FAROL 框架 · 供想了解细节的读者

FAROL 如何衡量 AI 熟练度。

智能体 AI 熟练度，是把一项工作描述清楚、交给 AI、跟进执行过程，并核查交回来的结果。

两种工具两件不同的事

人们说自己做了什么，和他们实际做了什么。

为什么只计数不够我们从错误中学到的

我们的第一个工具统计的是活动量。2026 年 7 月，它在一位一线合作伙伴的测试账号上运行，给一位刚开始用 AI 的人打出了专业人士的数字。这些数字其实是 AI 产生的：智能体（会执行任务、而不只是回答的 AI）无论收到什么请求，哪怕含糊不清，都会调用工具、创建文件。

最直接的修补办法，是在请求里找代表良好用法的词，结果却颠倒了。刚起步的人在 41% 的请求里写了“做个计划”；而在设计工作时就做好规划的方法作者，只有 9%。

只在两个人身上测量，其中一位是方法作者。这是一个示例，不是统计结论。

83个被调用的工具

12个集成

1,141个由 AI 创建的文件

所以我们重做了方法：现在由一套书面标准来评判每个人如何主导工作，每个分数都必须指出支撑它的原文片段。

基础2026 年 4 月

12个国际 AI 成熟度与就绪度模型

这项工作始于一家软件公司内部，最初是一个成熟度指数。在写下第一个问题之前，我们先把已有的模型编目整理。每个方块代表其中一个；高度表示它的标尺有多少级，从连续评分到九个等级不等。

制定者来源

三个来自咨询公司，三个来自技术供应商，四个来自学术界，两个来自政府。点一个方块即可查看该模型。

复现12 个中的 7 个

7个被忠实复现

MIT CISR、Gartner、Deloitte、Cisco、Microsoft、Salesforce 和 NIST 的描述足够完整（等级、维度和标准），可以在任何综合之前先行复现。其余五个作为参考保留。

它们衡量什么发现

这些模型衡量的是组织、风险、技术，或已投入使用的智能体。唯一关注个人的 TRI，衡量的是个人自述的对技术的态度。FAROL 由此从成熟度转向熟练度：开始解读每个人的实际做法。

十二个模型的表格

FAROL 于 2026 年 4 月 7 日编制的目录（模型矩阵），依据各机构的公开文件。“等级”指模型本身描述的阶段数；NIST AI RMF 用四项职能代替等级，TRI 给出连续评分。Forrester/IBM 仅因被提及而列入，没有描述其等级的文本。

成熟度指数用一把固定的尺子，描述企业处在哪个等级。在 AI 领域，尺子本身也在移动：几个月前还算进阶的东西，会变成基础。因此，FAROL 在每次测量中都会衡量个人和企业所处的位置，以及前沿在哪里。

在巴西，Claude 个人账号中 57% 的对话与工作有关；全球为 43%。这是 FAROL 根据 Anthropic Economic Index 公开数据、以 2026 年 5 月为时间窗口计算的结果。Anthropic 在 2026 年 1 月的报告中也把巴西列为工作用途占比最高的国家之一。

联系

回复您的，就是负责这项工作的人。第一次交谈用来看看是否合适、从哪里开始。