实现人工智能驱动的 ADM 目标运营模型

使用结构化、分阶段的方法来实现生成式 AI 应用程序开发和维护 (ADM) 目标运营模型 (TOM)。以下方法在速赢与长期变革性变革之间取得平衡，同时最大限度地减少对当前运营的干扰。每个阶段都涉及TOM的特定组成部分，突出它们在整个实施过程中的相互依存关系和演变。

如下图所示，实施策略由几个阶段组成，这些阶段在12个月内从基本复杂性发展到高级复杂性：

第 1 阶段：基础设置 — 此阶段发生在 1-3 个月中。它建立了基本的治理结构并引入了基本的人工智能工具，同时实现了快速致胜。
第 2 阶段：能力建设 — 此阶段发生在 3-6 个月内。它扩大了人工智能的采用范围，并解决了中等复杂度的流程。启动你的 AI COE，将 AI 的采用扩展到项目管理和运营职位，并与你的 ADM 合作伙伴合作，使用生成式 AI 重新设计关键的 SDLC 流程。
第 3 阶段：转型扩展 — 此阶段发生在 6-12 个月（及以后）。它实施高级解决方案并应对更复杂的挑战。例如，为架构设计、全栈开发和安全监控实施高级 AI 解决方案。将您的 AI 治理完善到企业级别，并发展与 ADM 合作伙伴的合同关系，以反映人工智能驱动的新现实。

注意

在开始实施之前，请进行人工智能驱动的 SDLC 准备情况评估，以建立组织当前 SDLC 能力的基准，并确定需要改进的关键领域。有关更多详细信息，请参阅后续步骤。

实际时间表可能因组织背景、实施方法以及其他因素（例如实施规模和规模）而异。有些组织可能会在更短或更长的时间内取得成果，具体取决于其具体情况和成熟度。

通过完成这些阶段，您可以系统地转变组织的 ADM 实践，使用 AI 来推动创新、效率和竞争优势。有关在组织中使用分阶段方法的更多信息，请参阅实施 AI 驱动的 ADM TOM 路线图和所有实施阶段的最佳实践。

通过这一转型之旅，Organizations 可以增强其内部能力。这段旅程还需要不断调整并与所有利益相关者进行清晰的沟通。结果是与您的咨询和技术服务提供商建立了一个集成的全球 ADM 目标运营模式，用于人工智能驱动的软件开发和维护。

实施人工智能驱动的 ADM TOM 的路线图

下表提供了参考路线图，该路线图使用分阶段方法实施 ADM TOM，同时最大限度地减少对当前运营的干扰。对于每个 ADM 组件，路线图描述了每个实施阶段中发生的相关活动。

