跨学科团队形成共享理解与纪律化决策。UCAIRL通过将就绪度界定为系统、数据与情境的综合属性，而非纯粹技术性指标，扩展了传统TRL范式，并提升了AI开发成熟度评估的理论稳健性和实践适用性。但作为概念框架，其仍需经验验证，未来应围绕专家评估、对比研究、领域特定指标构建以及治理和合规集成等方向继续推进。
