生成式人工智能（GenAI）正在迅速改变业务运营和客户互动方式。企业认识到大型语言模型（LLMs）和多模态生成系统的潜力，但它们面临一个根本性挑战：缺乏统一的框架来系统地分类用例、评估实施复杂性以及安排采用顺序。组织难以从孤立实验转向全企业范围的部署，在实现即时生产力提升的同时，还需要平衡长期架构一致性、治理要求和竞争定位。
本文通过开发一个多维的GenAI部署分类法来应对这些挑战。我们的框架适用于企业架构师、产品策略师和AI治理领导者，他们需要结构化的方法来优先考虑投资并管理渐进式AI自主性所带来的风险。我们综合了学术界和工业界文献中的五个互补视角，每个视角都关注GenAI采用的某个不同方面：
- 1.
应用场景——区分内部员工赋能和外部客户体验领域
- 2.
价值创造类型——从运营效率到转型能力
- 3.
战略对齐——从技能提升到运营和产品更新，再到商业模式革新
- 4.
技术自主性级别——从人工监督逐步发展到完全自主的系统
- 5.
数据治理和数据网格原则
——确保可扩展的联邦式AI部署的架构基础
我们通过一个四层复杂性框架来组织这些视角，每一层都建立在前一层的基础上，并依赖于前一层的能力。A层通过提示工程建立基础工作辅助工具；B层进阶到自动代码生成和可复制的数据产品；C层引入生产级LLM集成以实现文本生成和内容自动化；D层扩展到通过结构化工具调用和动作执行实现自主决策。这种渐进方式使组织能够系统地构建能力，每一层都需要不同的技术和组织前提条件。关键的是，各层之间的相互依赖性意味着较低层的弱点会向上层传播风险：A层的治理漏洞会削弱B层到D层的可靠性。
我们的分类法通过互补的视角来描述GenAI用例。从商业视角来看，A层实现工作辅助工具模式（提高个人和团队生产力），而B层到D层逐步实现数据产品模式（创建可重用、受管理的、由数据驱动的软件和日益复杂的AI生成资产）。从技术视角来看，工作辅助工具表现为指令工程——提示设计和上下文管理以实现即时生产力提升。数据产品的实现通过三种不同的技术方法进行：自动代码生成（B层）通过程序组合产生可复制的输出；LLM系统集成用于文本生成（C层）将语言模型嵌入企业架构，并对自然语言输出进行治理限制；LLM系统与工具使用集成（D层）授权结构化的工具调用以执行程序动作，代表了系统自主性和风险暴露的根本性变化。
一个关键的区别结构了我们的框架：C层明确限制LLM的活动仅限于文本生成和自然语言输出，而D层授权LLM生成执行程序动作的结构化工具调用。这种分离反映了系统自主性、风险暴露和治理要求方面的根本性变化。试图在没有首先建立文本生成能力（C层）、数据产品基础（B层）和提示工程实践（A层）的情况下部署工具驱动代理（D层）的组织会遇到可预测的失败模式：治理危机、质量问题和组织阻力。
我们明确考虑了这些模式对内部运营和外部客户接触点产生的不同影响。内部应用通常可以在受控环境中容忍迭代改进，而外部应用则需要更高的可靠性、品牌一致性和合规性。这种区别决定了所有四个复杂性层次的风险特征、治理要求和实施顺序。图1提供了风险如何在各层之间升级以及内部和外部环境之间差异的集成视图。
本文的结构如下：第2节系统回顾了构成我们分类法的五个分析视角，展示了每个视角如何为理解GenAI采用提供独特而互补的视角。第3节介绍了完整的分类法，详细说明了四个复杂性层次及其实施方法，特别强调了文本生成系统（C层）和工具驱动代理系统（D层）之间的关键区别。第4节通过详细的比较表将我们的分类法与五个分析视角进行对照，展示了现有框架如何与我们的复杂性层次对齐，并为分阶段采用提供了指导性建议。第5节总结了关键发现并指出了未来的研究方向。
我们的贡献有三个方面。首先，我们提供了一个理论上有依据的多维分类法，将商业价值创造与技术实施要求联系起来，整合了之前来自战略管理、自主性研究和数据架构领域的独立框架。其次第三
