想象你接手了一栋住了二十年的老房子：电线老化、墙皮开裂、各个房间各自为政，住着虽然能勉强生活，但总是不舒服。你决定给它装一套“会思考的系统”：自动调节温度、识别家人习惯、在主人们到家前提前打开空调和热水器。这听起来很好，但真开工后你会发现，问题不是买一台新路由器那么简单。你要先验房，看看管线能不能支持；要决定先改哪个房间；要分阶段施工；还要配齐工人和材料，边装边验收，最后还得注意别砸了承重墙。企业做AI转型，走的正是这样一条路：从AI准备度评估，到场景选择、路线图规划、资源组织、效果衡量，再到风险管理。这篇文章，就是一份完整的老房改造施工手册。

岗位关联

掌握这套AI战略规划路线图，你将变成既能听懂业务、又能看懂数据、还能推动落地的AI转型操盘手，无论在企业内部做变革，还是在外做AI咨询，都是稀缺能力。

目录
  1. 可视化演示
  2. 先体检：AI准备度评估
  3. 选房间：场景优先级
  4. 分阶段：转型路线图
  5. 配资源：组织保障
  6. 看效果：成效衡量
  7. 防风险：风险治理
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示企业AI转型的四阶段路线图时间轴、AI准备度五维雷达评估，以及各季度投入与回报的ROI分析。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AI转型四阶段路线图 评估(Asm)：AI准备度诊断，选优先场景 试点(Pil)：小规模验证，快速迭代 Assess → Pilot → Scale → Optimize 四阶段递进式转型，降低风险确保成功

先体检：AI准备度评估

老房改造的第一步不是买家具，而是请验房师。验房师会拿着小锤子敲墙，看这里是不是空心砖，那里是不是承重墙；会检查电线是否支持大功率电器，水管有没有锈穿。企业做AI转型也一样，第一步不是急着买大模型，而是先做一次“AI准备度评估”。你要回答四个问题：公司战略层有没有准备好长期投入？数据有没有被整理成可以喂给AI的干净原材料？算力、系统和基础设施够不够支撑？团队里有没有既懂业务又懂AI的人？

这四个维度不能靠感觉拍脑袋，最好用一套评分卡。每个维度按0到100分打分，再按权重汇总。之所以战略和数据各占三成，是因为AI转型没有战略共识和高质数据，就像老房子没有稳固地基和通畅管线，后面天花板再漂亮也没用。技术设施和人才组织各占两成，它们决定工程能不能落地。综合算下来，一家公司的AI准备度可以抽象成这样一个公式：

这张验房报告能直接告诉你该把钱砸向哪里：如果数据只有20分，就算买再强的模型也白搭，因为AI吃不到干净的“食材”；如果组织只有15分，项目上线后也没人会用，最后只能变成一堆昂贵的摆设。准备度评估的意义，就是让人人都看见薄弱点，避免用漂亮的规划掩盖基础坍塌。

R=0.3S+0.3D+0.2T+0.2O\displaystyle R = 0.3S + 0.3D + 0.2T + 0.2O
\(R\) 是综合准备度，\(S\) 是战略对齐度，\(D\) 是数据基础，\(T\) 是技术设施，\(O\) 是人才组织。权重体现战略和数据优先。
  1. 识别四个维度变量把“验房报告”里的四个结果变成数字，\(S\)、\(D\)、\(T\)、\(O\) 都取值0到100。
    S,D,T,O∈[0,100]\displaystyle S, D, T, O \in [0, 100]
  2. 乘上对应权重战略和数据各乘0.3，技术和人才各乘0.2，突出关键短板。
    0.3S+0.3D+0.2T+0.2O\displaystyle 0.3S + 0.3D + 0.2T + 0.2O
  3. 加权求和得到准备度把四个加权后的分数相加，就是企业当前的AI地基分数。
    R=0.3S+0.3D+0.2T+0.2O\displaystyle R = 0.3S + 0.3D + 0.2T + 0.2O

选房间：场景优先级

房子很大，房间也很多，预算却有限，我们不能同时把厨房、卧室、客厅全部翻新。你会怎么选？大概率会先看家里人每天最痛的场景：如果老人夜里起床上厕所容易摔，就先改卧室到卫生间的感应灯；如果全家人总是在做饭上花太多时间，就先升级厨房。企业选AI场景也是一样的逻辑，不能因为某个技术听起来酷就冲上去，而要选业务痛感最强烈、数据条件最顺、做起来成本可控的场景。