ADM 组件	基础设置：第 1-3 个月	能力建设：第 3-6 个月	转型扩展：6-12 个月及以后
战略调整	启用 AI 指导委员会。通过业务协调来设定愿景、使命和目标。制定 AI 技术和工具战略和路线图。	不断将业务目标与 AI 能力保持一致 KPIs 。与利益相关者就具有影响力的人工智能计划保持清晰的沟通。审查业务结果和投资回报率。	不断将业务目标与 AI 能力保持一致 KPIs 。与利益相关者就具有影响力的人工智能计划保持清晰的沟通。审查业务结果和投资回报率。将 AI 治理与 EA 集成。与 AMS 合作伙伴建立跨职能的人工智能治理。在全球范围内实现内部和 AMS 合作伙伴团队的 AI 工具标准化。
组织结构	确定跨职能的人工智能拥护者。确定 AI 集成的关键角色。	与专门的团队一起启动 AI COE。	实施 AI 驱动的组织和持续优化。
天赋和技能	实施基本的 AI 训练计划。为软件开发人员和测试工程师等高倾向角色采用 AI 工具。实施高级人工智能训练计划。实施特定角色的 AI 培训计划。	实施特定角色的 AI 培训计划。制定以人工智能为重点的职业道路和发展。为在岸和离岸团队实施共享培训计划。	实施特定角色的 AI 培训计划。将 AI 的采用范围扩大到产品所有者、BA、SA 和域名 SMEs。建立人工智能创新激励计划。建立机制，让您的组织与 AMS 合作伙伴之间持续共享 AI 知识。
治理与道德	制定人工智能伦理准则。制定与人工智能相关的知识产权和数据使用指南。创建风险评估框架。与监管机构合作以实现合规。	实施 AI 治理政策和程序。在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。	在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。 SLAs为 AMS 合作伙伴开发特定于 AI 的项目和合同模板。持续审查并解决 ADM 中人工智能使用部分的数据隐私和安全问题。
绩效测量	为 ADM 设定人工智能目标和关键成功指标。为大型语言模型建立关键成功指标（LLMs）。	KPIs 为 ADM 流程开发特定的 AI。针对 ADM 合作伙伴绩效 KPIs 进行特定于 AI 的开发。实施 AI 成本分配和投资回报率跟踪。	建立 KPIs 并实施 ADM 和 SDLC 绩效控制面板。实施人工智能驱动的见解，持续改进 ADM 全球交付模式。根据反馈和结果持续监控和调整。
合作伙伴生态系统	让 AMS 合作伙伴参与转型规划。让 AI 集成角色与 AMS 合作伙伴保持一致。与 AMS 和 CloudOps 合作伙伴一起评估 AI 准备情况。查看现有的 AMS 人工智能集成合同。	与 AMS 和 CloudOps 合作伙伴建立联合的 AI COE。与 ADM 合作伙伴合作，将人工智能集成到 TOM 中。与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。	与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。与 AMS 合作伙伴一起，实现人工智能工具和环境的标准化。定期评估人工智能对 AMS 外包价值主张的影响。考虑灵活的参与模式和基于结果的定价，为 AI 增强型服务定价。
技术和工具	实施 AI 驱动的知识库以更快地解决问题。实施 AI 驱动的协作工具。采用 AI 辅助的编码和测试工具。	整合 AI 驱动的项目规划和风险评估工具。实施 AI 驱动的发布管理和预测性维护。实施 AI 辅助的项目估算工具。	实施 AI 驱动的架构决策支持工具。采用 AI 驱动的全栈代码生成和优化工具。为所有配送地点实施基于云的 AI 增强平台。
进程	制定集成人工智能生成的代码和手动代码的指导方针。 SOPs 为人工智能驱动的工具建立流程。建立反馈回路以持续改进 LLMs.	重新设计 ADM 流程，将人工智能纳入 TOM 中。在陆上、近岸和离岸地点 SOPs 之间进行人工智能驱动。	建立人工智能驱动的架构决策和全栈代码生成流程。建立 AI 辅助的合规性检查和安全监控流程。在人工智能驱动的 ADM 运营模型上建立流程改进机制。

有关 ADM 人工智能愿景框架（包括使命宣言、目标和战略举措）的信息，请参阅附录 A：ADM 人工智能愿景框架示例。有关涵盖所有三个阶段的治理、组织结构、角色、流程和工具的详细实施清单，请参阅附录 B：ADM TOM 的实施清单。

所有实施阶段的最佳实践

在所有实施阶段都必须牢记以下最佳实践。对于每种最佳实践，都会显示其相关的操作模型组件，指明模型的哪个方面受影响最大：

根据反馈和结果持续监控和调整方法。（绩效测量）
就各种人工智能计划及其影响与所有利益相关者进行清晰的沟通。（战略调整）
在人工智能自动化与人工监督之间取得平衡，以帮助确保质量和保持控制。（治理与道德）
定期评估人工智能计划的投资回报率 (ROI)，并相应地调整策略。（业绩衡量；战略调整）
解决全球交付模式中人工智能使用所特有的数据隐私和安全问题。（治理与道德）
定期评估人工智能对外包价值主张的影响，并根据需要调整参与模式。（合作伙伴生态系统；战略调整）

