چهارچوب‌های بلوغ هوش مصنوعی

چهارچوب‌های بلوغ هوش مصنوعی در سال ۲۰۲۵: راهنمایی جامع، کاربردی و غنی‌شده برای سازمان‌های پیشرو

در دنیای فناوری سال ۲۰۲۵، هوش مصنوعی (AI) به عنوان یک نیروی محرکه کلیدی برای تحول دیجیتال ظاهر شده است. طبق گزارش مک‌کینزی در سال ۲۰۲۵، ۸۸ درصد سازمان‌ها حداقل در یک عملکرد تجاری از AI استفاده می‌کنند، اما تنها ۳۳ درصد آن را در مقیاس گسترده پیاده‌سازی کرده‌اند [1]. این شکاف، که در گزارش‌های جهانی مانند AI Index ۲۰۲۵ استنفورد نیز برجسته شده، نشان‌دهنده نیاز به چهارچوب‌های بلوغ AI است که سازمان‌ها را در ارزیابی، بهبود و هم‌راستایی AI با اهداف تجاری یاری کنند [2]. این مقاله به بررسی جامع چهارچوب‌های بلوغ AI می‌پردازد، با تمرکز بر مدل‌های معتبر مانند گارتنر، مک‌کینزی، CMMI، شاخص‌های آمادگی PwC و Deloitte، استاندارد ISO/IEC TR ۲۴۰۲۸ و اصول OECD. هدف، ارائه راهنمایی کاربردی برای سازمان‌ها جهت ارزیابی، بهبود و هم‌راستایی AI با اهداف تجاری است. مقاله بر اساس داده‌های به‌روز تا دسامبر ۲۰۲۵ تدوین شده و شامل مقایسه، پیشنهادهای عملی، بنچ‌مارک‌های جهانی، کیس استادی‌های واقعی از شرکت‌هایی مانند مایکروسافت، IBM، JPMorgan Chase و AXA، و توضیح مفصلی در مورد شرکت‌های ارائه‌دهنده این چهارچوب‌ها است. برای غنی‌سازی، از جداول مقایسه‌ای، اشکال گرافیکی و لینک به تصاویر مرتبط استفاده شده تا درک بصری افزایش یابد.

شرکت‌های ارائه‌دهنده چهارچوب‌ها: نگاهی عمیق‌تر

شرکت‌های ارائه‌دهنده این چهارچوب‌ها، به عنوان رهبران جهانی در تحقیق، مشاوره و استانداردسازی، نقش کلیدی در شکل‌دهی به اکوسیستم AI ایفا می‌کنند. در سال ۲۰۲۵، این سازمان‌ها با تمرکز بر AI agents، حاکمیت و ارزش‌آفرینی، گزارش‌های خود را به‌روزرسانی کرده‌اند تا سازمان‌ها را برای چالش‌های مقیاس‌پذیری آماده کنند. برای مثال، تمرکز بر Agentic AI در گزارش‌های PwC و Deloitte نشان‌دهنده رشد ۲۳ درصدی در پیاده‌سازی agents در سازمان‌ها است [3].

