央国企 AI 落地:钱不缺,缺的是趟过坑的人

9 月底的一场会上，一位大型央企集团的管理层说了这样一句话：「人工智能不是一次工具层面的引入，而是关乎企业长远竞争力的战略变量。」

这话本身不算新鲜。新鲜的是台下的反应——没有人再问「要不要做」。用会上另一位嘉宾的话说，讨论的重心「不再是要不要做，而是怎么落地」。

但同一天下午的圆桌上，另一位嘉宾说了另一句：「不少企业号称做了几十个智能体，Token 消耗量却撑不起来。」翻成大白话就是：东西做出来了，没人在用。

这两句话摆在一起，是央国企 AI 落地的全部张力。这一篇不聊技术选型，只回答一个问题：共识有了、钱也不缺、人也有，为什么还是落不下去——以及为什么最后收拾残局的，常常是外人。

先摆三组数字。过去两年，三家不同机构各自独立做了调查，结论惊人地一致：大多数企业的 AI 投入，没换来可衡量的商业回报。

最尖锐的是 MIT。那份《The GenAI Divide》报告分析了 300 多个公开 AI 项目，结论是 95% 的企业生成式 AI 试点，没能在损益表上留下任何可衡量的痕迹。

RAND 的说法留了余地：援引多方估算，超过 80% 的 AI 项目会失败——是普通 IT 项目的两倍。

BCG 去年 9 月问了全球 1250 多家企业：60% 的公司有实打实的投入，却没拿到实质回报。

这三个数字得一起读，不能挑一个当铁律。它们量的其实不是同一件事：MIT 量的是「六个月内有没有进损益表」，RAND 自己写的是「by some estimates」，BCG 量的是「有没有达到规模化的价值」——那是个很高的门槛。把它们摞起来看，指向的才是同一个事实：从试点到产出，中间有一道大多数项目跨不过去的沟。

央国企要跨的沟，还比一般企业深一截。它们最有价值的 AI 场景，不是已经跑通的通用办公，而是容错空间极小的核心业务——对准确性、安全性、稳定性和自主可控的要求，都远超一般行业。

MIT 那份报告还给这道沟起了个名字，叫「学习鸿沟」：工具不进工作流、不攒反馈、不跟着企业的实际业务长大。工人周一纠正过的错误，周五同一个工具还会再犯一次。信任一旦断掉，就再也接不回来。

所以这一节的判断是：AI 落地卡住的地方，几乎从不在模型里。通用工具在演示里都好用，一进真实业务就现原形——问题不在它聪不聪明，在它有没有被真正接进这套业务。

落地到底卡在哪一层？会上有个观察很实在：同一个项目，企业内部三层人看到的是三件不同的事。

决策层看到的是战略机遇和政策要求，关心的是「我们在不在牌桌上」；业务部门面对的是场景选择和流程改造的压力，想知道「到底先做哪个」；一线员工关心的是 AI 会帮忙还是添乱。

三层关注点之间的落差，本身就是落地速度的隐性上限。有嘉宾坦言，央国企的 AI 应用在深化推进里，还存在「重试点、轻推广」的问题。

那「几十个智能体、Token 撑不起来」是怎么来的？答案就在这三层的缝里——每个部门都做了一个给自己看的演示，没有一个被嵌进日常流程。

第二道坎是速度差。主流大模型的版本更新周期，已经压到四到六周。这是技术红利，也是风险——任何预先规划好的方案，都有滞后的可能。

而央国企的决策链条长、采购流程重，传统项目制的交付节奏，很难跟上模型迭代的速度。方案批下来的时候，它参照的那版模型，可能已经过时了。

第三道坎是人才。AI 人才本来就稀缺，既懂 AI、又懂行业的复合型人才更稀缺，供需缺口短期靠招聘填不平。

所以这一节的判断是：这三道坎，没有一道能靠「再买一个更强的模型」解决。

回到 MIT 那组数字。报告里还有一条更值得琢磨的线索：在那 5% 成功跨过试点的企业里，用外部合作方方案的成功率约 67%，自己内部做的只有 33%——差了一倍。

