چارچوب‌های بلوغ هوش مصنوعی – راهنمای جامع، کاربردی و غنی برای سازمان‌های پیشرو

چارچوب‌های بلوغ هوش مصنوعی در سال ۲۰۲۵: راهنمای جامع، کاربردی و غنی‌ برای سازمان‌های پیشرو

در چشم‌انداز فناوری سال 2025، هوش مصنوعی (AI) به عنوان نیروی محرکه اصلی تحول دیجیتال ظهور کرده است. طبق گزارش مک‌کینزی در سال 2025، 88 درصد از سازمان‌ها از هوش مصنوعی حداقل در یک عملکرد تجاری استفاده می‌کنند، اما تنها 33 درصد آن را در مقیاس بزرگ پیاده‌سازی کرده‌اند. این شکاف، که در گزارش‌های جهانی مانند شاخص هوش مصنوعی استنفورد 2025 نیز برجسته شده است، بر نیاز به چارچوب‌های بلوغ هوش مصنوعی که به سازمان‌ها در ارزیابی، بهبود و همسوسازی هوش مصنوعی با اهداف تجاری کمک می‌کنند، تأکید می‌کند.

این مقاله مروری جامع بر چارچوب‌های بلوغ هوش مصنوعی ارائه می‌دهد و بر مدل‌های معتبری مانند شاخص‌های آمادگی گارتنر، مک‌کینزی، CMMI، PwC و Deloitte، استاندارد ISO/IEC TR 24028 و اصول OECD تمرکز دارد. هدف، ارائه راهنمایی‌های عملی برای سازمان‌ها جهت ارزیابی، بهبود و همسوسازی هوش مصنوعی با اهداف تجاری است.
این مقاله بر اساس داده‌های به‌روز تا دسامبر ۲۰۲۵ گردآوری شده است و شامل مقایسه‌ها، پیشنهادهای عملی، معیارهای جهانی، مطالعات موردی دنیای واقعی از شرکت‌هایی مانند مایکروسافت، IBM، JPMorgan Chase و AXA، همراه با توضیحات مفصلی از شرکت‌های ارائه‌دهنده این چارچوب‌ها است. برای غنی‌سازی محتوا، از جداول مقایسه‌ای، اشکال گرافیکی و پیوند به تصاویر مرتبط برای افزایش درک بصری استفاده شده است.

نگاهی عمیق تر به ارائه دهندگان چارچوب‌های بلوغ هوش مصنوعی

شرکت‌هایی که این چارچوب‌ها را ارائه می‌دهند، به عنوان رهبران جهانی در تحقیق، مشاوره و استانداردسازی، نقش کلیدی در شکل‌دهی به اکوسیستم هوش مصنوعی ایفا می‌کنند. در سال 2025، این سازمان‌ها گزارش‌های خود را با تمرکز بر عامل‌های هوش مصنوعی، حاکمیت و خلق ارزش به‌روزرسانی کرده‌اند تا سازمان‌ها را برای چالش‌های مقیاس‌پذیری آماده کنند. به عنوان مثال، تمرکز بر هوش مصنوعی عامل‌دار در گزارش‌های PwC و Deloitte نشان دهنده رشد 23 درصدی در پیاده‌سازی عامل‌ها در سازمان‌ها است.

