评价数字化与AI建设成效，不能只看系统是否上线或模型是否部署，还要同时考察基础能力、实际使用、业务贡献和风险治理。只有将投入、过程、产出与效果联系起来，评价结果才能为后续建设和资源配置提供依据。

一、为什么要评价数字化与AI建设成效

企业在数字化平台、业务系统、数据治理和AI应用上持续投入，但完成建设并不等于产生价值。系统上线后可能使用不足，模型达到技术指标也可能没有进入关键业务流程，因此需要对建设结果进行系统评价。

成效评价用于判断既定目标是否实现、投入是否形成有效产出以及哪些环节仍需改进。评价结果还可以支持项目排序、预算调整和后续建设决策，避免继续投入低使用率或低贡献度的项目。

二、数字化与AI建设成效评价包含哪些维度

整体评价应覆盖基础能力、应用水平、业务价值、AI能力、风险治理和持续发展。基础能力反映数据、系统和平台条件，应用水平反映建设成果是否投入使用，业务价值关注实际经营与管理改善，风险治理则判断建设成果能否安全、可靠地持续运行。

在操作层面，可以设置投入成本度量、使用活跃度度量、业务贡献度度量三个核心模块。三个模块分别回答投入了多少、实际使用得怎样以及产生了什么业务效果，避免用单一技术指标代替整体成效。

三、如何评价数字化基础能力建设

数字化基础能力主要考察数据资源、应用系统、技术平台、基础设施、组织机制和人才能力。评价时需要查看数据是否可获取和复用、系统是否稳定集成、平台是否能够支撑业务运行，以及相应治理责任是否明确。

投入评价应区分建设期和运营期。建设期包括软件采购、开发实施、系统集成等一次性投入；运营期包括年度运维人力、基础设施托管、第三方服务等持续性投入。两类成本共同构成数字化能力的全周期投入。

四、如何评价数字化建设创造的业务价值

数字化建设的业务价值可以从流程效率、运营成本、客户体验、管理质量和业务创新等方面观察。评价对象应是建设前后可比较的业务指标，例如流程办理时长、人工工作量、差错率、服务响应速度和管理决策周期。

系统上线、功能交付和数据接入属于直接产出，只有当这些产出引起效率提升、成本降低或质量改善时，才能形成实际效果。评价时应说明指标变化与数字化建设之间的作用路径，避免把所有业务变化都归因于系统建设。

五、如何评价AI建设与应用成效

AI建设既要评价模型准确率、响应速度和稳定性，也要评价其业务适用性、应用覆盖和持续使用情况。可以使用AI核心业务节点覆盖率、人机协同渗透率、AI能力复用率，判断AI是否进入关键流程、是否形成人机协同以及是否被多个场景重复使用。

使用情况可通过月活跃用户数、日活跃用户数、用户平均使用时长等指标观察。但活跃度不能单独代表成效，还需结合任务完成率、人工采纳率、处理效率和业务结果，判断用户使用是否真正产生价值。

六、如何评价数字化与AI风险治理水平

风险治理评价应覆盖数据安全、隐私保护、模型可靠性、算法公平性、合规管理、权限控制和人工监督。企业不仅要制定制度，还要检查风险识别、监测预警、审查处置和责任追溯机制是否真正运行。

对于AI应用，需要关注训练与推理数据来源、模型输出错误、敏感信息泄露和自动决策边界。高风险业务应保留人工复核，异常结果应能够追溯到数据、模型版本和处理过程。

七、如何选择评价指标与评价方法

评价指标需要有明确含义、计算口径、数据来源和统计周期，并区分投入指标、过程指标、产出指标与效果指标。指标数量不宜过多，应围绕建设目标选择能够稳定获取、跨期比较并支持管理决策的核心指标。

完整方法可以包括投入成本度量、使用活跃度度量、业务贡献度度量三个核心模块，以及基于多维度加权计算的投资成效综合评估模块。权重应根据企业目标和项目类型确定，并结合前后对比、用户调查、案例分析和标杆比较验证评价结果。

八、如何利用评价结果推动持续改进

评价工作应形成设定目标、采集数据、分析结果、识别问题、制定措施和跟踪改进的闭环。低活跃度可能需要调整流程或培训，业务贡献不足可能需要重新设计应用场景，风险指标异常则需要补充控制措施。

对AI应用还应关注从AI建议到决策执行再到效果反馈的完整闭环比例。该指标可以判断AI输出是否被转化为行动以及行动结果是否返回评价体系，并为模型迭代、资源投入和责任考核提供依据。

七、主要参考来源

[1] 国务院国资委. 关于加快推进国有企业数字化转型工作的通知. 2020. 原文链接

[2] 国家市场监督管理总局等. GB/T 36073—2018 数据管理能力成熟度评估模型.

[3] 国务院. “十四五”数字经济发展规划. 2021. 原文链接

[4] Kaplan R S, Norton D P. 平衡计分卡：化战略为行动[M]. 广东经济出版社.

[5] Brynjolfsson E, Hitt L M. Beyond Computation: Information Technology, Organizational Transformation and Business Performance[J]. Journal of Economic Perspectives, 2000. 原文链接

[6] NIST. Artificial Intelligence Risk Management Framework 1.0. 2023. 原文链接

[7] 国家互联网信息办公室等. 生成式人工智能服务管理暂行办法. 2023. 原文链接