• گارتنر (Gartner Inc.): یک شرکت تحقیقاتی و مشاوره‌ای پیشرو در حوزه فناوری اطلاعات، تأسیس‌شده در ۱۹۷۹، با بیش از ۲۰,۰۰۰ کارمند و درآمد سالانه بیش از ۵ میلیارد دلار. گارتنر با گزارش‌های چرخه هیپ (Hype Cycle) و Magic Quadrant شناخته می‌شود و در ۲۰۲۵، بر AI agents و بلوغ عملیاتی تمرکز دارد. خدمات آن شامل مشاوره برای CIOها، ابزارهای ارزیابی و پیش‌بینی روندها است، که به سازمان‌ها کمک می‌کند تا ROI AI را بهینه کنند. در سال ۲۰۲۵، گارتنر پیش‌بینی می‌کند که ۷۰ درصد سازمان‌ها از AI agents برای تصمیم‌گیری‌های پیچیده استفاده خواهند کرد [4].
• مک‌کینزی اند کمپانی (McKinsey & Company): یک شرکت مشاوره مدیریت جهانی، تأسیس‌شده در ۱۹۲۶، با بیش از ۳۸,۰۰۰ کارمند در ۱۳۰ کشور و درآمد سالانه حدود ۱۵ میلیارد دلار. تمرکز آن بر تحول دیجیتال، AI و استراتژی‌های کسب‌وکاری است. در ۲۰۲۵، مک‌کینزی بر AI agents و تأثیر بر EBIT تأکید دارد و گزارش‌های سالانه “State of AI” را منتشر می‌کند، که بر اساس نظرسنجی از ۱,۹۹۳ رهبر در ۱۰۵ کشور تدوین شده. این گزارش نشان می‌دهد که تنها ۶ درصد سازمان‌ها تأثیر قابل توجهی بر EBIT از AI دیده‌اند [1].
• موسسه CMMI (CMMI Institute): بخشی از ISACA (Information Systems Audit and Control Association)، تأسیس‌شده در ۱۹۸۷، با تمرکز بر مدل‌های بلوغ قابلیت برای بهبود فرآیندها. در ۲۰۲۵، CMMI V3.0 را برای AI تطبیق داده و بر ادغام GenAI در فرآیندهای مهندسی تأکید دارد. خدمات آن شامل appraisals و گواهینامه‌ها برای هزاران شرکت جهانی است. CMMI در سال ۲۰۲۵ بر مدیریت AI-driven capabilities تمرکز کرده و آن را با اهداف تجاری هم‌راستا می‌کند [5].
• پی‌دبلیوسی (PwC – PricewaterhouseCoopers): یک شبکه خدمات حرفه‌ای چندملیتی، تأسیس‌شده در ۱۹۹۸ (ادغام Price Waterhouse و Coopers & Lybrand)، با بیش از ۳۲۸,۰۰۰ کارمند در ۱۵۲ کشور و درآمد سالانه ۵۳ میلیارد دلار. در حوزه AI، بر آمادگی سازمانی، Agentic AI و تأثیر ماکرواقتصادی تمرکز دارد. گزارش‌های ۲۰۲۵ PwC، مانند AI Jobs Barometer، بر اساس تحلیل یک میلیارد آگهی شغلی، نشان‌دهنده افزایش ۵۶ درصدی حقوق برای مهارت‌های AI است [6].
• دیلویت (Deloitte Touche Tohmatsu Limited): یک شبکه خدمات حرفه‌ای چندملیتی، تأسیس‌شده در ۱۸۴۵، با بیش از ۴۵۷,۰۰۰ کارمند در ۱۵۰ کشور و درآمد سالانه ۶۵ میلیارد دلار. گزارش‌های آن بر روندهای AI، چالش‌های پذیرش و sovereign AI تمرکز دارد. در ۲۰۲۵، Deloitte بر AI trends مانند agentic و physical AI تأکید کرده و به عنوان Leader در Gartner Magic Quadrant شناخته شده. پیش‌بینی می‌کند که ۲۵ درصد سازمان‌ها از GenAI در ۲۰۲۵ استفاده کنند [7].
• سازمان ISO (International Organization for Standardization): یک سازمان بین‌المللی مستقل، تأسیس‌شده در ۱۹۴۷، با ۱۶۹ عضو و تمرکز بر استانداردهای جهانی برای فناوری، ایمنی و کیفیت. ISO/IEC TR ۲۴۰۲۸ در ۲۰۲۰ منتشر شد و در ۲۰۲۵ با راهنماهای جدید مانند FUTURE-AI ترکیب شده، بر اعتماد و اخلاق AI تأکید دارد [8].
• سازمان OECD (Organisation for Economic Co-operation and Development): یک سازمان بین‌المللی، تأسیس‌شده در ۱۹۶۱، با ۳۸ کشور عضو و تمرکز بر سیاست‌های اقتصادی و اجتماعی. اصول AI OECD در ۲۰۱۹ و به‌روزرسانی ۲۰۲۴، بر حاکمیت جهانی و مسئولیت‌پذیری تأکید دارد. در ۲۰۲۵، OECD AI Capability Indicators را معرفی کرده تا قابلیت‌های AI را با توانایی‌های انسانی بنچ‌مارک کند [9].

فهرست مطالب

• • مقدمه
  • چهارچوب بلوغ AI گارتنر
    • ۱.۲.۱. معرفی مدل و تکامل آن در ۲۰۲۵
    • ۱.۲.۲. حوزه‌های ارزیابی هفت‌گانه و شاخص‌های کلیدی عملکرد (KPI)
    • ۱.۲.۳. مراحل پنج‌گانه بلوغ: از Ad Hoc تا Transformative
    • ۱.۲.۴. نقش Agentic AI در مدل ۲۰۲۵ گارتنر
    • ۱.۲.۵. راهنمای عملی: گام‌های اجرا و ابزارهای کمکی
  • مدل بلوغ AI مک‌کینزی
  • مدل یکپارچه‌سازی بلوغ قابلیت (CMMI) برای AI

• شاخص آمادگی AI – PwC و Deloitte
• استاندارد ISO/IEC TR ۲۴۰۲۸: اعتماد در AI
• اصول AI OECD: حاکمیت بین‌المللی
• بنچ‌مارک‌های جهانی و مقایسه چهارچوب‌ها
• جمع‌بندی و پیشنهادهای عملی
• مراجع

مقدمه

با پیشرفت سریع AI در سال ۲۰۲۵، سازمان‌ها نیاز به ابزارهایی برای سنجش بلوغ خود دارند. گزارش گارتنر نشان می‌دهد که ۴۵ درصد سازمان‌های با بلوغ بالا، پروژه‌های AI را حداقل سه سال عملیاتی نگه می‌دارند [10]. بنچ‌مارک‌های جهانی مانند AI Index ۲۰۲۵ استنفورد، سرمایه‌گذاری خصوصی AI در آمریکا را ۱۰۹.۱ میلیارد دلار تخمین می‌زند، در حالی که چین در انتشارات و پتنت‌ها پیشتاز است [2]. این چهارچوب‌ها نه تنها ارزیابی می‌کنند، بلکه roadmap برای بهبود ارائه می‌دهند. در این مقاله، برترین مدل‌ها بررسی شده و بر جنبه‌های عملی مانند هم‌راستایی تجاری، حاکمیت اخلاقی و زیرساخت تمرکز شده است. برای غنی‌سازی، بنچ‌مارک‌هایی مانند ۸۸% adoption در McKinsey و ۴۰% ROI در PwC، همراه با کیس استادی‌های برتر جهانی از Fortune 500، اضافه شده تا سازمان‌ها بتوانند از تجربیات واقعی الهام بگیرند [1]، [6].

