AI Capability-Based Planning：业务架构能力规划
AI Capability-Based Planning 的核心, 是把 AI 投资从“用例清单”提升为“企业能力组合”。客服助手、知识库问答、代码助手、风控模型、销售助手这些名称都只是项目形态。更重要的问题是: 哪些能力是企业长期竞争力, 哪些能力应该平台化, 哪些只是局部自动化, 哪些必须先补数据、流程、风险和组织能力。
AI Capability-Based Planning / Business Architecture 解读
配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是
docs/AI_CAPABILITY_BASED_PLANNING_BUSINESS_ARCHITECTURE_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。
Source Anchors
| Source | Link | 用途 |
|---|---|---|
| TOGAF Standard / Capability-Based Planning | https://pubs.opengroup.org/architecture/togaf9-doc/arch/chap32.html | 参考 capability-based planning 如何把业务能力、架构和路线图连接起来（此链接为 TOGAF 9 文档；现行版本为 TOGAF Standard 10th Edition，2022 发布；访问日期: 2026-07-01） |
| TOGAF Business Architecture | https://pubs.opengroup.org/togaf-standard/business-architecture/ | 参考业务架构对 capability、value stream、organization、information 的表达（配套 Open Group Business Capability Planning 指南 2023 发布；访问日期: 2026-07-01） |
| ISO/IEC/IEEE 42010 | https://www.iso-architecture.org/ieee-1471/ | 用 stakeholder、concern、viewpoint 组织 AI capability 的多视角描述（访问日期: 2026-07-01） |
| NIST AI RMF | https://www.nist.gov/itl/ai-risk-management-framework | 把 AI capability 连接到 Govern / Map / Measure / Manage 的治理闭环（AI RMF 1.0 发布 2023-01；GenAI Profile NIST AI 600-1 发布 2024-07） |
核心导读
AI Capability-Based Planning 的核心, 是把 AI 投资从“用例清单”提升为“企业能力组合”。客服助手、知识库问答、代码助手、风控模型、销售助手这些名称都只是项目形态。更重要的问题是: 哪些能力是企业长期竞争力, 哪些能力应该平台化, 哪些只是局部自动化, 哪些必须先补数据、流程、风险和组织能力。
Capability-Based Planning 让 AI 学习和转型回到业务架构: 用 value stream 找能力节点, 用 capability map 定义稳定能力, 用 maturity model 判断当前条件, 用 architecture runway 支撑复用, 用治理证据控制风险, 用路线图把短期 use case 转成长期能力提升。
1. 问题定义
企业 AI 转型常从 use case inventory 开始。这有助于收集机会, 但不能成为规划终点。用例越多, 越容易掩盖以下问题:
| Use Case List 的局限 | 后果 |
|---|---|
| 每个部门都提自己的 AI 助手 | 重复建设 RAG、prompt、权限、eval、监控 |
| 只看 ROI, 不看能力依赖 | 数据、流程、风险、平台能力不成熟, 试点无法扩展 |
| 只评估单点自动化 | 忽略 value stream 端到端瓶颈 |
| 只按业务线排优先级 | 忽略跨业务复用的 AI platform capability |
| 缺少 maturity model | 无法判断哪些能力现在能做, 哪些要先补基础 |
更成熟的问题表达是:
- 这个 AI use case 增强的是哪个 value stream 的哪个 capability。
- 它依赖哪些业务、数据、平台、治理和运营能力。
- 如果成功, 是否可复用到相邻场景。
- 它需要的能力是临时项目资产, 还是企业长期 capability。
- 它的投资是在交付一个功能, 还是提升一个可持续能力。
2. 核心原理 / 架构模型
2.1 Capability 的定义
Capability 是企业能稳定做成某件事的能力, 不等于组织部门、流程步骤、系统模块或项目名称。AI 语境中的 capability 应具备明确业务目的、可重复流程、数据和知识输入、角色 owner、支撑系统和平台、质量与风险指标、改进和治理机制。
| Capability | 不是 | 是 |
|---|---|---|
| Customer Intent Understanding | 一个聊天机器人 | 能跨渠道识别客户意图、风险、情绪和下一步动作 |
| Policy-Grounded Response | 一个 FAQ RAG | 能基于授权政策、权限和引用生成可审计答复 |
| AI-Assisted Investigation | 一个 AML summary prompt | 能聚合证据、标注事实/推断、支持复核和升级 |
| Model / Prompt Release Governance | 一次模型上线流程 | 能持续管理版本、eval、gate、rollback 和 evidence |