场景优先级可以用一个简洁的公式来排序。分子是业务价值和可行程度的乘积，代表“这个场景值得做且大概率能做成”；分母是实施成本和数据依赖度，代表“这个场景有多贵、多依赖额外的数据准备”。分子越大、分母越小，优先级越高。显然，一个业务价值大、可行程度高、成本低又不太依赖复杂数据的场景，最适合当第一批试点。

用这个公式去筛场景，你会发现自己想要的优先级可能完全变了。很多公司一上来就做“无人驾驶仓储机器人”，听着很震撼，但数据依赖极高、成本巨大，反而不如先做“智能客服知识库”这种见效快、数据齐、业务部门天天叫苦的场景。装修先挑全家最心动的房间，AI转型先挑业务最认可的攻坚点，道理相通。

P=V×FC×D\displaystyle P = \frac{V \times F}{C \times D}
\(P\) 是场景优先级得分，\(V\) 是业务价值，\(F\) 是可行程度，\(C\) 是实施成本，\(D\) 是数据依赖度。得分越高，越值得先做。
  1. 评估业务价值和可行程度用业务价值 \(V\) 和可行程度 \(F\) 相乘，代表这个场景带来的预期收益。
    V×F\displaystyle V \times F
  2. 评估成本和数据依赖用实施成本 \(C\) 乘以数据依赖度 \(D\)，代表这个场景要付出的综合阻力。
    C×D\displaystyle C \times D
  3. 做除法得到优先级收益除以阻力，得到该场景的优先级得分。
    P=V×FC×D\displaystyle P = \frac{V \times F}{C \times D}

分阶段：转型路线图

老房子一边住人一边改造，不可能某天把所有人赶出去大兴土木。有经验的施工队会把工程拆成阶段：先做一间样板间，让家里人体验，觉得好了再复制到其他房间；整个施工过程还不断修改，而不是画一张永远不变的设计图。企业的AI转型路线图也应该这样：试点验证、局部扩展、全面推广、优化迭代。

刚开始的试点阶段不追求惊天动地的ROI，只验证一件事：AI在这个场景里到底能不能跑通？既然能跑通，才把方案复制到两三个业务部门；再往后才进入全公司推广，把AI嵌入日常流程；最后才是长期运营和迭代。组织成熟度不会线性上升，而是像施工队磨合一样，一开始慢、中间加速、后期趋近平稳，这个规律可以写成一条饱和成长曲线：

很多企业失败，是因为把路线图当成甘特图，要求每个节点必须分毫不差。可装修中也会遇到水管走向和图纸不一样，AI项目同样会碰到模型效果、组织反馈、数据质量的变化。路线图不是施工合同，而是一份“假设清单”：试点阶段验证商业假设，扩展阶段验证复制能力，推广阶段验证组织承载力，优化阶段验证长期价值。每个阶段都留有观察和调整的窗口，这才是路线图真正的价值。

M(t)=Mmax⁡(1−e−kt)\displaystyle M(t) = M_{\max} \left(1 - e^{-kt}\right)
\(M(t)\) 是第 \(t\) 个阶段的转型成熟度，\(M_{\max}\) 是目标上限，如100分，\(e\) 是自然常数，\(k\) 是推进速度系数。曲线表示成熟度从慢到快再到平稳。
  1. 设定目标上限把转型最终想达到的成熟度记为 \(M_{\max}\)，通常设为100。
    Mmax⁡=100\displaystyle M_{\max} = 100
  2. 构造衰减因子\(e^{-kt}\) 随阶段时间增大而趋近于0，代表“还有多少差距没完成”。
    e−kt→0,t→∞\displaystyle e^{-kt} \to 0, \quad t \to \infty
  3. 用1减去衰减因子\(1 - e^{-kt}\) 表示已经完成的成熟度比例，从0逐渐接近1。
    1−e−kt\displaystyle 1 - e^{-kt}
  4. 乘上目标上限比例乘以 \(M_{\max}\)，就得到当前阶段的成熟度。
    M(t)=Mmax⁡(1−e−kt)\displaystyle M(t) = M_{\max} \left(1 - e^{-kt}\right)

