央国企AI人才断层，为什么总在项目中后段暴露

如果你一直在跟央国企AI这条线，会发现一个越来越明显的现象。

项目刚启动的时候，大家都很有信心。领导小组开了会，预算批了，供应商进场了，试点跑得也快。演示做得漂亮，汇报写得清楚，领导看了满意，供应商也觉得项目顺利。35家央国企已经落地了66个大模型，这个数字听起来很振奋。

但项目一旦过了第一阶段，开始要真正接流程、改规则、跑日常，事情就突然变得很吃力。一个很典型的信号是，很多央国企的AI项目到了中后段，真正在干活的几乎全是外部团队的人。内部团队不是不想接，是接不住。场景识别不了，参数调不了，规则改不了，出了异常也处理不了。外部团队在的时候，项目还能往前推。外部团队一撤，项目就慢慢停了。

这个现象不是个别项目的问题，而是央国企AI落地的一条结构性特征。前两篇我们聊了央国企AI项目为什么容易跑不出来，以及组织架构为什么是第一道墙。今天把这条线再往前推一步，聊一个更具体也更扎心的瓶颈：人才断层。

这个瓶颈不是”正式员工不如外包聪明”，而是央国企AI项目越往深处走，越容易暴露一个结构性问题：外部团队先把能力送进来了，但内部还没有形成稳定的接手、复核和迭代能力。

央国企AI项目越往深处走，越容易发现真正在干活的是外部团队

央国企AI项目走到中后段，真正在推进的往往不是内部团队，而是供应商和外包团队。这不是偶然现象，而是央国企AI落地的一条结构性特征。

一个公开数据已经说得很清楚。2024年上半年的央国企大模型采购统计显示，中标方主要集中在百度、腾讯、智谱、科大讯飞、华为、火山引擎这几家外部AI企业。南方电网的电力营销智能客服项目，中标方是百度。中国石油的测井大模型验证项目，中标方是华为。内蒙古电力的AI客服项目，中标方是智谱。中国煤炭的AI大模型平台建设，中标方是科大讯飞。

这些项目有一个共同特征：采购的不是软件license，而是包含算法研究、平台研发和委托研发的完整交付服务。企业买的不是工具，而是一段由外部团队从头到尾做完的服务。

我们已经在中国铁塔的公开采购样本里看到过类似模式。2026年中国铁塔吉林分公司的AI算法研究采购，写得很清楚，采购内容包括上塔作业监管平台研发和AI算法研究等委托研发服务，研发周期90天，服务期1年，还有明确的质量标准。央国企不是在”买一个AI产品”，而是在”买一段由外部团队完整交付的能力”。

麦肯锡的一份在华企业AI人才报告也印证了这个逻辑。报告指出，传统型企业如果完全依靠内部培训和招聘来获取AI能力，在劳动力市场紧张的情况下可能需要很长时间。一种更快的方式是先与外部供应商合作推进项目，同时在内部逐步构建人才体系。报告提到的消费电子制造商案例就是这样：在构建内部人才战略的同时，先把AI优化模型的开发外包出去，8周内就把新能力投入了生产。如果完全靠培训内部新人，可能需要多几倍的时间。

所以央国企先用外部团队推进AI，本身不是一个错误决策。先用外部能力快速跑通，再逐步补内部能力，这是全球范围内传统企业都在走的路。

问题出在第二步：外部团队把项目跑通之后，内部有没有能力接住。

外部团队撤场后，接不住才是人才断层真正暴露的地方

央国企AI人才断层不是在项目启动时暴露的，而是在外部团队撤场、项目进入日常运营阶段后才真正显现。

这些年我在咨询现场反复看到三类典型场景。

第一类，外部团队把模型调好了，但没人能改规则。很多央国企AI项目在试点阶段效果不错，因为规则是外部团队根据样本数据调好的。但业务规则是活的，客户问题在变，流程在调整，合规要求也在更新。外部团队撤场以后，遇到规则需要微调的场景，内部找不到人能接。不是模型坏了，是没有人能把新的业务条件写进模型里。于是模型越跑越偏，业务部门越用越不满意，最后干脆不用了。