| Human Oversight Operations | UI 上的批准按钮 | 能配置、执行、监控和审计人工复核工作 |
2.2 AI Capability Taxonomy
企业 AI 能力可以分为五层:
Business AI Capabilities
-> AI Product Capabilities
-> AI Platform Capabilities
-> AI Governance Capabilities
-> AI Learning / Improvement Capabilities
Business AI Capabilities 面向业务结果, 如智能客服、风险调查辅助、信贷决策支持、财富顾问赋能、运营智能。AI Product Capabilities 则是可组合的产品能力, 如 intent/context capture、grounded answering、next best action、human review/override、feedback and correction。
Platform Capabilities 决定规模化:
| 能力 | 说明 |
|---|---|
| Model Gateway | 模型路由、供应商抽象、成本和策略控制 |
| RAG / Knowledge Platform | ingest、chunk、index、permission、freshness、citation |
| EvalOps | dataset registry、judge、human review、release gate、monitoring |
| Tool Gateway | tool schema、RBAC/ABAC、policy check、audit |
| Observability / Cost | trace、SLO、token/case cost、quality dashboard |
Governance Capabilities 保证 AI 在风险边界内扩展, 包括 AI inventory、risk tiering、release governance、audit evidence、incident response。Learning / Improvement Capabilities 则让真实错误、用户反馈、知识变更和收益兑现进入持续学习循环。
2.3 Value Stream 到 Capability
以信用卡争议交易为例:
Customer Dispute Value Stream
1. Receive dispute
2. Verify identity and transaction
3. Classify dispute type
4. Gather evidence
5. Apply policy
6. Decide refund / chargeback / escalation
7. Communicate outcome
8. Monitor complaint / appeal
映射 AI capabilities:
| Value Stream Step | AI Capability | 关键依赖 |
|---|---|---|
| Classify dispute type | Intent / case classification | historical labels、policy taxonomy、eval set |
| Gather evidence | Evidence retrieval | transaction data、CRM、case docs、permission |
| Apply policy | Policy-grounded reasoning | policy knowledge platform、citation、freshness |
| Communicate outcome | Controlled response generation | approved language、disclosure、tone、HITL |
| Monitor complaint | Feedback-to-risk loop | complaint analytics、incident triage |
这种映射能避免“先买 AI 工具再找流程”的错误顺序。
2.4 AI Capability Maturity
| Level | 状态 | 特征 |
|---|---|---|
| L0 Ad hoc | 个体试用 | prompt 分散、无数据边界、无 eval |
| L1 Use Case Pilot | 局部试点 | 有 PRD 和 demo, 但能力不可复用 |
| L2 Repeatable Pattern | 可复制模式 | 有可复用工作方式、eval、RAG pattern、HITL pattern |
| L3 Platform-Enabled | 平台支撑 | gateway、EvalOps、observability、knowledge platform |
| L4 Governed Scale | 治理化扩展 | risk-tiered gate、AI inventory、evidence binder |
| L5 Adaptive Capability | 自我改进 | feedback-to-eval、benefit realization、portfolio optimization |
路线图不应写成“今年做 30 个 AI use cases”, 而应写成“把若干高复用 AI capabilities 从 L1 提升到 L3, 并让高风险能力具备 L4 治理成熟度”。
3. 方法机制
3.1 从 Use Case 到 Capability Roadmap
一条可执行的规划链路是:
Strategic outcome
-> Value stream
-> Capability map
-> Current / target maturity
-> AI use case cluster
-> Shared architecture runway
-> Governance and evidence gate
-> Sequenced roadmap