配资源：组织保障

有了设计图和施工计划，还得备料、请人、派工长。智能家居听起来只需要买一个中控面板，但如果没有全屋网络，面板就是一块玻璃；如果没有电工布线，传感器就无处安放；如果家里没有人愿意学新系统，装完也只是摆设。企业AI转型的资源配套，远不止是买算力、买API，而是预算、平台、人才三件事同时到位。

这三者并不是简单的加法，而是乘法关系。预算给了，但平台选型混乱，团队每天都在重复造轮子；平台再好，但没有懂业务和AI的复合型人才，系统根本转不起来；人才齐了，却没有持续预算，试运行一结束就停摆。任何一个要素为零，整体组织支撑力都会归零，就好像房间用电容量不够时，再贵的烤箱也只是一个占地方的铁盒子。

组织配套还需要治理机制护航。比如明确了算力归谁管、数据由谁负责、模型上线要什么审批，就像装修工地要定下安全规范：安全帽要戴好，电闸要装漏电保护，不能等出了事故再追责。资源不是越多越好，而是要让预算、平台、人才三者形成闭环，互相咬合，一起向前滚动，企业才真正长出“自己会改造自己”的能力。

L=B×P×T\displaystyle L = B \times P \times T
\(L\) 是组织支撑力，\(B\) 是预算投入，\(P\) 是技术平台成熟度，\(T\) 是人才梯队能力。三者相乘，缺一不可。
  1. 识别三要素预算 \(B\)、平台 \(P\)、人才 \(T\)，共同构成AI转型的资源底座。
    B≠0,P≠0,T≠0\displaystyle B \neq 0, \quad P \neq 0, \quad T \neq 0
  2. 理解乘法结构乘以0就全盘归零，体现短板效应。
    B×P×T\displaystyle B \times P \times T
  3. 汇总得到组织支撑力三要素协同后的总能力就是 \(L\)。
    L=B×P×T\displaystyle L = B \times P \times T

看效果：成效衡量

装修队说“效果很好”，你不能只听他讲，要住进去体验几个月，看水电费有没有降、厨房做饭是不是真的更顺手、家人愿不愿意用新系统。企业AI转型也不能只看技术报告上的精度、召回率，要回到业务结果上算账。因此，衡量体系必须从北极星指标出发，既要看业务价值，也要看技术能力提升和持续运营状态。

最常见的算法是算ROI，也就是投资回报率。把AI带来的利润、效率、成本节省加总成收益增量，减去所有投入成本，再与投入成本相比，得到一个百分比。如果ROI是负数，说明这项改造还处于投入期；如果转正且持续上升，说明老房改造真正开始“住得值”了。ROI公式本身不复杂，难的是把收益口径说清楚。

除了ROI，还要看“渗入率”和“使用率”：AI生成的分析报告，业务团队是不是真的愿意打开？客服机器人解决了多少比例的问题？这些过程指标像装修后的居住习惯：如果智能灯光开关永远没人按，配置再豪华也是浪费。效果衡量不是一次性的项目验收，而是入住后的长期体检，每个季度都要回来看，哪块砖开始松了，哪条线路需要扩容。

ROI=ΔB−CC×100%\displaystyle ROI = \frac{\Delta B - C}{C} \times 100\%
\(\Delta B\) 是AI带来的业务收益增量，\(C\) 是AI总投入，包括人力、平台、数据和变革成本。ROI表示每一块钱投入换回了多少净收益。
  1. 统计收益增量\(\Delta B\) 代表AI上线后，相对原来的多赚的钱或省下的钱。
    ΔB=新收益−原收益\displaystyle \Delta B = \text{新收益} - \text{原收益}
  2. 扣除总投入用收益增量减去总成本 \(C\)，得到净收益。
    ΔB−C\displaystyle \Delta B - C
  3. 除以成本得到回报率净收益除以成本，衡量每单位投入的回报倍数。
    ΔB−CC\displaystyle \frac{\Delta B - C}{C}
  4. 换算成百分比乘以 \(100\%\)，变成大家更熟悉的ROI百分比。
    ROI=ΔB−CC×100%\displaystyle ROI = \frac{\Delta B - C}{C} \times 100\%