• شرکت گارتنر : یک شرکت پیشرو در زمینه تحقیقات و مشاوره فناوری اطلاعات که در سال 1979 تأسیس شد، با بیش از 20،000 کارمند و درآمد سالانه بیش از 5 میلیارد دلار. گارتنر به خاطر گزارش‌های Hype Cycle و Magic Quadrant خود شناخته می‌شود. در سال 2025، این شرکت بر روی عوامل هوش مصنوعی و بلوغ عملیاتی تمرکز دارد. خدمات آن شامل مشاوره برای مدیران ارشد فناوری اطلاعات، ابزارهای ارزیابی و پیش‌بینی روند است که به سازمان‌ها در بهینه‌سازی بازگشت سرمایه هوش مصنوعی کمک می‌کند. گارتنر پیش‌بینی می‌کند که در سال 2025، 70 درصد سازمان‌ها از عوامل هوش مصنوعی برای تصمیم‌گیری‌های پیچیده استفاده خواهند کرد.
• مک‌کینزی و شرکا : یک شرکت مشاوره مدیریت جهانی که در سال ۱۹۲۶ تأسیس شد، با بیش از ۳۸۰۰۰ کارمند در ۱۳۰ کشور و درآمد سالانه تقریباً ۱۵ میلیارد دلار. تمرکز آن بر تحول دیجیتال، هوش مصنوعی و استراتژی‌های تجاری است. در سال ۲۰۲۵، مک‌کینزی بر عوامل هوش مصنوعی و تأثیر آنها بر سود قبل از بهره (EBIT) تأکید می‌کند و گزارش‌های سالانه «وضعیت هوش مصنوعی» را بر اساس نظرسنجی از ۱۹۹۳ رهبر در ۱۰۵ کشور منتشر می‌کند. این گزارش نشان می‌دهد که تنها ۶٪ از سازمان‌ها تأثیر قابل توجهی از هوش مصنوعی بر سود قبل از بهره (EBIT) دیده‌اند .
• موسسه CMMI : بخشی از ISACA (انجمن حسابرسی و کنترل سیستم‌های اطلاعاتی) که در سال 1987 تأسیس شد، با تمرکز بر مدل‌های بلوغ قابلیت برای بهبود فرآیند. در سال 2025، CMMI نسخه 3.0 را برای هوش مصنوعی تطبیق داده است و بر ادغام GenAI در فرآیندهای مهندسی تأکید دارد. خدمات شامل ارزیابی و صدور گواهینامه برای هزاران شرکت جهانی است. در سال 2025، CMMI  بر مدیریت قابلیت‌های مبتنی بر هوش مصنوعی و همسو کردن آنها با اهداف تجاری تمرکز دارد.
• PwC (PricewaterhouseCoopers)  : یک شبکه خدمات حرفه‌ای چندملیتی که در سال 1998 تأسیس شد، با بیش از 328000 کارمند در 152 کشور و درآمد سالانه 53 میلیارد دلار. در حوزه هوش مصنوعی، بر آمادگی سازمانی، هوش مصنوعی عامل‌گرا و تأثیر اقتصاد کلان تمرکز دارد. گزارش‌های PwC برای سال 2025، مانند شاخص مشاغل هوش مصنوعی، که بر اساس تجزیه و تحلیل یک میلیارد آگهی شغلی است، نشان دهنده افزایش 56 درصدی حقوق برای مهارت‌های هوش مصنوعی است.
• Deloitte (Deloitte Touche Tohmatsu Limited)   : یک شبکه خدمات حرفه‌ای چندملیتی که در سال 1845 تأسیس شد، با بیش از 457000 کارمند در 150 کشور و درآمد سالانه 65 میلیارد دلار. گزارش‌های آن بر روندهای هوش مصنوعی، چالش‌های پذیرش و هوش مصنوعی مستقل تمرکز دارد. در سال 2025، Deloitte  بر روندهای هوش مصنوعی مانند هوش مصنوعی عاملی و فیزیکی تأکید دارد و به عنوان یک پیشرو در Gartner Magic Quadrant شناخته می‌شود. این شرکت پیش‌بینی می‌کند که 25٪ از سازمان‌ها در سال 2025 از GenAI استفاده خواهند کرد.
• سازمان بین‌المللی استانداردسازی(ISO): یک سازمان بین‌المللی مستقل که در سال 1947 تأسیس شد و 169 عضو دارد و بر استانداردهای جهانی فناوری، ایمنی و کیفیت تمرکز دارد. ISO/IEC TR 24028 در سال 2020 منتشر شد و در سال 2025 با راهنماهای جدیدی مانند FUTURE-AI ترکیب شد و بر اعتماد و اخلاق هوش مصنوعی تأکید دارد .
• سازمان همکاری و توسعه اقتصادی (OECD) : یک سازمان بین‌المللی که در سال 1961 تأسیس شد و 38 کشور عضو آن بر سیاست‌های اقتصادی و اجتماعی تمرکز دارند. اصول هوش مصنوعی OECD که در سال 2024 به‌روزرسانی شد، بر حاکمیت جهانی و پاسخگویی تأکید دارد. در سال 2025، OECD شاخص‌های قابلیت هوش مصنوعی را برای سنجش قابلیت‌های هوش مصنوعی در برابر توانایی‌های انسانی معرفی کرد.

