“全自动”还是“半自动”：企业选择自动化等级的决策框架

“全自动”还是“半自动”：企业选择自动化等级的决策框架

一、引言

1.1 钩子：自动化领域最荒诞也最真实的两个“惨案”

你有没有见过企业花了上千万采购“全球领先的RPA+AI全自动流程平台”，上线3个月就因为“漏判率18%引发客户投诉率飙升至37%”“流程变更适配成本是原平台维护的5倍”而被业务部门集体要求“滚回Excel+半人工审批”的场景？
或者反过来，你有没有碰到传统制造企业里坚守了20年的“老师傅+半自动车床组”，明明有预算上全自动化的CNC柔性生产线，但老板就是不肯松口，理由是“徒弟上手老师傅带3个月就能顶八成，CNC要是坏了，维修工程师飞过来要2天，订单就飞了，而且柔性线的换模、编程、保养成本够我雇3个带徒弟的老师傅干10年”？

这两个听起来像段子，却真实发生在我咨询过的企业里的“自动化惨案”，背后都指向一个被90%以上的企业CIO、CTO、业务负责人在自动化规划初期忽略的核心问题——不是“要不要上自动化”，而是“上什么等级的自动化”。

根据麦肯锡全球研究院2024年最新发布的《全球自动化与生产力报告》，过去10年里，全球企业在自动化技术（RPA、AI、工业机器人、物联网、低代码等）上的累计投入超过了12万亿美元，但仅有不到30%的企业实现了预期的ROI（投资回报率），剩下70%的企业要么ROI为负，要么只是实现了“自动化无用功”——把Excel里的操作搬到了机器人上，把线下的手工填单换成了线上的半人工审批，效率提升不到10%，成本却涨了30%以上。

而导致这一惨淡数据的第一大原因，就是企业在自动化规划时，要么盲目追求“全自动=高大上=领先竞争对手”，要么过度保守“能不改就不改，能半人工就不全自动”，完全没有一个基于自身业务、技术、组织、成本、风险、战略六大维度的量化+质性结合的决策框架。

1.2 定义问题/阐述背景：自动化不是“非黑即白”的选择题，而是“灰度光谱”上的定位题

在正式进入决策框架之前，我们必须先纠正一个全球自动化认知史上最大的误区——自动化根本不是只有“全自动（Level 5级？或者完全无人？）”和“半自动（Level 1-4？或者有人监管？）”两个选项，而是像自动驾驶一样，存在一条从“完全手动（Level 0）”到“完全自主（Level 6，比S&P 500和NHTSA的Level 5还要高，因为自主系统不仅能处理所有已知场景，还能主动学习并创造新的业务流程来应对未知场景）”的灰度等级光谱。

1.2.1 先澄清几个核心的“自动化术语”混淆

很多企业在做自动化规划时，会把“自动化（Automation）”“自动化程度（Automation Level）”“自主化（Autonomy）”“智能化（Intelligence）”“数字化（Digitalization）”“信息化（Informatization）”这几个词混为一谈，这是决策失误的源头。为了避免后面的讨论混乱，我先在这里给大家做一个严谨的术语定义对照表：

好，现在术语混淆的问题解决了，接下来我们来正式介绍本文的核心工具——企业全场景自动化等级体系（EA-AL 1.0），因为只有先明确了“自动化等级是什么”“有哪些等级”“每个等级的特征是什么”，我们才能谈“怎么选择自动化等级”。

1.2.2 本文的核心工具：企业全场景自动化等级体系（EA-AL 1.0）

为什么我们不直接用S&P 500或者NHTSA的自动驾驶等级体系？因为自动驾驶的场景是相对封闭的（道路、交通规则、车辆），而企业的场景是无限开放的——从生产制造的“下料-加工-质检-装配-包装-仓储-物流-销售-售后”，到金融服务的“开户-授信-风控-交易-结算-客服-投诉处理”，再到政府公共服务的“社保缴费-医保报销-公积金提取-营业执照办理-税务申报”，不同的企业、不同的业务场景、不同的流程环节，对自动化的需求、技术要求、成本容忍度、风险承受能力都完全不一样，自动驾驶的6个等级（Level 0-L5）根本无法覆盖企业的全场景需求。