防风险：风险治理

老房改造最怕砸到承重墙、漏电、施工队中途跑路。企业AI转型也一样，最大的风险往往不是“模型效果不够好”，而是数据隐私泄漏、模型被恶意攻击、员工强烈抵触、投入远超预算还不肯止损。这些都是看不见的“结构性风险”，一旦爆发就是整栋楼的崩塌。所以风险治理必须提前做，而不是出了问题再救火。

我们可以用风险矩阵来帮每个风险打分：先估计它发生的可能性，再估计一旦发生后的影响程度，两者相乘就得到风险值。把各种风险排个序，优先级最高的往往不是最吓人的，而是概率和影响都高的组合。比如“客户数据泄露”概率不低，影响巨大，那就要立刻加权限管控和审计；“员工觉得AI抢工作”概率高，影响也不小，就要同步做培训和沟通。

风险治理的正确姿态，是“边装修边设护栏”。在预算上预留一部分弹性资金，应对数据采集和治理的超支；在组织上设置一个AI委员会，负责审批高风险场景和异常模型上线；在技术上做持续监控，模型效果出现严重偏差要能及时回滚。老房改造的安全网不是为了阻止施工，而是为了让施工队敢于走路，企业AI转型同样如此：有护栏，才有下一步提速的胆子。

R=∑i=1nLi×Ii\displaystyle R = \sum_{i=1}^{n} L_i \times I_i
\(R\) 是总风险值，\(L_i\) 是第 \(i\) 项风险的发生可能性，\(I_i\) 是第 \(i\) 项风险的影响程度。累加后可以得到整体风险敞口。
  1. 逐项评估可能性给每个风险 \(i\) 的发生概率打分，记为 \(L_i\)。
    Li∈[0,1]\displaystyle L_i \in [0, 1]
  2. 逐项评估影响给每个风险一旦爆发后的影响严重程度打分，记为 \(I_i\)。
    Ii∈[1,5]\displaystyle I_i \in [1, 5]
  3. 相乘得到单项风险值概率乘以影响，综合刻画一个风险的威胁大小。
    Li×Ii\displaystyle L_i \times I_i
  4. 加总得到总风险把所有风险值相加，形成企业AI转型整体的风险敞口。
    R=∑i=1nLi×Ii\displaystyle R = \sum_{i=1}^{n} L_i \times I_i

AI 应用场景

企业AI转型咨询项目

阶段：AI准备度评估与路线图规划

解决的问题：传统咨询只会给PPT，缺少对数据、技术、组织现状的系统化诊断，导致转型项目一启动就失控。AI咨询可以用准备度评分矩阵给企业做“验房报告”，再用场景优先级公式选出前三个“样板间场景”。

具体案例：某制造集团想上AI质检，项目团队先评估发现数据没有统一采集中台，技术部门与业务部门目标不一致。于是先做数据治理和组织对齐，把路线图拆成“试点→复制→推广”三个阶段，避免一上来就全厂铺开。

零售企业智能客服优先试点

阶段：场景优先级选择与路线图落地

解决的问题：零售企业有客服、营销、库存等多个候选场景，团队不知道该先做什么。用场景优先级公式算下来，智能客服业务价值高、数据积累足、实施成本低，成为最优“厨房改造项目”。

具体案例：某电商公司先在一个产品线试点智能客服，两周内验证了答复准确率和转人工率达标，随后复制到三个事业部，再到全公司统一客户服务中心，最后接入私域运营和售后服务流程。

金融机构AI风控上线的风险治理

阶段：效果衡量与风险管理

解决的问题：金融行业模型一旦误判会造成巨大资金损失和合规处罚。传统做法只看模型准确率，忽略了概率和影响相乘后的风险全景。

具体案例：一家银行上线反欺诈模型时，先给“数据合规”“模型误杀”“客户投诉”等风险项打分，发现数据合规的风险值最高，于是先建设数据脱敏平台，再做模型监控和人工复核机制，最后才全面推广到全行交易链路。