چهارچوب بلوغ AI گارتنر

گارتنر در چرخه هیپ AI سال ۲۰۲۵، بر بلوغ فراتر از GenAI تأکید دارد [4]. مدل بلوغ گارتنر سازمان‌ها را در هفت حوزه ارزیابی می‌کند: استراتژی، محصول، حاکمیت، مهندسی، داده، مدل‌های عملیاتی و فرهنگ. سطوح بلوغ از “Ad Hoc” (آغازین، بدون ساختار) تا “Collaborative” (همکاری‌محور) و “Transformative” (تحول‌آفرین) طبقه‌بندی می‌شود، که هر سطح با KPIهای خاص مانند نرخ موفقیت پروژه‌های AI (بالای ۷۰ درصد در سطوح بالا) همراه است. بنچ‌مارک: ۸۰% سازمان‌های با بلوغ بالا از AI در پشتیبانی بهره می‌برند [11]. در ۲۰۲۵، گارتنر سطوح را به‌روزرسانی کرده تا شامل Agentic AI باشد، با تمرکز بر maturity metrics مانند پایداری پروژه‌ها (۴۵% بیش از ۳ سال) [10].

تمرکز اصلی: سنجش آمادگی کلی برای ROI مثبت از AI، با تأکید بر ادغام AI در عملیات روزانه و Agentic AI.

شاخص‌های کلیدی: سطوح از Ad Hoc تا Transformative، با ابزارکیتی برای ارزیابی. برای مثال، در حوزه فرهنگ، سنجش نرخ پذیرش کارکنان (هدف: بالای ۸۰ درصد) و در مهندسی، کیفیت مدل‌ها (دقت بالای ۹۰ درصد). بنچ‌مارک: ۴۵% پروژه‌ها در سطوح بالا بیش از ۳ سال پایدار می‌مانند [10].

مزایا در ۲۰۲۵: پیش‌بینی ۸۰% استفاده از AI در پشتیبانی برای بهبود بهره‌وری [11]. این مدل انعطاف‌پذیر است و با ابزارهای MLOps مانند Azure ML ادغام می‌شود. بنچ‌مارک جهانی: طبق AI Index، مدل‌های چینی کیفیت را به سطح آمریکایی‌ها نزدیک کرده‌اند [2].

کاربرد عملی: سازمان‌ها می‌توانند از toolkit گارتنر برای شناسایی نقاط ضعف استفاده کنند، مانند بهبود فرهنگ پذیرش AI از طریق آموزش‌های آنلاین. برای مثال، اگر در مرحله “Ad Hoc” هستید، با پروژه‌های آزمایشی کوچک مانند چت‌بات داخلی شروع کنید و پیشرفت را با KPIهایی مانند کاهش زمان پاسخ‌دهی (تا ۵۰ درصد) اندازه‌گیری کنید. بنچ‌مارک: ۶۳% سازمان‌های بالا، ROI را با تحلیل مالی اندازه‌گیری می‌کنند [1].

کیس استادی‌های برتر جهانی: شرکت LXT در گزارش “The Path to AI Maturity” از مدل گارتنر برای ارزیابی بلوغ خود استفاده کرد و از سطح “Ad Hoc” به “Standardized” رسید، که منجر به افزایش ۳۰ درصدی کارایی در پردازش داده‌ها شد [12]. Aera Technology با تمرکز روی Composite AI، تصمیم‌گیری‌های خود را بهینه کرد و بهره‌وری را تا ۴۰ درصد افزایش داد [13]. همچنین، JPMorgan Chase با بیش از ۳۰۰ use case AI، fraud detection را ۲۰-۳۰۰% بهبود بخشید [14].

شکل : مدل بلوغ گارتنر (۵ سطح اصلی).
(تصویر گرافیکی: نشان‌دهنده پیشرفت از Ad Hoc به Transformative با محورهای هفت‌گانه).

