實作採用 AI 技術的 ADM 目標操作模型

使用結構化的分階段方法實作生成式 AI 應用程式開發和維護 (ADM) 目標操作模型 (TOM)。下列方法在快速獲勝與長期轉型變更之間取得平衡，同時將對目前操作的干擾降至最低。每個階段都會處理 TOM 的特定元件，強調它們在整個實作過程中的相互依存性和演變。

如下圖所示，實作策略包含 12 個月內從基本到進階複雜性的階段：

階段 1：基礎設定 – 此階段發生在第 1–3 個月。它建立基本的控管結構，並引進必要的 AI 工具，同時實現快速成功。
階段 2：能力建置 – 此階段發生在第 3-6 個月。它擴展了 AI 採用，並解決了中等複雜性的程序。啟動 AI COE、將 AI 採用擴展至專案管理和操作角色，並與您的 ADM 合作夥伴合作，使用生成式 AI 重新設計關鍵 SDLC 程序。
階段 3：轉換擴展 – 此階段發生在第 6 到 12 個月（及之後）。它實作了進階解決方案，並解決了更高的複雜性挑戰。例如，針對架構設計、全堆疊開發和安全監控實作進階 AI 解決方案。將您的 AI 治理成熟到企業層級，並發展您與 ADM 合作夥伴的合約關係，以反映新的 AI 驅動現實。

注意

開始實作之前，請執行採用 AI 技術的 SDLC 整備度評估，以建立組織目前 SDLC 功能的基準，並識別需要改善的關鍵領域。如需詳細資訊，請參閱後續步驟。

實際時間表可能會因組織內容、實作方法和實作大小和規模等其他因素而有所不同。有些組織可能會達到較短或較長的時間範圍，取決於其特定情況和成熟程度。

透過進行這些階段，您可以有系統地轉換組織的 ADM 實務，使用 AI 來推動創新、效率和競爭優勢。如需在組織中使用分階段方法的詳細資訊，請參閱實作 AI 驅動 ADM TOM 的藍圖，以及所有實作階段的最佳實務。

組織可以透過此轉型之旅來增強其內部功能。此旅程也需要持續調整，並與所有利益相關者進行清晰的溝通。結果是整合的全域 ADM 目標操作模型，可搭配您的諮詢和技術服務供應商進行 AI 驅動的軟體開發和維護。