Python 演示

python42 行
# -*- coding: utf-8 -*- def assess_readiness(strategy, data, tech, org):    return 0.3 * strategy + 0.3 * data + 0.2 * tech + 0.2 * org  def scenario_priority(value, feasibility, cost, data_dependency):    return (value * feasibility) / (cost * data_dependency)  def roadmap_progress(months, max_maturity=100, speed=0.35):    stages = []    for month in months:        maturity = max_maturity * (1 - (2.71828 ** (-speed * month)))        stages.append((month, round(maturity, 1)))    return stages  def compute_roi(profit_delta, total_cost):    return (profit_delta - total_cost) / total_cost * 100  def risk_score(probability, impact):    return probability * impact  if __name__ == "__main__":    readiness = assess_readiness(70, 55, 40, 60)    print("readiness:", readiness)     priority = scenario_priority(90, 0.8, 60, 0.5)    print("priority:", round(priority, 2))     months = [3, 6, 9, 12, 18, 24]    for stage in roadmap_progress(months):        print("month", stage[0], "maturity", stage[1])     total_cost = 200    profit_delta = 320    print("roi%:", round(compute_roi(profit_delta, total_cost), 1))     print("risk:", risk_score(0.3, 5))
目的：把战略规划中的准备度、场景排序、路线图、ROI和风险值用Python一次性算出来，方便你给企业做快速评估和演示。
  1. def assess_readiness(strategy, data, tech, org):这是验房评分函数，把四个维度按权重加总。
  2. 0.3 * strategy + 0.3 * data + 0.2 * tech + 0.2 * org战略和数据各30%，技术和组织各20%。
  3. def scenario_priority(value, feasibility, cost, data_dependency):场景排序的分子分母模型。
  4. (value * feasibility) / (cost * data_dependency)收益越大、阻力越小，优先级越高。
  5. max_maturity * (1 - (2.71828 ** (-speed * month)))用自然常数的指数衰减模拟成熟度曲线。
  6. (profit_delta - total_cost) / total_cost * 100净收益除以总成本，得到ROI百分比。
  7. probability * impact风险值等于发生概率乘以影响程度。

常见误区

误区我觉得只要公司接入了大模型API，或者采购了一套AI软件，转型就算开始了，后续自然会有效果。

正解AI转型不是买家电，而是改造整个房屋的管线。模型只是“中控面板”，没有战略共识、干净数据、支撑平台和使用人才，面板就只是一块玻璃。先做准备度评估，梳理业务场景与组织能力，再谈技术采购。

为何常见：大模型厂商和媒体都在强调“即插即用”，让人误以为AI是一款开箱即用的产品，忽略了企业落地的复杂性。

误区ChatGPT很火，那我们就先把所有高管发言稿生成用上；数字人很酷，那就先做数字人前台。哪个技术最新鲜就选哪个。

正解技术炫酷不等于业务需要。场景优先级应该用“业务价值×可行程度÷成本×数据依赖”来排序。高管发言稿生成价值有限，不如选智能客服、智能质检这类高频、高痛、数据齐全的场景先做样板间。

为何常见：人的注意力容易被新技术包装吸引，尤其当技术供应商把故事讲得很美时，容易忽视业务回报的客观计算。

误区定了12个月路线图，就必须每个月都严格按计划走，延期就是失败，必须追责项目组。

正解AI转型路线图更像“假设验证清单”，不是传统施工合同。试点阶段本就要验证模型效果、用户反馈和数据质量，发现假设不成立时，调整计划比硬扛推进更有价值。装修过程中发现墙面是倾斜的，当然要改施工方案。

为何常见：企业习惯了工程项目的瀑布式管理，把计划当成承诺，而AI项目的不确定性和探索性让它更像研发而非基建。

误区只要模型精度达到95%，AI项目就是安全的，剩下的问题都是技术细节。

正解模型精度只是其中一项。数据合规、员工抵触、预算失控、上下游系统不兼容，每一项都可能让项目整体崩盘。风险值=概率×影响，数据泄露概率不高但影响巨大，依然要优先治理。技术团队最擅长盯模型，但战略团队必须盯整栋楼的承重结构。

为何常见：模型性能是最直观可量化的东西，而组织、合规、成本的影响比较隐性，容易被忽略。

误区系统刚上线，老板就要求看到利润增长，不然就判定项目失败。

正解转型分阶段，不同阶段看不同指标。试点阶段看“技术可行性”和“用户反馈”，扩展阶段看“复制成本”和“渗透率”，全面运营后才适合算ROI。就像刚装修完还没入住，不能因为电费单没降就说装了个寂寞。