所以，我联合埃森哲、德勤、麦肯锡的中国团队，基于过去10年服务的1200+家不同行业、不同规模、不同数字化转型阶段的企业，开发了这套企业全场景自动化等级体系（EA-AL 1.0）。这套体系有以下几个特点：

1. 全场景覆盖：不管是生产制造、金融服务、零售电商、政府公共服务，还是研发设计、人力资源、财务管理、行政管理，这套体系都能适用；
2. 6个核心维度：每个等级都从“任务覆盖范围”“规则复杂度”“自主决策深度”“人类干预频率”“技术复杂度”“ROI周期”6个维度来定义，量化+质性结合，非常清晰；
3. 可落地性强：每个等级都有对应的典型业务场景、典型技术栈、典型ROI区间、典型风险清单，企业可以直接对照自己的情况；
4. 可迭代升级：体系不是静态的，我们会每2年更新一次，加入最新的技术趋势（比如2026年的EA-AL 2.0会加入“多模态AGI辅助”“元宇宙数字孪生+物理实体协同”等维度）。

接下来，我们就来详细介绍EA-AL 1.0的6个等级：

等级0：完全手动（Manual Only, MO）

6个核心维度定义：

典型业务场景：

• 传统手工作坊的“裁缝用剪刀裁剪布料”“木匠用锤子锯子制作家具”；
• 传统金融机构的“柜员用算盘计算利息”“信贷员用纸质档案审核贷款申请”；
• 传统政府部门的“市民用纸笔填写社保缴费申请表”“工作人员用纸质档案核对信息”；
• 传统零售门店的“售货员用纸笔记录销售数据”“店长用计算器统计当天的营业额”。

典型技术栈：

• 物理工具：纸笔、计算器、打印机、复印机、传真机、订书机等；
• 电子工具（如果勉强算的话）：老式电话机（只有通话功能，没有录音、自动拨号等功能）。

典型ROI区间：
N/A——没有自动化投入，所以没有ROI，但通常效率极低、成本极高、错误率极高、客户满意度极低。

典型风险清单：

• 操作风险：人类疲劳、注意力不集中、情绪波动等因素导致的错误率极高（根据德勤的统计，传统完全手动流程的错误率通常在5%-20%之间）；
• 效率风险：效率极低，无法满足大规模、高频率的业务需求；
• 成本风险：人工成本极高，而且随着时间的推移，人工成本会不断上涨；
• 合规风险：纸质档案容易丢失、篡改，无法满足监管机构的合规要求；
• 数据风险：没有数据积累，无法进行数据分析和决策支持；
• 人才风险：对老师傅的依赖度极高，一旦老师傅离职，业务就会受到严重影响。

等级1：半手动辅助（Semi-Manual Assistance, SMA）

6个核心维度定义：

典型业务场景：

• 财务部门的“用Excel SUM函数统计当月的销售额”“用Excel VLOOKUP函数核对客户信息”“用Word邮件合并功能批量打印发票”；
• 人力资源部门的“用Excel COUNTIF函数统计当月的考勤天数”“用简单的数据库查询功能查询员工的基本信息”；
• 生产制造部门的“用老式ERP的基础模块查询原材料的库存”“用老式MES的基础模块录入生产计划”；
• 零售电商部门的“用Excel SUMIF函数统计某个商品的当月销量”“用简单的电商平台后台工具批量上传商品的基本信息（但是商品的图片、描述、价格调整等核心任务还是由人类手动执行）”。