۱.۲.۱. معرفی مدل و تکامل آن در ۲۰۲۵

چارچوب بلوغ هوش مصنوعی گارتنر یک مدل پویا و ابزاری استراتژیک است که به سازمان‌ها کمک می‌کند وضعیت فعلی قابلیت‌های AI خود را ارزیابی کرده و نقشه راهی برای تحول مبتنی بر داده ترسیم کنند. این مدل بر پایه تحقیقات گسترده گارتنر و رصد چرخه‌های هیپ (Hype Cycles) و ربع جادویی (Magic Quadrant) بنا شده است. در سال ۲۰۲۵، گارتنر با انتشار گزارش “Hype Cycle for Artificial Intelligence, 2025“، تأکید خود را از تمرکز صرف بر مدل‌های زبانی بزرگ (LLMs) و هوش مصنوعی مولد (GenAI) به سمت هوش مصنوعی عاملی (Agentic AI) و بلوغ عملیاتی (Operational Maturity) تغییر داده است. هدف نهایی، تبدیل AI از یک ابزار آزمایشی به یک قابلیت اصلی و تولیدکننده ارزش پایدار در هسته عملیات کسب‌وکار است.

۱.۲.۲. حوزه‌های ارزیابی هفت‌گانه و شاخص‌های کلیدی عملکرد (KPI)

مدل گارتنر بلوغ سازمان را در هفت حوزه حیاتی و به هم پیوسته می‌سنجد. موفقیت در هر حوزه، پیش‌نیاز پیشرفت در حوزه‌های دیگر است:

۱.۲.۳. مراحل پنج‌گانه بلوغ: از Ad Hoc تا Transformative

سازمان‌ها در مسیر بلوغ، پنج مرحله متمایز را پشت سر می‌گذارند. عبور از هر مرحله نیازمند رسیدن به سطحی مشخصی از قابلیت در تمامی حوزه‌های هفت‌گانه است:

1. آغازین (Ad Hoc): AI به صورت پراکنده و پروژه‌ای استفاده می‌شود. هیچ استراتژی، حاکمیت یا فرآیند استانداردی وجود ندارد. موفقیت وابسته به تلاش‌های فردی است.
2. آگاهانه (Aware): سازمان از پتانسیل AI آگاه است و پروژه‌های آزمایشی را با اهداف یادگیری اجرا می‌کند. معمولاً یک تیم کوچک پیشرو تشکیل شده است.
3. فعال (Active): چندین پروژه AI با موفقیت اجرا شده‌اند. فرآیندهای اولیه برای توسعه و حاکمیت تعریف شده‌اند. سازمان شروع به سرمایه‌گذاری متمرکز می‌کند.
4. کارآمد (Operational): AI به طور سیستماتیک در چندین واحد کسب‌وکار ادغام شده است. فرآیندها استاندارد و مقیاس‌پذیر هستند. اندازه‌گیری ارزش آغاز می‌شود.
5. تحول‌آفرین (Transformative): AI یک توانمندساز استراتژیک و متمایزکننده رقابتی است. نوآوری مداوم، اتوماسیون پیشرفته و سیستم‌های عاملی (Agentic Systems) جریان ارزش جدیدی خلق می‌کنند. فرهنگ سازمانی کاملاً مبتنی بر داده و AI است.

۱.۲.۴. نقش Agentic AI در مدل ۲۰۲۵ گارتنر

در چشم‌انداز ۲۰۲۵، گارتنر ظهور سیستم‌های عاملی خودمختار (Autonomous Agentic Systems) را به عنوان نقطه عطف بلوغ عملیاتی می‌داند. این سیستم‌ها که می‌توانند اهداف پیچیده را با قابلیت تصمیم‌گیری، یادگیری و تعامل با محیط انجام دهند، در مرحله “تحول‌آفرین” مدل گارتنر قرار می‌گیرند. سازمان‌های پیشرو در حال ساخت یا استفاده از عامل‌های هوشمند برای:

• تحقیق و توسعه خودکار: عامل‌هایی که فرضیه‌های علمی را تولید و آزمایش می‌کنند.
• عملیات تجاری پیوسته: عامل‌هایی که فرآیندهای end-to-end مانند تدارکات، خدمات مشتری یا مدیریت ریسک مالی را بدون وقفه مدیریت می‌کنند.
• شخصی‌سازی در مقیاس: عامل‌های اختصاصی که برای هر مشتری یا کارمند سفارشی‌سازی می‌شوند.

گارتنر پیش‌بینی می‌کند که تا پایان ۲۰۲۷، بیش از ۴۰ درصد از تعاملات با برنامه‌های کاربردی سازمانی از طریق عامل‌های هوشمند واسط انجام خواهد شد. بنابراین، ارزیابی آمادگی برای پذیرش و مدیریت Agentic AI، بخش جدایی‌ناپذیر از ارزیابی بلوغ در سال جاری است.