关键不是把每个 use case 都推进, 而是识别哪些 use case 可以共同提升同一组 capability。例如 AML summary、欺诈调查、KYC 审查和内部审计都可能共享 evidence retrieval、fact/inference separation、case summarization eval、human escalation operations。
3.2 Portfolio Prioritization
AI capability portfolio 应按四个维度排序:
| 维度 | 问题 |
|---|---|
| Business Value | 是否改善关键价值流、收入、风险、成本或客户体验 |
| Reuse Potential | 是否能支撑多个 use cases 和业务线 |
| Readiness | 数据、流程、owner、平台、治理是否成熟 |
| Risk / Control Fit | 风险等级是否与控制能力匹配 |
决策逻辑可以概括为:
High value + high readiness + high reuse -> Build now
High value + low readiness -> Invest in foundation first
Low value + high reuse -> Platform backlog, not flagship
High risk + weak controls -> Do not scale; use shadow / assist mode
3.3 Architecture Runway
能力规划必须显式包括共享架构跑道:
- Model gateway: 路由、策略、供应商抽象、成本控制。
- Knowledge platform: 来源权威、chunk、索引、权限、freshness、引用。
- EvalOps: golden set、failure taxonomy、judge、人工复核、release gate。
- Tool gateway: tool schema、RBAC/ABAC、policy enforcement、audit。
- Observability: trace、quality、latency、cost、drift、incident。
- Evidence binder: ADR、eval report、risk acceptance、model/system card。
没有这些 runway, use case 成功越多, 重复建设和治理债越重。
4. 证据与控制
Capability planning 的证据不是单个 demo, 而是能力是否可重复、可治理、可扩展。每个关键 capability 至少要回答:
| 证据域 | 判断问题 |
|---|---|
| Process | 是否有稳定流程、异常路径和 handoff |
| Data / Knowledge | source owner、lineage、freshness、permission 是否清楚 |
| Platform | 是否复用 gateway、RAG、EvalOps、observability、tool control |
| Governance | 是否有 risk tier、release gate、audit evidence、incident response |
| People / Operations | 是否有 owner、复核容量、培训、SOP、反馈闭环 |
| Benefit Realization | 是否有 baseline、收益指标、scale/stop 判断 |
成熟度提升必须绑定 gate。L1 到 L2 需要可复制 pattern 和基本 eval; L2 到 L3 需要平台支撑; L3 到 L4 需要风险分层、证据包和审计链路; L4 到 L5 需要真实生产反馈持续进入 eval 和路线图。
5. AI产品/金融零售场景
5.1 AML
把 AML alert summarization 作为孤立 use case, 价值通常有限。把它放到 capability view, 会看到更大的能力组合: AI-assisted investigation、evidence traceability、typology detection support、human escalation operations、feedback-to-rule/model improvement。这些能力可复用到欺诈、KYC、投诉和内部审计。
5.2 客服
Customer service copilot 不是企业资产本身。真正的能力是 customer intent understanding、policy-grounded response、complaint escalation、agent assist workflow、knowledge governance。聊天 UI 可以替换, 但政策知识、引用、权限、feedback、human escalation 和监控能力应沉淀。
5.3 信贷
信贷 AI capability 包括 credit policy interpretation、decision explanation、adverse action reason support、fairness monitoring、override governance。若没有这些能力, 自动化越深入, 客户权益和监管解释风险越高。更稳妥的路线是从资料完整性、政策解释和人工决策支持开始, 同步建设 fairness、trace 和 appeal 能力。
5.4 AI 平台
平台 capability 不直接面对客户, 但决定企业能否从单点 POC 进入规模化运营。Model Gateway、EvalOps、Tool Gateway、AI Observability、Audit Evidence Binder 应作为组合能力投资, 而不是每个 use case 自行解决的技术细节。
6. 反模式
| 反模式 | 表现 | 修正 |
|---|---|---|