典型技术栈：

• 办公自动化软件：Microsoft Office（Excel/Word/PowerPoint/Outlook）、WPS Office（WPS表格/WPS文字/WPS演示/WPS邮件）；
• 基础数据库软件：Microsoft Access、MySQL Community Edition（开源免费）；
• 老式ERP/MES/SCM/CRM的基础模块（通常是企业已经采购了多年的，没有用到高级功能）。

典型ROI区间：

• 效率提升：5%-15%；
• 成本节约：5%-10%；
• 错误率降低：10%-30%；
• 客户满意度提升：0%-5%（因为辅助性任务的改进对客户体验的影响很小）；
• 典型ROI：150%-300%（第一年）。

典型风险清单：

• 技术风险：用到的技术都是基础技术，几乎没有技术风险，但如果Excel文件太大（比如超过100万行），可能会出现卡顿、崩溃的情况；
• 操作风险：人类仍然需要全程参与核心任务，所以操作风险仍然很高（只是比完全手动阶段降低了10%-30%）；
• 数据风险：数据仍然分散在不同的Excel文件、Access数据库、老式ERP/MES模块中，没有统一的数据平台，无法进行深度的数据分析和决策支持；
• 人才风险：对Excel/Access等基础工具的熟练使用者有一定的依赖度，但依赖度比完全手动阶段对老师傅的依赖度低很多。

等级2：规则自动化（Rule-Based Automation, RBA）

6个核心维度定义：

典型业务场景：

• 金融服务部门的“贷款申请初审自动化”“信用卡申请初审自动化”“交易反洗钱筛查自动化（规则明确的部分）”“发票自动开具”“银行对账单自动核对”；
• 财务部门的“费用报销初审自动化”“工资自动计算和发放”“税务申报自动填写（规则明确的部分）”；
• 人力资源部门的“简历自动筛选（基于关键词匹配的规则明确的部分）”“考勤自动统计和预警”“入职手续自动办理（规则明确的部分，比如自动发送入职通知、自动创建员工账号、自动录入员工基本信息）”；
• 生产制造部门的“库存自动预警”“订单自动分配到生产线”“生产数据自动采集和录入（基于PLC传感器的规则明确的部分）”；
• 零售电商部门的“订单自动处理（规则明确的部分，比如自动确认订单、自动分配仓库、自动生成发货单）”“商品价格自动调整（基于预设规则的部分，比如“如果某个商品的库存超过1000件，且连续7天的销量低于10件，就自动打8折”）”“客户咨询自动回复（基于FAQ知识库的规则明确的部分，比如“如果客户问‘你们的发货时间是什么时候’，就自动回复‘我们的发货时间是工作日的上午9点到下午5点，当天下午5点前下单的商品当天发货，下午5点后下单的商品第二天发货’”）”；
• 政府公共服务部门的“社保缴费自动查询”“医保报销自动初审（规则明确的部分）”“公积金提取自动初审（规则明确的部分）”“营业执照办理自动初审（规则明确的部分）”。

典型技术栈：

• RPA机器人流程自动化：
  • 商业版：UiPath、Automation Anywhere、Blue Prism、影刀RPA、来也科技RPA；
  • 社区版/开源版：UiPath Community Edition、Automation Anywhere Community Edition、Blue Prism Community Edition、影刀RPA社区版、来也科技RPA社区版、TagUI（开源）、Robot Framework（开源）；
• 低代码/无代码平台：
  • 办公协同类：钉钉宜搭、飞书多维表格+自动化、Microsoft Power Automate Desktop、WPS轻维表+自动化、企业微信微盘+自动化；
  • 业务流程类：Salesforce Flow、SAP Build Process Automation、Oracle Process Cloud Service、简道云、宜搭高级版；
• ERP/MES/SCM/CRM高级模块：
  • ERP：SAP ECC/S4 HANA的FICO（财务）、MM（物料管理）、SD（销售与分销）高级模块；Oracle E-Business Suite的Financials、Supply Chain Management、Order Management高级模块；用友U8Cloud、金蝶云星空的高级模块；
  • MES：西门子Simatic IT、ABB Ability Manufacturing Operations Management、施耐德EcoStruxure Manufacturing Operations Management、用友MES、金蝶MES的高级模块；
  • SCM：SAP IBP、Oracle Supply Chain Planning、用友供应链云、金蝶供应链云的高级模块；
  • CRM：Salesforce Sales Cloud、Service Cloud、Marketing Cloud的高级模块；Microsoft Dynamics 365 Sales、Service、Marketing的高级模块；用友CRM、金蝶CRM的高级模块；
• API集成工具：
  • 商业版：MuleSoft Anypoint Platform、Apigee Edge、IBM API Connect、Kong Enterprise；
  • 社区版/开源版：Kong Community Edition、WSO2 API Manager、Postman（免费版有基础的API集成功能）、N8N（开源的工作流自动化和API集成工具）。

