智能体能力成熟度模型 Individual Agentic Capability Maturity Model IACMM

01会用工具不等于有能力

一家科技公司的CHRO在做年度人才规划时，发现了一个困扰：AI培训已经进行了一年，全员参与率超过90%，大多数员工都能说出几个他们在使用的AI工具。但是，当她问到"哪些员工真正改变了工作方式"时，没有人能给出清晰的答案。

她尝试了几种评估方法：测试员工知道多少AI工具——没有区分度；测试员工能否完成某个具体的AI任务——通过率很高，但与实际工作效率无关；请员工自我评估AI能力——几乎所有人都认为自己"已经很好地掌握了AI工具"。

真正的问题出现了：公司的AI工具使用率很高，但生产力提升数据不如预期。培训投入了，工具买了，但那个"从根本上改变工作方式"的转变，没有发生在大多数员工身上。

02四层能力的本质差异

ACMM四个层级的区别，不在于工具的多少或者技术知识的深浅，而在于工作方式的根本差异。

L1：工具使用者。把AI当搜索引擎，交互模式以单次问答为主。"帮我写一段邮件"、"这段代码什么意思"——问一个问题，得到一个答案。AI是辅助工具，人仍然是核心执行主体。这个层级的标志性特征是：AI离开了，工作还是那样，只是少了一个帮手。

L2：协作设计者。开始有意识地设计与AI的协作方式：拆解任务、分配角色、迭代优化提示词。这是一个重要进步，但本质上，执行者还是自己——AI帮忙做一些子任务，人汇总完成。L2的标志性特征是：在描述自己的工作时，会说"我用AI帮我做X"。

L3：系统驾驭者。能够设计端到端的Agent工作流，让Agent系统替自己完成工作，自己只需要做判断和审核。产出可以规模化——同样的工作流可以处理更多任务，而不需要增加自己的执行时间。L3的标志性特征是：在描述自己的工作时，会说"我设计了一个系统，它在帮我做X"。

L4：系统构建者。从零构建供他人使用的AI能力基础设施，包含Eval体系，能够自我评估和迭代。L4的稀缺性远高于L3——一个L4人才可以赋能整个团队达到L3，但10个L3人才无法自动产生一个L4。L4是当前企业AI能力最稀缺、最宝贵的人才类型。

03L2到L3：最关键也最困难的跃迁

理解ACMM框架的核心，需要深刻理解L2到L3之间的跃迁为什么如此关键。

L2到L3不是量的积累，而是质的转变：从"和AI一起做事"到"让AI替自己做事"，从"执行者"到"设计者和审核者"。这个转变要求一种根本不同的工作心态——放手，相信系统，把判断和设计视为自己的核心价值，而不是执行本身。

这个转变为什么困难？因为它触及了许多人对"工作"的深层认知：觉得自己必须亲自做才能保证质量（"AI做的我不放心"）；不知道如何把工作拆解成Agent可执行的流程（"不知道从哪里开始"）；不清楚哪些该交给AI、哪些必须自己做（"没有明确的判断标准"）。

L2到L3的生产力差距可达5-10倍。停留在L2是当前最普遍也最危险的能力陷阱——不是因为L2没有价值，而是因为市场对L3能力的需求正在快速增长，而供给严重不足。一个停留在L2的人，在未来两三年内面临的竞争压力，会远大于一个已经迈入L3的人。

04评估的对象是工作方式，不是知识储备

ACMM评估最常见的误用，是把它变成了知识测试或工具清单评估。一个人可以能说出二十个AI工具的名字，但仍然处于L1；一个人可以只用三个工具，但已经在L3工作。工具数量与ACMM等级无关，知识储备量与ACMM等级无关，使用AI的年限也与ACMM等级无关。

正确的评估问题是具体的行为问题："你设计过端到端的Agent工作流吗？""你能否设计一个72小时无需人工干预的自动化流程？""你的工作流在过去一个月处理了多少任务？你花了多少时间在设计和审核上，而不是执行上？"

ACMM等级的评估，需要有具体的行为证据支撑，而不是主观感受。"我感觉自己处于L3"不是证据；"我设计了一个每天自动处理200份合同的工作流，我只需要审核标记为异常的5%"才是证据。

05跃迁路径的设计

识别了当前等级和跃迁障碍之后，ACMM框架的最终输出是一份可执行的跃迁路径设计。这个设计的核心是工作方式重构计划，而不是培训课程清单。

L1到L2的跃迁，重点是培养协作意识：开始有意识地拆解任务，为AI分配角色，追踪哪种提示词模式效果更好。这个阶段需要的不是新的技术知识，而是一种新的工作习惯。

L2到L3的跃迁，需要真实项目实践，而不是培训。找到工作中一个重复性强、有明确输出标准的任务，尝试设计一个能够自主完成它的Agent工作流。第一个工作流会很粗糙，但完成这个过程，比任何培训都更有价值。

L3到L4的跃迁，需要系统构建能力：从零设计一个包含Eval体系的Agent系统，供他人使用。这要求工程化思维，能够将个人的工作方式转化为可复用的基础设施。

06那个CHRO的解决方案

那家科技公司的CHRO，在引入ACMM框架之后，重新设计了AI能力评估体系。这一次，评估不是测试"你知道多少AI工具"，而是要求员工提交一份工作方式变化的证明：展示你在过去一个月中，如何改变了某个工作流程，节省了多少时间，质量如何变化。

评估结果揭示了一个更真实的能力分布：全员中约65%处于L1，25%处于L2，9%处于L3，只有1%处于L4。L1和L2的大量存在，解释了为什么工具使用率高但生产力提升有限——人们在用工具，但没有改变工作方式。

基于这份诊断，公司制定了差异化的培训和激励策略：将L3人才识别出来并给予更多资源；设计专门的L2→L3跃迁项目，让员工在真实工作项目中完成工作方式的重构；重新设计绩效考核，开始评估"你让系统做了多少工作"，而不只是"你做了多少工作"。一年后，L3比例从9%提升到了21%。

T1理论来源与学术引证

以下为本框架的理论基础说明，提炼自正文中的理论注释块。

T2框架定位与适用边界

本框架是管理实践工具，为高管和研究者提供结构化分析视角，不提供可直接验证的因果预测。其有效性依赖于：分析者对所在行业的深度认知、可获取的组织数据质量、以及将分析结论与具体决策场景相结合的能力。

智能体时代的框架有一个共同的时效性问题——AI 技术演化速度快于传统战略框架的更新周期。建议每 12–18 个月对本框架的核心假设进行一次复盘，检视其前提条件是否仍然成立。