۱.۲.۵. راهنمای عملی: گام‌های اجرا و ابزارهای کمکی

برای بهره‌گیری عملی از این چارچوب، گارتنر راهنمای گام‌به‌گام زیر را پیشنهاد می‌دهد:

1. تشخیص وضعیت موجود (Assess): استفاده از ابزارهای ارزیابی خودکار گارتنر (مانند Gartner AI Maturity Assessment Tool) یا برگزاری کارگاه‌های ارزیابی با مشاوران برای تعیین دقیق مرحله فعلی در هر حوزه.
2. تعیین فاصله و هدف‌گذاری (Target): شناسایی شکاف (Gap) بین وضع موجود و وضع مطلوب (مثلاً حرکت از “فعال” به “کارآمد”). تعیین اهداف SMART برای یک تا دو حوزه کلیدی که بیشترین تأثیر را دارند.
3. تدوین نقشه راه (Roadmap): طراحی یک برنامه عمل ۱۲ تا ۱۸ ماهه با اقدامات مشخص، مسئولین و جدول زمانی. این برنامه باید شامل سرمایه‌گذاری در فناوری (مانند پلتفرم‌های MLOps)، توسعه مهارت‌ها و تنظیم فرآیندهای حاکمیت باشد.
4. اجرا و یکپارچه‌سازی (Execute & Integrate): اجرای پروژه‌های پایلوت در مقیاس کوچک و سپس تعمیم موفقیت‌ها. اطمینان از ادغام عمیق راه‌حل‌های AI با سیستم‌های هسته‌ای مانند ERP و CRM.
5. اندازه‌گیری و تکرار (Measure & Iterate): پیگیری مستمر KPIهای تعریف شده و ارزش ایجاد شده. استفاده از این داده‌ها برای اصلاح استراتژی و تکرار چرخه بلوغ. سازمان‌های پیشرو این ارزیابی را حداقل سالیانه تکرار می‌کنند.

گارتنر تأکید می‌کند که این سفر خطی نیست و ممکن است سازمان‌ها در حوزه‌های مختلف در مراحل متفاوتی باشند. کلید موفقیت، مدیریت یکپارچه و متوازن تمامی هفت حوزه در طول زمان است.

مدل بلوغ AI مک‌کینزی

گزارش “وضعیت AI در ۲۰۲۵” مک‌کینزی نشان‌دهنده رشد سه برابری استفاده از AI agents است [1]. مدل مک‌کینزی بر هم‌راستایی AI با اهداف تجاری تمرکز دارد و مراحل آن از آزمایش (Starters/Experimenters) تا مقیاس‌پذیری و عملکرد بالا (Leaders) را پوشش می‌دهد، با ارزیابی کمی مانند تأثیر بر EBIT (سود قبل از بهره و مالیات). بنچ‌مارک: ۸۸% سازمان‌ها AI را در حداقل یک تابع استفاده می‌کنند، اما تنها ۳۳% مقیاس‌پذیری دارند [1].

تمرکز اصلی: توانمندسازی سازمانی و تأثیر بر EBIT، با تأکید بر نیروی انسانی و تحول workflowها. بنچ‌مارک: ۶۲% سازمان‌ها AI agents را آزمایش می‌کنند [1].

شاخص‌های کلیدی: استراتژی و چشم‌انداز (همسویی با اهداف، مانند ادغام AI در ۷۲ درصد عملکردها)، افراد و فرهنگ (مهارت‌ها، با تمرکز روی استخدام متخصصان AI در ۳۲ درصد موارد)، فرآیندها (بازطراحی workflow با AI agents)، فناوری و داده (معماری داده و MLOps)، حاکمیت و ریسک (مدیریت چهار ریسک اصلی). بنچ‌مارک: ۳۹% گزارش افزایش EBIT [1].

مزایا نسبت به گارتنر: تمرکز روی AI agents و کاهش ریسک‌ها. این مدل تأثیر واقعی بر سود را اندازه‌گیری می‌کند، مانند افزایش ۳۹ درصدی EBIT. بنچ‌مارک جهانی: AI می‌تواند ۴.۴ تریلیون دلار بهره‌وری اضافه کند [15].

کاربرد عملی: برای کسب‌وکارها، با اندازه‌گیری تأثیر بر درآمد شروع کنید، مانند استفاده از AI agents در بازاریابی برای افزایش ۵۰ درصدی رضایت مشتری. ابزارهای آنلاین مک‌کینزی مانند ارزیابی خودکار را برای roadmap شش‌ماهه استفاده کنید. بنچ‌مارک: ۹۲% شرکت‌ها سرمایه‌گذاری AI را افزایش می‌دهند [15].

کیس استادی‌های برتر جهانی: شرکت Jubilant Ingrevia در هند، با مدل مک‌کینزی، تحول دیجیتال را اجرا کرد و کارایی عملیاتی را افزایش داد [16]. بانک Pichincha در اکوادور، اکوسیستم خدمات را گسترش داد و مشتریان را ۲۵% افزایش داد [16]. Mastercard با AI، fraud detection را ۲۰-۳۰۰% بهبود بخشید [17]. همچنین، Guardian Life Insurance از مدل برای مقیاس‌پذیری AI استفاده کرد و تأثیر مالی را دو برابر کرد [18].

مدل یکپارچه‌سازی بلوغ قابلیت (CMMI) برای AI

CMMI، تطبیق‌یافته برای AI در ۲۰۲۵، فرآیندهای مهندسی مدل‌ها را ارزیابی می‌کند [5]. این مدل سطوح را به صورت کمی مدیریت می‌کند و با AI مانند Robotic Process Automation ادغام می‌شود. بنچ‌مارک: ۷۰% سازمان‌های سطح ۵ (Optimizing)، کیفیت را ۳۵% بهبود می‌بخشند [19].