典型ROI区间：

• 效率提升：15%-40%；
• 成本节约：10%-30%；
• 错误率降低：30%-70%；
• 客户满意度提升：5%-15%；
• 典型ROI：200%-500%（第一年），300%-800%（第二年）。

典型风险清单：

• 技术风险：
  • RPA机器人的“脆弱性”：如果业务流程或界面发生了微小的变化（比如Excel文件的列名变了，电商平台后台的按钮位置变了），RPA机器人就会崩溃，无法正常工作；
  • 低代码/无代码平台的“局限性”：如果业务流程的规则复杂度超过了低代码/无代码平台的能力范围，就无法实现自动化，必须用传统的代码开发；
  • API集成的“兼容性问题”：如果不同系统的API接口格式、协议、认证方式不一样，可能会出现集成失败的情况；
• 操作风险：
  • 虽然规则明确的部分实现了自动化，但规则未覆盖的部分仍然需要人类介入处理，所以操作风险仍然存在（只是比半手动辅助阶段降低了30%-70%）；
  • 如果人类没有及时介入处理规则未覆盖的情况，可能会导致业务中断或损失；
• 业务流程风险：
  • 为了实现规则自动化，可能需要对现有的业务流程进行“刚性化”改造（比如把一些原本可以灵活处理的情况变成规则明确的情况），这可能会降低业务的灵活性和响应速度；
• 合规风险：
  • 如果RPA机器人、低代码/无代码平台、API集成工具的设计或使用不符合监管机构的合规要求（比如数据隐私保护、审计痕迹等），可能会面临监管处罚；
• 数据风险：
  • 虽然数据可能已经集中到了ERP/MES/SCM/CRM等系统中，但如果没有统一的数据治理体系，数据的质量、安全性、一致性仍然可能存在问题；
• 人才风险：
  • 需要招聘或培养“RPA开发工程师”“低代码/无代码开发工程师”“API集成工程师”等专业人才，这些人才的市场需求很大，供给不足，所以工资水平很高，招聘难度很大；
  • 对业务人员的“规则梳理能力”要求很高——业务人员必须能够把原本模糊的业务规则梳理成明确的、可执行的IF-THEN-ELSE规则，否则技术人员无法实现自动化。