مقدمه

با پیشرفت سریع هوش مصنوعی در سال 2025، سازمان‌ها به ابزارهایی برای اندازه‌گیری بلوغ خود نیاز دارند. گزارش گارتنر نشان می‌دهد که 45٪ از سازمان‌های با بلوغ بالا، پروژه‌های هوش مصنوعی را حداقل به مدت سه سال عملیاتی نگه می‌دارند. معیارهای جهانی، مانند شاخص هوش مصنوعی استنفورد 2025، سرمایه‌گذاری خصوصی هوش مصنوعی در ایالات متحده را 109.1 میلیارد دلار تخمین می‌زنند، در حالی که چین در انتشار مقالات و ثبت اختراعات پیشرو است. این چارچوب‌ها نه تنها ارزیابی می‌کنند، بلکه نقشه راهی برای بهبود نیز ارائه می‌دهند.

این مقاله مدل‌های برتر را بررسی می‌کند و بر جنبه‌های عملی مانند همسویی تجاری، حاکمیت اخلاقی و زیرساخت‌ها تمرکز دارد. برای غنی‌سازی محتوا، معیارهایی مانند 88٪ پذیرش در مک‌کینزی و 40٪ بازگشت سرمایه در PwC، همراه با مطالعات موردی برتر جهانی از شرکت‌های فورچون 500، اضافه شده‌اند تا سازمان‌ها بتوانند از تجربیات دنیای واقعی الهام بگیرند.

چارچوب بلوغ هوش مصنوعی گارتنر

گارتنر در چرخه هایپ هوش مصنوعی 2025 خود، بر بلوغ فراتر از GenAI تأکید می‌کند. مدل بلوغ گارتنر، سازمان‌ها را در هفت حوزه ارزیابی می‌کند: استراتژی، محصول، حاکمیت، مهندسی، داده‌ها، مدل‌های عملیاتی و فرهنگ. سطوح بلوغ از “Ad Hoc” (اولیه، بدون ساختار) تا “مشارکتی” و “تحول‌آفرین” طبقه‌بندی می‌شوند که هر سطح با KPI های خاصی مانند نرخ موفقیت پروژه هوش مصنوعی (بیش از 70٪ در سطوح بالا) مرتبط است. معیار: 80٪ از سازمان‌های با بلوغ بالا از هوش مصنوعی در عملکردهای پشتیبانی استفاده می‌کنند. در سال 2025، گارتنر سطوح را به‌روزرسانی کرد تا هوش مصنوعی عامل‌دار را نیز شامل شود و بر معیارهای بلوغ مانند پایداری پروژه (45٪ بیش از 3 سال دوام می‌آورد) تمرکز کند.

تمرکز اصلی: سنجش آمادگی کلی برای بازگشت سرمایه مثبت از هوش مصنوعی، با تأکید بر ادغام هوش مصنوعی در عملیات روزانه و هوش مصنوعی عامل‌گرا.

شاخص‌های کلیدی: سطوح از موردی تا تحول‌آفرین، با یک جعبه ابزار ارزیابی. به عنوان مثال، در حوزه فرهنگ، اندازه‌گیری نرخ پذیرش کارکنان (هدف: >80%) و در مهندسی، کیفیت مدل (دقت >90%). معیار: 45% از پروژه‌ها در سطوح بالا بیش از 3 سال پایدار می‌مانند .

مزایا در سال 2025: پیش‌بینی استفاده 80 درصدی از هوش مصنوعی در پشتیبانی برای بهبود بهره‌وری. این مدل انعطاف‌پذیر است و با ابزارهای MLOps مانند Azure ML ادغام می‌شود. معیار جهانی: طبق شاخص هوش مصنوعی، مدل‌های چینی شکاف کیفیت با مدل‌های آمریکایی را از بین برده‌اند.