研究者的解释很直接：外部合作方的优势，不在智力更高，而在里程数。他们趟过的部署足够多，从失败里攒下了经验，知道哪几条弯路可以不必走。

这里必须补一句报告自己的限定：这些是受访者的自报口径，各家对「成功」的定义也不统一，相关不等于因果。我们把它当一个参考，不当一个保证——但方向是清楚的。

为什么「里程数」在央国企身上更值钱？因为越是不能轻易试错的场景，越需要有人先把路趟过一遍。合规要求高、试错空间小，一次翻车的代价，可能比省下的那点外脑费大得多。

一个合格的模型，网上到处都是；一段「这条路我走过、这里是坑」的经验，买不到。外部合作方卖的不是模型，是里程。

顺带说一句：会上有人提到，企业内部那些既懂技术、又天天泡在业务里的人，其实就是「面向业务的前线部署工程师」——FDE。他们攒的也是里程，只不过攒在自己公司里。

所以这一节的判断是：一个外部伙伴值不值钱，别看他讲得多漂亮，看他在这类场景里趟过几趟。

会上几位企业代表分享的案例，有一个共同点：没有人讲一个「有也行、没也行」的场景。

第一个在采购供应链。有企业用 AI 做招标文件智能审查，准确率做到 85% 以上，效率提升 70%。

更值得记的是另一个动作：它被嵌进了业务系统，强制执行。为什么？因为辅助决策类的 AI 工具一旦做成可选项，员工就能用、也能不用；一旦不用，系统就收不到迭代数据，模型就停在原地。

把审查助手设成流程里的必经环节，等于用制度解决了冷启动——不是说服人去用它，而是让它成为绕不过去的一步。

第二个在通信设备制造。一根光棒，也就是光纤预制棒，综合成品率从 50% 多提到了 98.5%。

靠的不是更好的模型，是业务专家、数据工程师、算法工程师坐在一起，迭代了两三年——先把工艺数字化，再往上叠 AI，模型才攒够了足够的工艺知识。

这两个案例隔行如隔山，但结构一样：问题复杂度和人力处理能力之间的落差，大到值得动员组织资源、让 AI 真正嵌进工作流。做完演示就束之高阁的场景，自然走不过试点期。

所以这一节的判断是：选场景的第一问不是「能不能做」，是「这个问题值不值得让组织为它改流程」。

这些案例能跑通，靠的不只是模型能力，还有组织能力。怎么把懂技术的人放到离业务最近的地方，是比追着模型跑更重要的议题。

会上总结出的，是一套四层协作体系。每一层都在做同一件事：让掌握技术能力的人，更快靠近业务发生的地方。

第一层，外部伙伴与数科公司之间。许多央国企都有自己的数字化子公司，它们是对接外部能力的窗口。外部方负责工程能力和模型调优，客户团队负责业务知识和数据资产，各出所长。

第二层，数科公司与母体企业之间。两边各有各的知识体系，需要找到共同语言。数科有模型能力，但模型要靠母体的业务数据来喂养——数据不流通，模型就长不大。

第三层，企业内部 IT 与业务部门之间。技术侧和业务侧各说各话，中间缺一个翻译——这个翻译，就是前面说的 FDE。

第四层，行业与行业之间。不止一位发言者提到，场景经验不该只留在企业里：一家企业踩过的坑，不该让下一家重新踩一遍。会上有一句话很到位：「场景的经验，就是行业的能力。」

四层说到底靠人。会上有人提了一个很实的角度：怎么让用 AI 的人有获得感。

他举了个例子：一个垃圾焚烧厂上了智能控制之后，操作班次从四班三倒变成五班三倒，年轻员工愿意在产线上和 AI 一起干了。

这句话值得抄下来：一个准确率 85%、但让员工觉得「有人在帮我」的系统，会不断进化；一个没人愿意碰的系统，准确率再高也是零。

所以这一篇的判断标准，收成一条：判断一份 AI 投入值不值，不看它多聪明，看它有没有被真正嵌进流程、有没有人愿意每天用它。

本文案例与数字，来自 2026 年 9 月 29 日公开报道《央国企 AI 落地，胜负手在现场》（至顶头条，作者高飞），以及 MIT、RAND、BCG 三家机构公开发布的研究报告。报道中的企业案例均未披露企业名；文中数字为各机构公开口径，非深琮实测、不构成任何效果承诺。判断标准与自有经验对照部分，为深琮观点。

回到开篇那两句话——共识早就拿到了，钱也不缺。真正稀缺的，是替你把弯路先走过一遍的那个人。

这周先做一件事：

晚一轮的代价不难算：模型四到六周迭代一次，你的方案每搁一个月，就得重新评估一次。而别人趟过的坑，不会停下来等你。