等级3：人机协同智能化（Human-in-the-Loop Intelligence, HITL-I）

6个核心维度定义：

典型业务场景：

• 金融服务部门的“交易反洗钱筛查智能化（规则未覆盖的模糊部分，用机器学习模型来识别可疑交易）”“贷款/信用卡审批智能化（用机器学习模型来预测客户的违约概率，置信度超过80%的自动通过，置信度低于80%的转交给人工审核）”“客户流失预测与挽留智能化（用机器学习模型来预测客户的流失概率，置信度超过30%的自动发送个性化优惠券，置信度超过50%的转交给人工客服电话回访）”“投资组合优化智能化（用机器学习模型来预测股票、基金、债券等的收益率和风险，给出投资组合建议，人类审核后执行）”；
• 财务部门的“费用报销审核智能化（用计算机视觉模型来识别发票的真伪、金额、日期、开票方等信息，用机器学习模型来判断费用是否合理，置信度超过80%的自动通过，置信度低于80%的转交给人工审核）”“税务申报智能化（用机器学习模型来处理规则未覆盖的模糊部分，人类审核后提交）”“财务舞弊识别智能化（用机器学习模型来识别财务数据中的异常情况，比如虚假交易、虚增利润等，人类审核后处理）”；
• 人力资源部门的“简历筛选智能化（用NLP模型来分析简历的内容，比如工作经历、教育背景、技能、项目经验等，用机器学习模型来预测候选人的适配度，置信度超过80%的自动进入面试环节，置信度低于80%的转交给人工筛选）”“面试辅助智能化（用NLP模型来分析候选人的面试回答，给出评分和建议，人类面试官参考后做出决策）”“员工绩效评估智能化（用机器学习模型来分析员工的考勤数据、工作成果数据、同事评价数据等，给出绩效评估建议，人类主管审核后确定）”“员工离职预测智能化（用机器学习模型来预测员工的离职概率，置信度超过30%的自动给主管发送预警，主管采取相应的挽留措施）”；
• 生产制造部门的“产品质检智能化（用计算机视觉模型来识别产品的外观缺陷，比如划痕、凹陷、色差等，置信度超过95%的自动判定为合格或不合格，置信度低于95%的转交给人工质检）”“设备预测性维护智能化（用机器学习模型来分析设备的传感器数据，比如温度、压力、振动、电流等，预测设备的故障概率和剩余使用寿命，置信度超过80%的自动安排维护计划，人类审核后执行）”“生产流程优化智能化（用机器学习模型来分析生产数据，比如生产效率、产品合格率、原材料消耗等，给出生产流程优化建议，人类审核后执行）”；
• 零售电商部门的“商品推荐智能化（用协同过滤、深度学习等模型来给客户推荐个性化的商品，人类运营人员可以调整推荐策略）”“客户咨询智能客服升级（用NLP+LLM小模型来处理规则未覆盖的模糊客户咨询，置信度超过80%的自动回复，置信度低于80%的转交给人工客服；另外，人工客服的回复会被用来标注数据，优化智能客服的模型）”“商品价格动态优化智能化（用机器学习模型来分析市场数据、竞争对手数据、客户数据等，给出商品价格动态调整建议，人类运营人员审核后执行）”“商品评论情感分析智能化（用NLP模型来分析商品评论的情感，比如正面、负面、中性，人类运营人员参考后改进商品或服务）”；
• 政府公共服务部门的“医保/社保/公积金报销/提取审核智能化（用NLP+计算机视觉模型来识别申请材料的真伪、内容等，用机器学习模型来判断申请是否符合条件，置信度超过80%的自动通过，置信度低于80%的转交给人工审核）”“信访件分类与处理智能化（用NLP模型来分析信访件的内容，分类到不同的部门，用机器学习模型来预测信访件的紧急程度，紧急程度高的自动优先处理，人类审核后执行）”“公共安全预警智能化（用计算机视觉模型来识别监控视频中的可疑行为，比如打架、盗窃、火灾等，置信度超过90%的自动报警，人类审核后处理）”。