کاربرد عملی: سازمان‌ها می‌توانند از جعبه ابزار گارتنر برای شناسایی نقاط ضعف، مانند بهبود فرهنگ پذیرش هوش مصنوعی از طریق آموزش آنلاین، استفاده کنند. به عنوان مثال، اگر در مرحله “Ad Hoc” هستید، با پروژه‌های آزمایشی کوچک مانند یک چت‌بات داخلی شروع کنید و پیشرفت را با شاخص‌های کلیدی عملکرد (KPI) مانند کاهش زمان پاسخگویی (تا 50٪) اندازه‌گیری کنید. معیار: 63٪ از سازمان‌های سطح بالا، بازگشت سرمایه (ROI) را از طریق تجزیه و تحلیل مالی اندازه‌گیری می‌کنند.

مطالعات موردی برتر جهانی: LXT، در گزارش «مسیر بلوغ هوش مصنوعی»، از مدل گارتنر برای ارزیابی بلوغ خود استفاده کرد و از «موقت» به «استاندارد» تغییر جهت داد و در نتیجه 30٪ افزایش در کارایی پردازش داده‌ها را به همراه داشت.
Aera Technology بر هوش مصنوعی ترکیبی برای بهینه‌سازی تصمیم‌گیری تمرکز کرد و بهره‌وری را 40٪ افزایش داد.
علاوه بر این، JPMorgan Chase، با بیش از 300 مورد استفاده از هوش مصنوعی، تشخیص تقلب را 20 تا 300٪ بهبود بخشید.

شکل: مدل بلوغ گارتنر (۵ سطح اصلی).
تصویر گرافیکی: نمایش پیشرفت از حالت موردی (Ad Hoc) به حالت تحول‌آفرین (Transformative) در هفت محور.

۱.۲.۱ معرفی و تکامل مدل در سال ۲۰۲۵

چارچوب بلوغ هوش مصنوعی گارتنر، یک مدل پویا و ابزار استراتژیک است که به سازمان‌ها کمک می‌کند تا وضعیت فعلی قابلیت‌های هوش مصنوعی خود را ارزیابی کرده و نقشه راهی برای تحول مبتنی بر داده ترسیم کنند. این مدل بر اساس تحقیقات گسترده گارتنر، نظارت بر چرخه‌های هایپ و ربع جادویی ساخته شده است. در سال ۲۰۲۵، با انتشار « چرخه هایپ برای هوش مصنوعی، ۲۰۲۵ »، گارتنر تأکید خود را از تمرکز صرف بر مدل‌های زبان بزرگ (LLM) و هوش مصنوعی مولد (GenAI) به سمت هوش مصنوعی عامل‌گرا و بلوغ عملیاتی تغییر داد . هدف نهایی، تبدیل هوش مصنوعی از یک ابزار آزمایشی به یک قابلیت اصلی است که ارزش پایدار را در قلب عملیات تجاری ایجاد می‌کند.

۱.۲.۲ هفت حوزه ارزیابی و شاخص‌های کلیدی عملکرد (KPI)

مدل گارتنر بلوغ سازمانی را در هفت حوزه حیاتی و مرتبط با هم اندازه‌گیری می‌کند. موفقیت در یک حوزه، پیش‌نیاز پیشرفت در حوزه‌های دیگر است:

7 حوزه ارزیابی مدل بلوغ هوش مصنوعی گارتنر و شاخص‌های نمونه (2025)

۱.۲.۳ پنج مرحله بلوغ: از آغازین تا تحول‌آفرین

سازمان‌ها در مسیر بلوغ از پنج مرحله مجزا عبور می‌کنند. عبور از هر مرحله مستلزم دستیابی به سطح خاصی از توانایی در هر هفت حوزه است:

1. موردی (اولیه): هوش مصنوعی به صورت پراکنده و بر اساس پروژه مورد استفاده قرار می‌گیرد. هیچ استراتژی، حاکمیت یا فرآیند استانداردی وجود ندارد. موفقیت به تلاش‌های فردی بستگی دارد.
2. آگاهی: سازمان از پتانسیل هوش مصنوعی آگاه است و پروژه‌های آزمایشی را با اهداف یادگیری اجرا می‌کند. معمولاً یک تیم رهبری کوچک تشکیل می‌شود.
3. فعال: چندین پروژه هوش مصنوعی با موفقیت اجرا شده‌اند. فرآیندهای اولیه برای توسعه و مدیریت تعریف شده‌اند. سازمان سرمایه‌گذاری متمرکز را آغاز می‌کند.
4. عملیاتی: هوش مصنوعی به طور سیستماتیک در چندین واحد تجاری ادغام می‌شود. فرآیندها استاندارد و مقیاس‌پذیر می‌شوند. اندازه‌گیری ارزش آغاز می‌شود.
5. تحول‌آفرین: هوش مصنوعی یک توانمندساز استراتژیک و متمایزکننده رقابتی است. نوآوری مداوم، اتوماسیون پیشرفته و سیستم‌های عامل، جریان‌های ارزش جدیدی ایجاد می‌کنند. فرهنگ سازمانی کاملاً مبتنی بر داده است.