تمرکز اصلی: بلوغ فرآیندها و استانداردهای مهندسی، از سطوح اولیه تا بهینه‌سازی، با تمرکز روی کیفیت و کارایی.

شاخص‌های کلیدی: Initial (نامنظم، با ریسک بالا)، Managed (مدیریت‌شده)، Defined (تعریف‌شده)، Quantitatively Managed (کمی مدیریت‌شده)، Optimizing (بهینه‌سازی). بنچ‌مارک: زمان توسعه از روزها به ساعت‌ها کاهش می‌یابد [5].

مزایا: ارزیابی دقیق و کمی کیفیت پیاده‌سازی AI، ایده‌آل برای پروژه‌های پیچیده. بنچ‌مارک جهانی: ۶۵% تولیدکنندگان، داده‌های ضعیف را مانع اصلی می‌دانند [20].

کاربرد عملی: اگر در مرحله Managed هستید، فرآیندهای استاندارد مانند تست مدل‌ها را تعریف کنید. از appraisals CMMI برای گواهینامه استفاده کنید. بنچ‌مارک: ۱۶ دستیار AI در Cognizant، کارایی را ۳۵% افزایش داد [19].

کیس استادی‌های برتر جهانی: BTS Group با CMMI، رضایت مشتریان را افزایش داد [21]. Cognizant با GenAI، ۱۶ دستیار AI توسعه داد [22]. IBM به AI WG CMMI پیوست و بهترین شیوه‌ها را برای AI اعمال کرد [23]. Italgas Group از CMMI برای مقیاس‌پذیری AI در انرژی استفاده کرد و هزینه‌ها را ۲۵% کاهش داد [18].

شکل 3: سطوح CMMI برای AI
شکل از Initial تا Optimizing

شاخص آمادگی AI – PwC و Deloitte

PwC در ۲۰۲۵ بر ارزیابی آمادگی AI تمرکز دارد، با تأکید بر Agentic AI [6]. Deloitte چالش‌های پذیرش مانند حاکمیت را برجسته می‌کند [7]. بنچ‌مارک: ۸۸% مدیران، بودجه AI را افزایش می‌دهند [24].

تمرکز اصلی: آمادگی سازمان برای استقرار AI، با توجه به زیرساخت، داده و فرهنگ، و تأکید روی sovereign AI.

شاخص‌های کلیدی: داده (کیفیت و دسترسی، بر اساس قانون ۸۰/۲۰)، زیرساخت (On-Prem و Cloud)، مهارت‌ها و فرهنگ (نیروی کار برای نظارت AI)، استراتژی و حاکمیت (roadmap، با ROI ۶۰ درصدی). بنچ‌مارک: ۵۶% حقوق premium برای مهارت‌های AI [6].

مزایا: معیارهای سریع برای پروژه‌های On-Prem، با تمرکز روی مسئولیت AI. بنچ‌مارک جهانی: Telecom بالاترین آمادگی را دارد [25].

کاربرد عملی: از ارزیابی PwC برای شروع سریع استفاده کنید. Deloitte پیشنهاد sovereign AI برای کاهش وابستگی می‌دهد. بنچ‌مارک: ۷۹% شرکت‌ها AI agents را اتخاذ کرده‌اند [26].

کیس استادی‌های برتر جهانی: PwC در گزارش ماکرواقتصادی، MNCs را با ROI ۶۰% نشان داد [27]. Deloitte در financials، sovereign AI را برای امنیت اعمال کرد [28]. Verizon در Telecom، AI را برای شبکه‌ها بهینه کرد و downtime را ۳۰% کاهش داد [25]. همچنین، HSBC با PwC، AI را برای compliance پیاده کرد و ریسک را ۴۰% کم کرد [29].

استاندارد ISO/IEC TR ۲۴۰۲۸: اعتماد در AI

این استاندارد از ۲۰۲۰، بر اعتماد تمرکز دارد و در ۲۰۲۵ با FUTURE-AI ترکیب شده [8]. بنچ‌مارک: ۹۵% دقت در سیستم‌های اعتمادپذیر [30].

تمرکز اصلی: امنیت، اخلاق و اعتماد، با پوشش robustness و privacy.

شاخص‌های کلیدی: Explainability، Robustness & Reliability، Privacy & Security، Human oversight. بنچ‌مارک: کاهش ۴۰% آسیب‌پذیری [31].

مزایا: پوشش الزامات اخلاقی برای داده‌های حساس On-Prem.

کاربرد عملی: در حوزه سلامت و بهداشت، توضیح‌پذیری را با SHAP اعمال کنید. بنچ‌مارک: NIST AI 100-5e2025، استانداردهای اعتماد را به‌روزرسانی کرد [32].

کیس استادی‌های برتر جهانی: سیستم تشخیص عابر پیاده با ISO، دقت را ۹۵% بهبود بخشید [30]. SG Systems در manufacturing، AI را قابل اعتماد کرد [31]. Siemens با ISO، AI را در زنجیره تأمین اعمال کرد و ریسک را ۳۵% کاهش داد [8].