第二类，外部团队把流程接好了，但没人能做异常处理。AI进入真实流程以后，一定会遇到异常。有些是数据缺失，有些是边界条件触发，有些是对客场景需要人工判断。试点阶段外部团队会帮着处理，一旦进入常态化运营，这些异常就落到了内部团队头上。可内部团队往往没有经过系统训练，既不知道怎么判断异常等级，也不知道该把问题升级给谁。异常处理没有人接，AI在流程里的存在感就会越来越低。

第三类，外部团队把场景跑通了，但没人能把经验变成方法。这可能是最被低估的一类人才断层。外部团队在做项目的过程中，会积累大量关于场景识别、数据预处理、规则配置和效果评估的经验。这些经验如果没有人系统地整理、沉淀和回传，项目做完就散了。下一批项目启动时，团队又要从零开始踩坑。央国企AI项目之所以容易”每个项目都像第一个项目”，很大程度上就是因为经验没有留下来。

国资委显然已经意识到了这个问题。2025年2月，国务院国资委在部署深化央企”AI+”专项行动时，明确提到要”优化人才引育，建立更加符合行业特点规律的人才评价体系”。2025年3月，国资委又进一步提出”三个更加突出”，同样把人才引育和评价体系优化摆在重要位置。政策信号已经很清楚：央国企AI落地的人才瓶颈，已经不是”要不要补”的问题，而是”怎么补、补哪类人”的问题。

上海国资系统的公开样本也提供了一个参考。上海仪电作为上海城市数字化转型建设主力军，下属仪电创新院已经在系统化地培养AI人才。由领域内头部专家组成名师体系，开发人工智能实战工程师和人工智能经理两类课程体系，建设自主研发的AI实训平台，采用”教学+实训+路演”的培训模式。截至目前，已为600余家企事业单位累计培养2000余名AI人才。这个样本说明，国企体系已经开始认真补课。但放在35家央国企已落地66个大模型的覆盖面面前，2000人还远远不够。

央国企下一步最该先补哪三类人

央国企AI人才断层的核心不是”缺AI工程师”，而是缺三类能把AI用进业务、留在组织里的人。

第一类，场景翻译人。这类人的核心能力不是写代码，也不是调模型，而是能把业务部门的需求翻译成AI项目可以执行的场景。他知道这条流程的痛点在哪，知道哪些环节适合AI介入，也知道如何评估AI在这类场景下的效果。外部团队擅长技术交付，但真正理解业务痛点的是内部人。如果没有内部人负责场景翻译，AI项目就只能靠外部团队自己去猜业务需求，猜对了是运气，猜错了是常态。

第二类，结果复核人。AI进入业务流程后，必须有人对输出结果做日常复核。复核人不需要懂算法原理，但必须能判断：这个结果在当前业务规则下是否合理，哪些情况必须退回人工处理，异常出现时该升级给谁。这类角色在外部团队驻场时通常由对方承担，但常态化运营以后必须由内部人接管。没有固定的复核人，AI在流程里就站不稳。

第三类，知识回传人。这类人的任务是确保外部团队在项目过程中积累的经验不会随着项目结束而流失。他的工作包括整理场景识别方法，沉淀规则配置逻辑，记录异常处理案例，建立可复用的知识库。央国企AI项目最容易犯的错误，就是把每个项目都当成了从零开始的新项目。知识回传人的存在，就是为了打破这个循环。

这三类人不需要是AI技术专家。他们更像是AI和业务之间的桥梁。外部团队把桥架好，这三类人负责让桥上的人走起来、走稳、走长远。

对央国企一号位来说，签下一轮AI预算之前，不妨先问自己三个问题：我的团队里，有人能翻译场景吗？有人能复核结果吗？有人能把经验留下来吗？

如果这三个问题答不上来，再多预算也只是在给外部团队续费，不是在给组织建能力。

我是静波，从事企业与政府咨询十年了，主持过咨询项目四十余项，现着力于帮助企业实现AI数字化转型，关注我，了解更多企业运用AI的资讯。