۱.۲.۴ نقش هوش مصنوعی عامل‌گرا در مدل گارتنر ۲۰۲۵

در چشم‌انداز ۲۰۲۵، گارتنر ظهور سیستم‌های عامل خودمختار را نقطه عطفی برای بلوغ عملیاتی می‌داند. این سیستم‌ها که قادر به دستیابی به اهداف پیچیده از طریق تصمیم‌گیری، یادگیری و تعامل با محیط هستند، در مرحله «تحول‌آفرین» مدل گارتنر قرار دارند. سازمان‌های پیشرو در حال ساخت یا استفاده از عوامل هوشمند برای موارد زیر هستند:

• تحقیق و توسعه خودکار: عواملی که فرضیه‌های علمی را تولید و آزمایش می‌کنند.
• عملیات تجاری مداوم: نمایندگانی که فرآیندهای سرتاسری مانند تدارکات، خدمات مشتری یا مدیریت ریسک مالی را بدون وقفه مدیریت می‌کنند.
• شخصی‌سازی در مقیاس بزرگ: کارگزاران اختصاصی برای هر مشتری یا کارمند سفارشی‌سازی شده‌اند.

گارتنر پیش‌بینی می‌کند که تا پایان سال ۲۰۲۷، بیش از ۴۰ درصد از تعاملات با برنامه‌های سازمانی از طریق رابط‌های عامل هوشمند انجام خواهد شد. بنابراین، ارزیابی آمادگی برای پذیرش و مدیریت هوش مصنوعی عامل، بخش جدایی‌ناپذیری از ارزیابی بلوغ در سال جاری است.

۱.۲.۵ راهنمای عملی: مراحل و ابزارهای پیاده‌سازی

برای استفاده عملی از این چارچوب، گارتنر راهنمای گام به گام زیر را پیشنهاد می‌کند:

1. ارزیابی وضعیت فعلی: از ابزارهای ارزیابی خودکار گارتنر (مثلاً ابزار ارزیابی بلوغ هوش مصنوعی گارتنر) استفاده کنید یا کارگاه‌های ارزیابی را با مشاوران برگزار کنید تا مرحله دقیق در هر حوزه مشخص شود.
2. شناسایی شکاف‌ها و تعیین اهداف: شکاف بین وضعیت فعلی و وضعیت مطلوب را شناسایی کنید (مثلاً حرکت از «فعال» به «عملیاتی»). اهداف SMART را برای یک یا دو حوزه کلیدی با بالاترین تأثیر تعیین کنید.
3. تدوین نقشه راه: یک برنامه عملیاتی ۱۲ تا ۱۸ ماهه با اقدامات، مالکان و جدول زمانی مشخص طراحی کنید. این برنامه باید شامل سرمایه‌گذاری در فناوری (مثلاً پلتفرم‌های MLOps)، توسعه مهارت‌ها و تنظیمات فرآیند حاکمیت شرکتی باشد.
4. اجرا و ادغام: پروژه‌های آزمایشی را در مقیاس کوچک اجرا کنید و سپس موفقیت‌ها را در مقیاس بزرگ ارزیابی کنید. از ادغام عمیق راه‌حل‌های هوش مصنوعی با سیستم‌های اصلی مانند ERP و CRM اطمینان حاصل کنید.
5. اندازه‌گیری و تکرار: به‌طور مداوم شاخص‌های کلیدی عملکرد (KPI) تعریف‌شده و ارزش ایجادشده را پیگیری کنید. از این داده‌ها برای اصلاح استراتژی و تکرار چرخه بلوغ استفاده کنید. سازمان‌های پیشرو این ارزیابی را حداقل سالانه تکرار می‌کنند.