| Use case shopping | 看到热门场景就收集需求 | 从 value stream 和 capability gap 出发 |
| Tool-first AI | 先买平台再找能力 | 先定义 capability, 再选平台 |
| Pilot addiction | POC 很多, scale 很少 | 建立 maturity gate 和 platform capability |
| ROI theater | 只写节省工时 | 计算 total system load、风险、复用和能力提升 |
| Governance after scale | 上线后才补审计证据 | 在 capability roadmap 中设计治理能力 |
| Capability as org chart | 把部门名称当能力 | 用稳定业务结果和可重复行为定义 capability |
| Platform as cost center | 平台只被看成基础设施成本 | 用复用率、风险降低和交付加速证明价值 |
7. 最终心智模型
AI capability planning 的心智模型是:
AI transformation
!= more use cases
AI transformation
= strategic value streams
+ reusable capabilities
+ maturity uplift
+ architecture runway
+ risk-tiered governance
+ benefit realization
当看到一个 AI 需求时, 先不要急着定义功能。先问它属于哪个价值流, 提升哪个能力, 依赖哪些平台和治理条件, 成功后能否复用, 当前成熟度是否支撑上线和扩展。用这个视角规划 AI, 才能避免 demo portfolio, 把短期交付转化为企业长期能力。
SOTA 检查 (2026-07-01)
- Capability-Based Planning 框架仍是现役主流, 但版本基线已更新: 本篇 Source Anchors 引用的是 TOGAF 9 文档链接; 现行标准是 TOGAF Standard 10th Edition (2022 发布), Open Group 另有 Business Capability Planning 指南 (2023) 作为 capability planning 的专门扩展。2026 年 EA 社区的共识与本篇一致——"AI 不是工具, 是需要被架构化的企业能力" (map investment to capabilities, not systems), TOGAF ADM 各阶段需显式扩展 AI 考量而非另起框架。
- 本篇"反 pilot addiction / ROI theater"的判断被 2026 数据强化: Gartner 2026 CIO and Technology Executive Survey 显示仅 17% 组织已部署 AI agents (>60% 计划两年内部署), 且仅 21% 组织有成熟治理模型; Gartner 预测 (2025-08 press release) 到 2026 底 40% 企业应用将内嵌 task-specific AI agents, 同时预测超过 40% 的 agentic AI 项目将在 2027 底前被取消——主因正是本篇第 6 节列出的成本失控、业务价值不清、风险控制不足。"maturity gate + platform capability"仍是对症解法。
- 治理锚点 NIST AI RMF 持续演进, Govern/Map/Measure/Manage 闭环仍成立: GenAI Profile (NIST AI 600-1, 2024-07) 之后, 2025-03 更新补充了 poisoning/evasion/data extraction 等 GenAI 威胁类别; 2025-12 NIST 发布 Cybersecurity Framework AI Profile 初稿 (NIST IR 8596); 2026-04 发布关键基础设施 AI RMF Profile 概念稿。本篇的 Governance Capabilities (risk tiering / release gate / evidence) 映射到这些 profile 时无需改结构, 只需扩充控制清单。
- 监管时间线修正: EU AI Act Annex III 高风险义务已推迟至 2027-12-02 (Omnibus, 2026-05-07 确认)。这影响 L4 (Governed Scale) 路线图的排期压力, 但不改变"治理能力先于规模化"的结论——金融业的模型风险管理与消费者保护要求不依赖 AI Act 生效日。
- 本篇需增补的新前沿是 agentic 能力层: 2026 Gartner Hype Cycle for Agentic AI 描述的演进 (embedded assistants → task-specific agents → 2028-2029 collaborative agent ecosystems) 意味着 2.2 节的 taxonomy 应在 Product/Platform 层补充 agent orchestration、agent-level 权限与审计、multi-agent governance 等能力; CSA 也已发布基于 NIST AI RMF 的 Agentic Profile。本篇的 capability≠use case、value stream→capability 映射、maturity gate、architecture runway 五件套属于不随版本过时的框架性结论。
- 库内落地配套: 操作手册版见
docs/AI_CAPABILITY_BASED_PLANNING_BUSINESS_ARCHITECTURE_PLAYBOOK.md(模板/RACI/门禁), 成熟度打分工具见docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.md, 两者与本篇的 L0-L5 maturity model 和证据域表可直接对照使用。