實作 AI 驅動 ADM TOM 的藍圖

下表提供參考藍圖，使用分階段方法實作 ADM TOM，同時將對目前操作的干擾降至最低。對於每個 ADM 元件，藍圖會描述每個實作階段中發生的相關活動。

ADM 元件	基礎設定：第 1-3 個月	能力建置：第 3–6 個月	轉換擴展：第 6–12 個月及之後
策略一致性	啟用 AI 轉向委員會。設定具有業務一致性的願景、任務和目標。開發 AI 技術和工具策略和藍圖。	持續將 KPIs和業務目標與 AI 功能保持一致。在 AI 計畫上保持明確的利益相關者溝通，並產生影響。檢閱業務成果和投資報酬率。	持續將 KPIs和業務目標與 AI 功能保持一致。在 AI 計畫上保持明確的利益相關者溝通，並產生影響。檢閱業務成果和投資報酬率。將 AI 控管與 EA 整合。與 AMS 合作夥伴建立跨功能 AI 控管。將全球 AI 工具跨內部和 AMS 合作夥伴團隊進行標準化。
組織結構	識別跨職能 AI 擁護者。識別 AI 整合的關鍵角色。	透過專用團隊啟動 AI COE。	實作 AI 驅動的組織和持續最佳化。
人才和技能	實作基本 AI 訓練計畫。針對軟體開發人員和測試工程師等高傾向角色採用 AI 工具。實作進階 AI 訓練計畫。實作角色特定的 AI 訓練計畫。	實作角色特定的 AI 訓練計畫。開發以 AI 為重心的職業道路和進展。為境內和海外團隊實作共用訓練計畫。	實作角色特定的 AI 訓練計畫。將 AI 採用擴展至產品擁有者、BA、SA 和網域SMEs。建立 AI 創新激勵計劃。建立機制，在您的組織和 AMS 合作夥伴之間持續分享 AI 知識。
治理和道德	制定 AI 道德準則。建立 AI 相關 IP 和資料用量的指導方針。建立風險評估架構。與監管機構合作以符合規範。	實作 AI 控管政策和程序。平衡 AI 自動化與人工監督，以確保品質並維持控制。	平衡 AI 自動化與人工監督，以確保品質並維持控制。為 AMS 合作夥伴開發 AI 特定的專案和合約範本和 SLAs。持續檢閱和解決 ADM 中 AI 用量部分的資料隱私權和安全問題。
效能測量	為 ADM 建立 AI 目標和關鍵成功指標。為大型語言模型 (LLMs建立關鍵成功指標。	開發 ADM 程序的 AI 特定 KPIs。開發 ADM 合作夥伴效能的 AI 特定 KPIs。實作 AI 成本分配和投資報酬率追蹤。	建立 KPIs並實作 ADM 和 SDLC 效能儀表板。實作 AI 驅動的洞察，以持續改善 ADM 全球交付模型。根據意見回饋和結果持續監控和調整。
合作夥伴生態系統	讓 AMS 合作夥伴參與轉型規劃。將 AI 整合角色與 AMS 合作夥伴保持一致。使用 AMS 和 CloudOps 合作夥伴評估 AI 準備程度。檢閱現有的 AMS 合約以進行 AI 整合。	與 AMS 和 CloudOps 合作夥伴建立聯合 AI COE。與 ADM 合作夥伴合作，在 TOM 中整合 AI。與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。	與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。使用 AMS 合作夥伴標準化 AI 工具和環境。定期評估 AI 對 AMS 外包價值主張的影響。考慮 AI 增強型服務的彈性參與模型和以成果為基礎的定價。
技術和工具	實作 AI 支援的知識庫，以更快速解決問題。實作採用 AI 技術的協作工具。採用 AI 輔助編碼和測試工具。	整合 AI 驅動的專案規劃和風險評估工具。實作 AI 支援的版本管理和預測性維護。實作 AI 輔助專案估算器工具。	實作 AI 驅動的架構決策支援工具。採用 AI 驅動的全堆疊程式碼產生和最佳化工具。為所有交付位置實作以雲端為基礎的 AI 擴增平台。
Processes	建立整合 AI 產生和手動程式碼的指導方針。為採用 AI 的工具建立程序和 SOPs。建立回饋迴圈以持續改善 LLMs。	重新設計 ADM 程序以將 AI 納入 TOM。在陸上、近岸和海上位置之間開發 AI 驅動SOPs。	建立 AI 驅動架構決策和產生完整堆疊程式碼的程序。建立 AI 輔助的合規檢查和安全監控程序。在採用 AI 技術的 ADM 操作模型上建立程序改進機制。

如需有關包含任務陳述式、目標和策略計劃之 ADM AI 願景架構的資訊，請參閱附錄 A：適用於 ADM 的 AI 願景範例架構。如需涵蓋三個階段中控管、組織結構、角色、程序和工具的詳細實作檢查清單，請參閱附錄 B：ADM TOM 的實作檢查清單。

所有實作階段的最佳實務

下列最佳實務對於在所有實作階段都很重要。對於每個最佳實務，會顯示其相關的操作模型元件，指出模型的哪個方面受影響最大：

根據意見回饋和結果持續監控和調整方法。（效能測量）
與所有利益相關者清楚溝通各種 AI 計畫及其影響。（策略對齊）
平衡 AI 自動化與人工監督，以協助確保品質和維護控制。（政府和道德）
定期評估 AI 計劃的投資報酬率 (ROI)，並相應地調整策略。（效能測量；策略一致性）
解決全球交付模型中 AI 使用量特有的資料隱私權和安全問題。（政府和道德）
定期評估 AI 對外包價值主張的影響，並視需要調整參與模型。（合作夥伴生態系統；策略一致性）