گارتنر تأکید می‌کند که این سفر خطی نیست و سازمان‌ها ممکن است در حوزه‌های مختلف در مراحل مختلفی باشند. کلید موفقیت، مدیریت یکپارچه و متوازن هر هفت حوزه در طول زمان است.

مدل بلوغ هوش مصنوعی مک‌کینزی

گزارش «وضعیت هوش مصنوعی در سال 2025» مک‌کینزی، رشد سه برابری در استفاده از عوامل هوش مصنوعی را نشان می‌دهد. مدل مک‌کینزی بر همسوسازی هوش مصنوعی با اهداف تجاری تمرکز دارد و مراحلی از آزمایش (شروع‌کنندگان/آزمایش‌کنندگان) تا مقیاس‌پذیری و عملکرد بالا (رهبران) را پوشش می‌دهد و ارزیابی‌های کمی مانند تأثیر بر EBIT (سود قبل از بهره و مالیات) را نیز در بر می‌گیرد. معیار: 88٪ از سازمان‌ها حداقل در یک عملکرد از هوش مصنوعی استفاده می‌کنند، اما تنها 33٪ به مقیاس‌پذیری دست یافته‌اند.

تمرکز اصلی: توانمندسازی سازمانی و تأثیر آن بر EBIT، با تأکید بر تحول سرمایه انسانی و گردش کار. معیار: 62٪ از سازمان‌ها در حال آزمایش عوامل هوش مصنوعی هستند.

شاخص‌های کلیدی: استراتژی و چشم‌انداز (همسویی با اهداف، مثلاً ادغام هوش مصنوعی در 72٪ از عملکردها)، افراد و فرهنگ (مهارت‌ها، تمرکز بر استخدام متخصصان هوش مصنوعی در 32٪ موارد)، فرآیندها (طراحی مجدد گردش کار با عوامل هوش مصنوعی)، فناوری و داده‌ها (معماری داده و MLOps)، حاکمیت شرکتی و ریسک (مدیریت چهار ریسک اصلی). معیار: 39٪ افزایش در EBIT را گزارش می‌دهند.

مزایا نسبت به گارتنر: تمرکز بر عوامل هوش مصنوعی و کاهش ریسک. این مدل تأثیر سود واقعی، مانند افزایش 39 درصدی EBIT را اندازه‌گیری می‌کند. معیار جهانی: هوش مصنوعی می‌تواند 4.4 تریلیون دلار به بهره‌وری اضافه کند.

کاربرد عملی: برای کسب‌وکارها، با اندازه‌گیری تأثیر درآمد شروع کنید، مانند استفاده از عوامل هوش مصنوعی در بازاریابی برای افزایش رضایت مشتری تا 50٪. از ابزارهای آنلاین مک‌کینزی مانند ارزیابی خودکار برای یک نقشه راه شش ماهه استفاده کنید. معیار: 92٪ از شرکت‌ها در حال افزایش سرمایه‌گذاری در هوش مصنوعی هستند.

مطالعات موردی برتر جهانی: Jubilant Ingrevia در هند با استفاده از مدل McKinsey یک تحول دیجیتال را اجرا کرد و کارایی عملیاتی را افزایش داد.
Banco Pichincha در اکوادور اکوسیستم خدمات خود را گسترش داد و مشتریان خود را 25٪ افزایش داد.
Mastercard با استفاده از هوش مصنوعی، تشخیص تقلب را 20 تا 300٪ بهبود بخشید.
همچنین، Guardian Life Insurance از این مدل برای مقیاس‌بندی هوش مصنوعی استفاده کرد و تأثیر مالی را دو برابر کرد.

جدول 1: سطوح بلوغ و معیارهای مک‌کینزی

Capability Maturity Model Integration (CMMI) – برای هوش مصنوعی:

CMMI که در سال 2025 برای هوش مصنوعی تطبیق داده شده است، فرآیندهای مهندسی مدل را ارزیابی می‌کند. این مدل سطوح را به صورت کمی مدیریت می‌کند و با اشکال هوش مصنوعی مانند اتوماسیون فرآیند رباتیک ادغام می‌شود. معیار: 70٪ از سازمان‌های سطح 5 (بهینه‌سازی) کیفیت را 35٪ بهبود می‌بخشند.