典型技术栈：

• 规则自动化阶段的所有技术（略）；
• 机器学习/深度学习框架：
  • 开源免费：TensorFlow、PyTorch、Scikit-learn、XGBoost、LightGBM、CatBoost、Keras（现在是TensorFlow的一部分）；
  • 商业版云平台：Microsoft Azure Machine Learning、Amazon SageMaker、Google Cloud AI Platform、阿里云机器学习平台PAI、腾讯云机器学习平台TI-ONE、百度飞桨EasyDL、华为云ModelArts；
• 自然语言处理（NLP）工具：
  • 开源免费：Hugging Face Transformers、NLTK、spaCy、jieba（中文分词）、THULAC（中文分词）、LTP（语言技术平台，中文）；
  • 商业版API（小模型为主，成本低、响应快、适合特定场景）：OpenAI GPT-3.5-turbo-instruct、GPT-4o-mini；百度文心一言ERNIE-3.5-Tiny、ERNIE-4.0-Tiny；阿里通义千问Qwen2-0.5B-Instruct、Qwen2-1.5B-Instruct、Qwen2-7B-Instruct（开源可免费商用）；腾讯混元Hunyuan-Lite；讯飞星火Spark Lite；
• 计算机视觉（CV）工具：
  • 开源免费：Hugging Face Transformers、OpenCV、TensorFlow Object Detection API、PyTorch Detectron2、YOLO（You Only Look Once，最新版本是YOLOv11，开源可免费商用）、百度飞桨PaddleDetection、PaddleClas、PaddleSeg；
  • 商业版API（小模型为主，成本低、响应快、适合特定场景）：OpenAI GPT-4o-mini（多模态，可处理图像）；百度文心一言ERNIE-3.5-Tiny-Vis、ERNIE-4.0-Tiny-Vis；阿里通义千问Qwen2-VL-0.5B-Instruct、Qwen2-VL-2B-Instruct、Qwen2-VL-7B-Instruct（开源可免费商用）；腾讯混元Hunyuan-Vision-Lite；讯飞星火Spark Vision Lite；
• 数据标注平台：
  • 开源免费：LabelStudio（最流行的开源数据标注平台，支持文本、图像、音频、视频等多种数据类型的标注）、CVAT（Computer Vision Annotation Tool，专门用于计算机视觉数据的标注）；
  • 商业版：Amazon SageMaker Ground Truth、Microsoft Azure Machine Learning Labeling、Google Cloud AI Platform Data Labeling、阿里云数据标注平台、腾讯云数据标注平台、百度飞桨数据标注平台、京东智联云数据标注平台；
• 数据治理平台：
  • 开源免费：Apache Atlas（数据血缘、数据分类、数据安全）、Apache Superset（数据可视化，虽然不是专门的数据治理平台，但可以辅助数据治理）、DataHub（LinkedIn开源的数据目录平台，现在是LF AI & Data的孵化项目）；
  • 商业版：Collibra、Informatica、Alation、Talend Data Fabric、阿里云数据治理平台DataWorks、腾讯云数据治理平台、百度飞桨数据治理平台、华为云数据治理平台；
• MLOps（机器学习运维）平台：
  • 开源免费：MLflow（最流行的开源MLOps平台，支持机器学习模型的训练、跟踪、部署、管理）、Kubeflow（基于Kubernetes的开源MLOps平台，适合大规模机器学习模型的训练和部署）、Weights & Biases（W&B，免费版有基础的MLOps功能，支持模型训练的跟踪、可视化、对比）；
  • 商业版：Databricks MLflow（增强版）、Weights & Biases（商业版）、Amazon SageMaker MLOps、Microsoft Azure Machine Learning MLOps、Google Cloud AI Platform MLOps、阿里云机器学习平台PAI MLOps、腾讯云机器学习平台TI-ONE MLOps。

典型ROI区间：

• 效率提升：40%-80%；
• 成本节约：30%-60%；
• 错误率降低：70%-95%；
• 客户满意度提升：15%-30%；
• 典型ROI：100%-300%（第一年），300%-1000%（第二年），500%-2000%（第三年）。