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

建置採用 AI 技術的 ADM 目標操作模型

後續步驟

ADM 元件	基礎設定：第 1-3 個月	能力建置：第 3–6 個月	轉換擴展：第 6–12 個月及之後
策略一致性	啟用 AI 轉向委員會。設定具有業務一致性的願景、任務和目標。開發 AI 技術和工具策略和藍圖。	持續將 KPIs和業務目標與 AI 功能保持一致。在 AI 計畫上保持明確的利益相關者溝通，並產生影響。檢閱業務成果和投資報酬率。	持續將 KPIs和業務目標與 AI 功能保持一致。在 AI 計畫上保持明確的利益相關者溝通，並產生影響。檢閱業務成果和投資報酬率。將 AI 控管與 EA 整合。與 AMS 合作夥伴建立跨功能 AI 控管。將全球 AI 工具跨內部和 AMS 合作夥伴團隊進行標準化。
組織結構	識別跨職能 AI 擁護者。識別 AI 整合的關鍵角色。	透過專用團隊啟動 AI COE。	實作 AI 驅動的組織和持續最佳化。
人才和技能	實作基本 AI 訓練計畫。針對軟體開發人員和測試工程師等高傾向角色採用 AI 工具。實作進階 AI 訓練計畫。實作角色特定的 AI 訓練計畫。	實作角色特定的 AI 訓練計畫。開發以 AI 為重心的職業道路和進展。為境內和海外團隊實作共用訓練計畫。	實作角色特定的 AI 訓練計畫。將 AI 採用擴展至產品擁有者、BA、SA 和網域SMEs。建立 AI 創新激勵計劃。建立機制，在您的組織和 AMS 合作夥伴之間持續分享 AI 知識。
治理和道德	制定 AI 道德準則。建立 AI 相關 IP 和資料用量的指導方針。建立風險評估架構。與監管機構合作以符合規範。	實作 AI 控管政策和程序。平衡 AI 自動化與人工監督，以確保品質並維持控制。	平衡 AI 自動化與人工監督，以確保品質並維持控制。為 AMS 合作夥伴開發 AI 特定的專案和合約範本和 SLAs。持續檢閱和解決 ADM 中 AI 用量部分的資料隱私權和安全問題。
效能測量	為 ADM 建立 AI 目標和關鍵成功指標。為大型語言模型 (LLMs建立關鍵成功指標。	開發 ADM 程序的 AI 特定 KPIs。開發 ADM 合作夥伴效能的 AI 特定 KPIs。實作 AI 成本分配和投資報酬率追蹤。	建立 KPIs並實作 ADM 和 SDLC 效能儀表板。實作 AI 驅動的洞察，以持續改善 ADM 全球交付模型。根據意見回饋和結果持續監控和調整。
合作夥伴生態系統	讓 AMS 合作夥伴參與轉型規劃。將 AI 整合角色與 AMS 合作夥伴保持一致。使用 AMS 和 CloudOps 合作夥伴評估 AI 準備程度。檢閱現有的 AMS 合約以進行 AI 整合。	與 AMS 和 CloudOps 合作夥伴建立聯合 AI COE。與 ADM 合作夥伴合作，在 TOM 中整合 AI。與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。	與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。使用 AMS 合作夥伴標準化 AI 工具和環境。定期評估 AI 對 AMS 外包價值主張的影響。考慮 AI 增強型服務的彈性參與模型和以成果為基礎的定價。
技術和工具	實作 AI 支援的知識庫，以更快速解決問題。實作採用 AI 技術的協作工具。採用 AI 輔助編碼和測試工具。	整合 AI 驅動的專案規劃和風險評估工具。實作 AI 支援的版本管理和預測性維護。實作 AI 輔助專案估算器工具。	實作 AI 驅動的架構決策支援工具。採用 AI 驅動的全堆疊程式碼產生和最佳化工具。為所有交付位置實作以雲端為基礎的 AI 擴增平台。
Processes	建立整合 AI 產生和手動程式碼的指導方針。為採用 AI 的工具建立程序和 SOPs。建立回饋迴圈以持續改善 LLMs。	重新設計 ADM 程序以將 AI 納入 TOM。在陸上、近岸和海上位置之間開發 AI 驅動SOPs。	建立 AI 驅動架構決策和產生完整堆疊程式碼的程序。建立 AI 輔助的合規檢查和安全監控程序。在採用 AI 技術的 ADM 操作模型上建立程序改進機制。