اصول AI OECD: حاکمیت بین‌المللی

اصول OECD در ۲۰۲۴ به‌روزرسانی شده و بر ارزش‌های انسانی تأکید دارد [9]. بنچ‌مارک: ۱۷ کشور چهارچوب‌های اخلاقی هم‌راستا دارند [33].

تمرکز اصلی: حاکمیت و اخلاق AI، با تمرکز روی مسئولیت‌پذیری جهانی.

شاخص‌های کلیدی: Transparency، Accountability، Human-centered design، Robustness & Security. بنچ‌مارک: AI Capability Indicators برای مقایسه با انسان [34].

مزایا: معیارهای بین‌المللی برای مسئولیت‌پذیری.

کاربرد عملی: مکمل مدل‌های فنی برای سازمان‌های بین‌المللی. بنچ‌مارک: ۲۰۰ use case دولتی [35].

کیس استادی‌های برتر جهانی: IBM با OECD، شفافیت را بهبود بخشید [36]. Schneider Electric زنجیره تأمین را ۳۰% بهینه کرد [37]. AXA، AWS و Meta اصول را پیاده کردند و اعتماد مشتریان را ۲۵% افزایش دادند [36]. فنلاند از AI برای ارزیابی شواهد استفاده کرد [38].

بنچ‌مارک‌های جهانی و مقایسه چهارچوب‌ها

بنچ‌مارک‌های ۲۰۲۵ نشان‌دهنده شکاف adoption (۸۸%) و maturity (۳۳% scaling) است [1]. جدول زیر مقایسه‌ای بر اساس داده‌های ۲۰۲۵ ارائه می‌دهد:

جمع‌بندی و پیشنهادهای عملی

در ۲۰۲۵، سازمان‌های پیشرو مانند مایکروسافت و IBM از مدل ترکیبی استفاده می‌کنند: عملیاتی از گارتنر، تجاری از مک‌کینزی، فرآیندی از CMMI، آمادگی از PwC/Deloitte، و اخلاق از ISO/OECD. بنچ‌مارک: leaders ۱۵-۳۰% بهره‌وری افزایش می‌دهند [14]. پیشنهاد: با toolkit گارتنر شروع کنید، roadmap شش‌ماهه تعریف کنید: ماه اول فرهنگ، ماه دوم فرآیندها، ماه‌های بعدی اعتماد. این رویکرد ریسک‌ها را کاهش و ارزش را افزایش می‌دهد.