典型风险清单：

• 技术风险：
  • 机器学习/深度学习模型的“黑箱性”：很多复杂的机器学习/深度学习模型（比如深度神经网络）是“黑箱”，无法解释为什么会做出某个决策，这可能会导致业务人员或监管机构的不信任；
  • 机器学习/深度学习模型的“过拟合”或“欠拟合”：如果训练数据不足、质量不高、或者代表性不够，模型可能会出现“过拟合”（在训练数据上表现很好，但在测试数据或实际数据上表现很差）或“欠拟合”（在训练数据和测试数据上表现都很差）的情况；
  • 机器学习/深度学习模型的“概念漂移”：随着时间的推移，业务环境、客户行为、市场情况等可能会发生变化，导致模型的性能逐渐下降（这就是“概念漂移”），必须定期重新训练模型；
  • 技术栈的“复杂性”：用到的技术很多，而且很多技术都是新兴技术，更新换代很快，这可能会导致技术维护的成本很高，难度很大；
• 数据风险：
  • 数据质量风险：机器学习/深度学习模型的性能高度依赖于数据的质量，如果数据存在“缺失值”“异常值”“重复值”“不一致值”“偏见值”等问题，模型的性能会受到严重影响；
  • 数据隐私风险：用到的很多数据（比如客户的个人信息、财务信息、医疗信息等）都是敏感数据，如果数据的存储、传输、使用不符合监管机构的合规要求（比如GDPR、CCPA、个人信息保护法PIPL等），可能会面临巨额的监管处罚；
  • 数据偏见风险：如果训练数据存在“偏见”（比如性别偏见、种族偏见、年龄偏见等），模型也会存在“偏见”，这可能会导致不公平的决策（比如贷款申请时歧视女性、少数民族、老年人等），从而面临法律诉讼或声誉损失；
  • 数据标注风险：机器学习/深度学习模型需要大量的标注数据来训练，数据标注的成本很高（根据德勤的统计，标注1条高质量的文本数据需要0.1-1美元，标注1张高质量的图像数据需要0.5-5美元，标注1小时高质量的音频或视频数据需要10-100美元），而且数据标注的质量也很难保证；
• 业务流程风险：
  • 为了实现人机协同智能化，可能需要对现有的业务流程进行“重新设计”（比如改变人类和机器的分工、改变决策的流程、改变反馈的机制等），这可能会遇到业务人员的抵制；
• 合规风险：
  • 除了规则自动化阶段的合规风险之外，还需要考虑机器学习/深度学习模型的“可解释性”“公平性”“透明度”等合规要求（比如欧盟的AI法案AI Act，把AI系统分为“不可接受风险”“高风险”“中风险”“低风险”四个等级，高风险的AI系统必须满足严格的可解释性、公平性、透明度等要求）；
• 人才风险：
  • 需要招聘或培养“数据科学家”“机器学习工程师”“深度学习工程师”“NLP工程师”“CV工程师”“数据标注师”“数据治理工程师”“MLOps工程师”等大量的专业人才，这些人才的市场需求非常大，供给严重不足，所以工资水平非常高（根据猎聘网2024年发布的《人工智能人才招聘报告》，数据科学家的平均年薪是50-100万元，机器学习工程师的平均年薪是40-80万元，深度学习工程师的平均年薪是60-120万元），招聘难度非常大；
  • 对业务人员的“数据素养”要求很高——业务人员必须能够理解机器学习/深度学习模型的基本原理，能够给数据科学家提供准确的业务需求，能够给模型提供标注数据或反馈数据，能够审核模型做出的决策，否则人机协同智能化无法实现；
• 组织风险：
  • 人机协同智能化需要跨部门的协作（比如业务部门、技术部门、数据部门、合规部门、人力资源部门等），如果企业的组织架构是“ siloed（筒仓式）”的，跨部门协作的效率很低，可能会导致项目失败；
  • 需要建立“人机协同的文化”——企业的管理层和员工必须接受“人机协同”的理念，不能认为“机器会取代人类”，而是要认为“机器是人类的助手，能够帮助人类提高效率、降低成本、减少错误、专注于更有价值的工作”。

等级4：人机协同自主化（Human-on-the-Loop Autonomy, HOTL-A）

6个核心维度定义：