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

构建 AI 驱动的 ADM 目标运营模型

后续步骤

ADM 组件	基础设置：第 1-3 个月	能力建设：第 3-6 个月	转型扩展：6-12 个月及以后
战略调整	启用 AI 指导委员会。通过业务协调来设定愿景、使命和目标。制定 AI 技术和工具战略和路线图。	不断将业务目标与 AI 能力保持一致 KPIs 。与利益相关者就具有影响力的人工智能计划保持清晰的沟通。审查业务结果和投资回报率。	不断将业务目标与 AI 能力保持一致 KPIs 。与利益相关者就具有影响力的人工智能计划保持清晰的沟通。审查业务结果和投资回报率。将 AI 治理与 EA 集成。与 AMS 合作伙伴建立跨职能的人工智能治理。在全球范围内实现内部和 AMS 合作伙伴团队的 AI 工具标准化。
组织结构	确定跨职能的人工智能拥护者。确定 AI 集成的关键角色。	与专门的团队一起启动 AI COE。	实施 AI 驱动的组织和持续优化。
天赋和技能	实施基本的 AI 训练计划。为软件开发人员和测试工程师等高倾向角色采用 AI 工具。实施高级人工智能训练计划。实施特定角色的 AI 培训计划。	实施特定角色的 AI 培训计划。制定以人工智能为重点的职业道路和发展。为在岸和离岸团队实施共享培训计划。	实施特定角色的 AI 培训计划。将 AI 的采用范围扩大到产品所有者、BA、SA 和域名 SMEs。建立人工智能创新激励计划。建立机制，让您的组织与 AMS 合作伙伴之间持续共享 AI 知识。
治理与道德	制定人工智能伦理准则。制定与人工智能相关的知识产权和数据使用指南。创建风险评估框架。与监管机构合作以实现合规。	实施 AI 治理政策和程序。在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。	在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。 SLAs为 AMS 合作伙伴开发特定于 AI 的项目和合同模板。持续审查并解决 ADM 中人工智能使用部分的数据隐私和安全问题。
绩效测量	为 ADM 设定人工智能目标和关键成功指标。为大型语言模型建立关键成功指标（LLMs）。	KPIs 为 ADM 流程开发特定的 AI。针对 ADM 合作伙伴绩效 KPIs 进行特定于 AI 的开发。实施 AI 成本分配和投资回报率跟踪。	建立 KPIs 并实施 ADM 和 SDLC 绩效控制面板。实施人工智能驱动的见解，持续改进 ADM 全球交付模式。根据反馈和结果持续监控和调整。
合作伙伴生态系统	让 AMS 合作伙伴参与转型规划。让 AI 集成角色与 AMS 合作伙伴保持一致。与 AMS 和 CloudOps 合作伙伴一起评估 AI 准备情况。查看现有的 AMS 人工智能集成合同。	与 AMS 和 CloudOps 合作伙伴建立联合的 AI COE。与 ADM 合作伙伴合作，将人工智能集成到 TOM 中。与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。	与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。与 AMS 合作伙伴一起，实现人工智能工具和环境的标准化。定期评估人工智能对 AMS 外包价值主张的影响。考虑灵活的参与模式和基于结果的定价，为 AI 增强型服务定价。
技术和工具	实施 AI 驱动的知识库以更快地解决问题。实施 AI 驱动的协作工具。采用 AI 辅助的编码和测试工具。	整合 AI 驱动的项目规划和风险评估工具。实施 AI 驱动的发布管理和预测性维护。实施 AI 辅助的项目估算工具。	实施 AI 驱动的架构决策支持工具。采用 AI 驱动的全栈代码生成和优化工具。为所有配送地点实施基于云的 AI 增强平台。
进程	制定集成人工智能生成的代码和手动代码的指导方针。 SOPs 为人工智能驱动的工具建立流程。建立反馈回路以持续改进 LLMs.	重新设计 ADM 流程，将人工智能纳入 TOM 中。在陆上、近岸和离岸地点 SOPs 之间进行人工智能驱动。	建立人工智能驱动的架构决策和全栈代码生成流程。建立 AI 辅助的合规性检查和安全监控流程。在人工智能驱动的 ADM 运营模型上建立流程改进机制。