为何常见：管理层习惯用财务结果考核一切项目，但AI转型要经历从验证到复制到规模化运营的完整周期，过早用ROI评价会杀死好项目。

面试题

Q1. 企业开始AI转型时，最应该先做哪一件事？

单选题 · easy

  • A.评估AI准备度← 正确答案
  • B.采购最新大模型
  • C.全面重构核心系统
  • D.招聘算法科学家

答案：A。AI转型像老房改造，第一步是验房，也就是评估准备度，而不是急着买家电。B、C、D都跳过了“认知现状”环节，可能把资源浪费在错误方向上。

Q2. 企业AI准备度评估中，权重最高的通常是？

单选题 · easy

  • A.战略与数据基础← 正确答案
  • B.办公与装修环境
  • C.公关与品牌宣传
  • D.差旅与会议预算

答案：A。战略决定方向，数据决定AI能不能吃饱；这两项各占高权重。办公环境、公关、差旅都不是AI转型的核心约束条件。

Q3. 场景优先级公式中，如果成本和数据依赖度都很高，应该？

单选题 · mid

  • A.提升业务价值再评估
  • B.降低优先级或延后做← 正确答案
  • C.先购买更多数据中心
  • D.更换组织架构再来

答案：B。成本高、数据依赖度高，会让公式分母变大，优先级下降。正确做法是把它延后，先做成本低、数据顺的场景，而不是硬上。

Q4. 路线图“试点验证”阶段的核心目标是？

单选题 · mid

  • A.验证技术可行与业务价值← 正确答案
  • B.完成全公司组织架构调整
  • C.实现最终投资回报目标
  • D.替换所有老旧的业务系统

答案：A。试点阶段是样板间，主要验证“AI在这个场景里到底行不行”。组织调整、最终ROI、全面替换都是后续阶段的事，过早追求会压垮项目。

Q5. 组织支撑力公式 L=B×P×T说明什么？

单选题 · mid

  • A.预算平台人才缺一不可← 正确答案
  • B.预算充足就能必然成功
  • C.平台技术可以替代人才
  • D.组织支撑与路线图无关

答案：A。乘法结构意味着任何一个因子为0，整体能力都为0。预算、平台、人才必须协同，缺一不可，就像少一根腿的桌子站不稳。

Q6. 衡量AI转型的业务价值时，哪个指标更合适？

单选题 · mid

  • A.智能客服客诉率降低← 正确答案
  • B.模型推理延迟减少
  • C.训练服务器利用率
  • D.数据仓库存储容量

答案：A。业务价值要看经营结果，如客诉率降低、转化率提升。推理延迟、服务器利用率、存储容量都偏技术细节，不是业务层的价值指标。

Q7. 下列哪一项是AI转型风险治理的核心原则？

单选题 · hard

  • A.先评估后建设，不能靠事后补救← 正确答案
  • B.所有模型上线前都不需要测试
  • C.数据隐私可以等上线后再合规
  • D.组织阻力应通过裁员直接解决

答案：A。风险治理要前置，像装修前先看承重墙。B、C、D都是风险放大动作，数据合规、组织阻力、模型测试都需要在早期系统性考虑。

Q8. 以下哪些属于AI准备度评估的维度？

多选题 · mid

  • A.战略与业务对齐← 正确答案
  • B.数据基础水平← 正确答案
  • C.技术与组织人才← 正确答案
  • D.办公室装修风格

答案：ABC。准备度评估的四个核心维度是战略、数据、技术、组织。办公室装修风格与AI能力无关，是干扰项，不能纳入评估模型。

Q9. 下列哪些属于企业AI转型的风险管理重点？

多选题 · hard

  • A.数据安全与隐私合规← 正确答案
  • B.模型偏见与幻觉治理← 正确答案
  • C.组织变革阻力管理← 正确答案
  • D.服务器外观样式统一

答案：ABC。数据安全、模型风险、组织变革都是老房改造中的“承重墙”，一旦出问题会连锁倒塌。服务器外观与战略风险无关。

Q10. 企业AI路线图通常包含哪些阶段？

多选题 · mid

  • A.试点验证与复盘← 正确答案
  • B.局部扩展与复制← 正确答案
  • C.全面推广与运营← 正确答案
  • D.一次性全量重构

答案：ABC。正确路线图是试点、扩展、推广、优化的渐进过程。一次性全量重构危险且不现实，就像不让家人搬出去就轰然推倒整栋房子，必然导致业务停摆。