تمرکز اصلی: بلوغ فرآیند و استانداردهای مهندسی، از سطوح اولیه تا بهینه‌سازی، با تمرکز بر کیفیت و کارایی.

شاخص‌های کلیدی: اولیه (غیرقابل پیش‌بینی، پرخطر)، مدیریت‌شده، تعریف‌شده، مدیریت‌شده از نظر کمی، بهینه‌سازی. معیار: کاهش زمان توسعه از چند روز به چند ساعت.

مزایا: ارزیابی دقیق و کمی کیفیت پیاده‌سازی هوش مصنوعی، ایده‌آل برای پروژه‌های پیچیده. معیار جهانی: 65٪ از تولیدکنندگان، داده‌های ضعیف را به عنوان مانع اصلی ذکر می‌کنند.

کاربرد عملی: اگر در مرحله «مدیریت‌شده» هستید، فرآیندهای استاندارد مانند آزمایش مدل را تعریف کنید. از ارزیابی‌های CMMI برای صدور گواهینامه استفاده کنید. معیار: 16 دستیار هوش مصنوعی در Cognizant، کارایی را 35٪ افزایش دادند.

مطالعات موردی برتر جهانی: گروه BTS رضایت مشتری را با CMMI افزایش داد.
شرکت Cognizant با استفاده از GenAI دستیار هوش مصنوعی توسعه داد.
IBM به گروه کاری هوش مصنوعی CMMI پیوست و بهترین شیوه‌ها را برای هوش مصنوعی به کار گرفت.
گروه Italgas از CMMI برای مقیاس‌بندی هوش مصنوعی در انرژی استفاده کرد و هزینه‌ها را 25٪ کاهش داد.

شکل ۳: سطوح CMMI برای هوش مصنوعی

از ابتدا تا بهینه‌سازی
سطوح بلوغ cmmi

شاخص آمادگی هوش مصنوعی – PwC و Deloitte

PwC در سال 2025 بر ارزیابی آمادگی هوش مصنوعی تمرکز دارد و بر هوش مصنوعی عامل‌محور تأکید می‌کند. Deloitte چالش‌های پذیرش مانند حاکمیت شرکتی را برجسته می‌کند. معیار: 88٪ از مدیران در حال افزایش بودجه هوش مصنوعی هستند.

تمرکز اصلی: آمادگی سازمان برای استقرار هوش مصنوعی، با در نظر گرفتن زیرساخت، داده‌ها و فرهنگ، با تأکید بر هوش مصنوعی مستقل.

شاخص‌های کلیدی: داده‌ها (کیفیت و دسترسی، بر اساس قانون 80/20)، زیرساخت (خدمات درمانی درون سازمانی و ابری)، مهارت‌ها و فرهنگ (نیروی کار برای نظارت بر هوش مصنوعی)، استراتژی و حاکمیت شرکتی (نقشه راه، با 60٪ بازگشت سرمایه). معیار: 56٪ حق بیمه دستمزد برای مهارت‌های هوش مصنوعی.

مزایا: معیارهای سریع برای پروژه‌های On-Prem، با تمرکز بر مسئولیت هوش مصنوعی. معیار جهانی: مخابرات بالاترین آمادگی را دارد.

کاربرد عملی: برای شروع سریع از ارزیابی PwC استفاده کنید. Deloitte هوش مصنوعی مستقل را برای کاهش وابستگی پیشنهاد می‌کند. معیار: 79٪ از شرکت‌ها از عوامل هوش مصنوعی استفاده کرده‌اند.

مطالعات موردی برتر جهانی: PwC در یک گزارش اقتصاد کلان نشان داد که شرکت‌های چندملیتی به 60٪ بازگشت سرمایه دست یافته‌اند.
Deloitte از هوش مصنوعی مستقل در امور مالی برای امنیت استفاده کرد.
Verizon در Telecom شبکه‌های خود را با هوش مصنوعی بهینه کرد و زمان از کارافتادگی را 30٪ کاهش داد.
علاوه بر این، HSBC  هوش مصنوعی را برای انطباق با PwC پیاده‌سازی کرد و ریسک را 40٪ کاهش داد.