مراجع

1. 1. 1. 1. McKinsey & Company, “The State of AI: Global Survey 2025,” Nov. 2025. [Online]. Available: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
         2. Stanford HAI, “The 2025 AI Index Report,” 2025. [Online]. Available: https://aiindex.stanford.edu/report/
         3. PwC, “PwC’s AI Agent Survey,” 2025. [Online]. Available: https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-agent-survey.html
         4. Gartner, “The 2025 Hype Cycle for Artificial Intelligence…,” Jul. 2025. [Online]. Available: https://www.gartner.com/en/articles/hype-cycle-for-artificial-intelligence
         5. ISACA, “2025 Volume 3 CMMI in the AI Age,” May 2025. [Online]. Available: https://www.isaca.org/resources/isaca-journal/issues/2025/volume-3/cmmi-in-the-ai-age
         6. PwC, “PwC 2025 Global AI Jobs Barometer,” Jun. 2025. [Online]. Available: https://www.pwc.com/gx/en/news-room/press-releases/2025/ai-linked-to-a-fourfold-increase-in-productivity-growth.html
         7. Deloitte, “AI Trends 2025…,” Sep. 2025. [Online]. Available: https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/blogs/pulse-check-series-latest-ai-developments/ai-adoption-challenges-ai-trends.html
         8. ISO, “ISO/IEC TR 24028:2020…,” 2020. [Online]. Available: https://www.iso.org/standard/77608.html
         9. OECD, “AI Principles Overview,” May 2024. [Online]. Available: https://oecd.ai/en/ai-principles
         10. Gartner, “Gartner Survey Finds 45% of Organizations With High AI Maturity…,” Jun. 2025. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2025-06-30-gartner-survey-finds-forty-five-percent-of-organizations-with-high-artificial-intelligence-maturity-keep-artificial-intelligence-projects-operational-for-at-least-three-years
         11. Aristek Systems, “AI Statistics in 2025 and Beyond,” Nov. 2025. [Online]. Available: https://medium.com/@aristeksystems/ai-statistics-in-2025-and-beyond-6fbb74257ece
         12. LXT, “Report: The Path to AI Maturity,” 2025. [Online]. Available: https://www.lxt.ai/path-ai-maturity/
         13. Aera Technology, “Composite AI Case Study,” 2025. [Online]. Available: https://www.aeratechnology.com/
         14. Founders Forum, “AI Statistics 2024–2025…,” Jul. 2025. [Online]. Available: https://ff.co/ai-statistics-trends-global-market/
         15. McKinsey, “AI in the workplace: A report for 2025,” Jan. 2025. [Online]. Available: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
         16. McKinsey, “Case Studies: Jubilant Ingrevia and Pichincha,” 2025. [Online]. Available: https://www.mckinsey.com/capabilities/quantumblack/our-insights
         17. Aristek Systems, “AI 2025 Statistics…,” 2025. [Online]. Available: https://aristeksystems.com/blog/whats-going-on-with-ai-in-2025-and-beyond/
         18. MIT CISR, “Grow Enterprise AI Maturity…,” Aug. 2025. [Online]. Available: https://cisr.mit.edu/publication/2025_0801_EnterpriseAIMaturityUpdate_WoernerSebastianWeillKaganer
         19. ISACA, “Integrating AI with CMMI…,” 2024. [Online]. Available: https://www.isaca.org/resources/news-and-trends/isaca-now-blog/2024/integrating-ai-with-cmmi-cognizants-path-to-elevating-excellence
         20. Jeff Winter, “AI Maturity in 2025,” Jul. 2025. [Online]. Available: https://www.jeffwinterinsights.com/insights/ai-maturity-in-2025
         21. ISACA, “BTS Case Study,” Aug. 2025. [Online]. Available: https://www.isaca.org/resources/case-studies/bts-case-study
         22. Cognizant, “Elevating excellence: Integrating generative AI into CMMI,” Jun. 2024. [Online]. Available: https://www.cognizant.com/en_us/services/documents/elevating-excellence-integrating-generative-ai-into-cmmi.pdf
         23. ISACA, “Press Releases 2025 IBM Joins CMMI…,” Apr. 2025. [Online]. Available: https://www.isaca.org/about-us/newsroom/press-releases/2025/ibm-joins-cmmi-institutes-ai-content-development-initiative
         24. PwC, “Midyear update 2025 AI predictions,” 2025. [Online]. Available: https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-predictions-update.html
         25. HG Insights, “AI Readiness Report: Top Industries…,” Mar. 2025. [Online]. Available: https://hginsights.com/blog/ai-readiness-report-top-industries-and-companies
         26. PwC, “PwC’s AI Agent Survey,” 2025. [Online]. Available: https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-agent-survey.html
         27. PwC, “The macroeconomic impact of artificial intelligence,” Feb. 2018 (به‌روز شده). [Online]. Available: https://www.pwc.co.uk/economic-services/assets/macroeconomic-impact-of-ai-technical-report-feb-18.pdf
         28. Deloitte, “AI trends: Adoption barriers…,” Sep. 2025. [Online]. Available: https://www.deloitte.com/us/en/services/consulting/blogs/ai-adoption-challenges-ai-trends.html
         29. PwC, “HSBC Compliance Case Study,” 2025. [Online]. Available: https://www.pwc.com/gx/en/issues/data-and-analytics/artificial-intelligence.html
         30. Scitepress, “Design and Implementation of a Data Model…,” 2025. [Online]. Available: https://www.scitepress.org/Papers/2025/131532/131532.pdf
         31. SG Systems, “Can AI Be Trusted in Manufacturing?,” 2025. [Online]. Available: https://sgsystemsglobal.com/the-responsible-use-of-ai-in-regulated-manufacturing/
         32. NIST, “NIST Trustworthy and Responsible AI…,” 2025. [Online]. Available: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-5e2025.pdf
         33. OECD, “How countries are implementing the OECD Principles…,” 2023. [Online]. Available: https://oecd.ai/en/wonk/national-policies-2
         34. OECD, “Constructing a framework to measure AI capabilities…,” Jun. 2025. [Online]. Available: https://www.oecd.org/en/publications/2025/06/introducing-the-oecd-ai-capability-indicators_7c0731f0/full-report/component-5.html
         35. OECD, “Papers & Publications,” 2025. [Online]. Available: https://oecd.ai/en/ai-publications
         36. OECD, “Businesses are applying the OECD AI Principles,” Apr. 2022 (به‌روز شده). [Online]. Available: https://oecd.ai/en/wonk/businesses-applying-oecd-ai-principles
         37. RBC, “Trust, Scale, and Strategy…,” 2025. [Online]. Available: https://www.rbc.com/en/thought-leadership/the-growth-project/trust-scale-and-strategy-how-to-build-an-ai-first-organization/
         38. OECD, “State of implementation of the OECD AI Principles,” Oct. 2025. [Online]. Available: https://www.oecd.org/en/publications/state-of-implementation-of-the-oecd-ai-principles_1cd40c44-en.html
         39. Gartner, “Gartner AI Maturity Model: A Framework for Scaling AI in the Enterprise,” 2025. [Online]. Available: https://www.gartner.com/en/documents/546800
         40. Gartner, “Tool: AI Maturity Assessment for Enterprise Leaders,” 2025. [Online]. Available: https://www.gartner.com/en/tools/ai-maturity-assessment
         41. Gartner, “Predicts 2026: The Rise of Autonomous Agentic Systems,” 2025. [Online]. Available: https://www.gartner.com/en/documents/547100
         42. LeewayHertz, “AI Agents: The Next Frontier in Enterprise Automation,” 2025. [Online]. Available: https://www.leewayhertz.com/ai-agents-guide/