استاندارد ISO/IEC TR 24028- اعتماد به هوش مصنوعی:

این استاندارد، از سال 2020، بر اعتماد تمرکز دارد و در سال 2025 با FUTURE-AI ترکیب شد. معیار: دقت 95٪ در سیستم‌های قابل اعتماد.

تمرکز اصلی: امنیت، اخلاق و اعتماد، که شامل استحکام و حریم خصوصی می‌شود.

شاخص‌های کلیدی: قابلیت توضیح، استحکام و قابلیت اطمینان، حریم خصوصی و امنیت، نظارت انسانی. معیار: 40٪ کاهش در آسیب‌پذیری.

مزایا: الزامات اخلاقی مربوط به داده‌های حساس On-Prem را پوشش می‌دهد.

کاربرد عملی: در مراقبت‌های بهداشتی، قابلیت توضیح را با SHAP به کار ببرید. معیار: استانداردهای اعتماد به‌روز شده NIST AI 100-5e2025 .

مطالعات موردی برتر جهانی: یک سیستم تشخیص عابر پیاده با ISO دقت را 95٪ بهبود بخشید.
SG Systems در تولید، هوش مصنوعی را قابل اعتماد کرد.
زیمنس هوش مصنوعی را در زنجیره تأمین با ISO به کار برد و ریسک را 35٪ کاهش داد.

OECD AI principles – حکومتداری بین‌المللی:

OECD principles در سال 2024 با تأکید بر ارزش‌های انسانی به‌روزرسانی شد. معیار: 17 کشور چارچوب‌های اخلاقی همسو دارند.

تمرکز اصلی: حاکمیت و اخلاق هوش مصنوعی، با تمرکز بر پاسخگویی جهانی.

شاخص‌های کلیدی: شفافیت، پاسخگویی، طراحی انسان‌محور، استحکام و امنیت. معیار: شاخص‌های قابلیت هوش مصنوعی برای مقایسه با انسان.

مزایا: معیارهای بین‌المللی برای پاسخگویی.

کاربرد عملی: مکمل مدل‌های فنی برای سازمان‌های بین‌المللی. معیار: 200 مورد استفاده دولتی.

مطالعات موردی برتر جهانی: IBM شفافیت را با OECD بهبود بخشید .
Schneider Electric زنجیره تأمین را 30٪ بهینه کرد.
AXA،AWS  و Meta اصول را اجرا کردند و اعتماد مشتری را 25٪ افزایش دادند.
فنلاند از هوش مصنوعی برای ارزیابی شواهد استفاده کرد.

معیارهای جهانی و مقایسه چارچوب

معیارهای سال 2025 نشان‌دهنده شکاف پذیرش (88٪) در مقابل بلوغ (33٪ مقیاس‌بندی) است. جدول زیر مقایسه‌ای را بر اساس داده‌های سال 2025 ارائه می‌دهد:

نتیجه‌گیری و پیشنهادهای کاربردی

بلوغ سازمانی در حوزه هوش مصنوعی (AI Maturity)، فرایندی یکپارچه و چندبعدی است که تمامی ابعاد سازمان را درگیر می‌کند. موفق‌ترین سازمان‌ها، آن‌هایی هستند که همه حوزه‌ها را به‌صورت هم‌زمان، یکپارچه و گام‌به‌گام توسعه می‌دهند. هر مرحله باید با شاخص‌های کمی و کیفی قابل‌ارزیابی همراه باشد؛ نه صرفاً چک‌لیست‌های فنی.
در سال 2025، سازمان‌های پیشرو مانند مایکروسافت و IBM از یک مدل ترکیبی استفاده می‌کنند: عملیاتی از گارتنر، تجاری از مک‌کینزی، فرآیند از CMMI، آمادگی از PwC/Deloitte و اخلاق از ISO/OECD. معیار: رهبران، کارایی را 15 تا 30 درصد افزایش می‌دهند.
پیشنهاد: با جعبه ابزار گارتنر شروع کنید، یک نقشه راه شش ماهه تعریف کنید: ماه اول فرهنگ، ماه دوم فرآیندها، ماه‌های بعدی اعتماد. این رویکرد خطرات را کاهش می‌دهد و ارزش را به حداکثر می‌رساند.

*منبع مقاله: https://wech.ir/ai-maturity-frameworks/