数十家国央企的AI落地,大多还没走出＂局部智能＂

昨天，我以技术评审专家的身份，审完了一批大型国有企业的 AI 落地案例，行业覆盖券商、保险、钢铁、船舶、能源、电网、装备制造、食品、医疗、法律、资本运营，几乎横跨了国民经济的关键条线。几十份材料摊在面前，共同点很扎眼，它们都不再谈"要不要数字化"，而是直接谈"怎么把 AI 装进业务流程里"。有人在做智能客服，有人用模型做风控诊断，有人在搞无人化产线，有人把采购、税务、合同这些中后台环节逐个自动化。哪怕是走马观花，也能从这一批案例里一窥全豹，看清数字化智能化走到哪一步，又要走向哪里。

这些材料如果只看标题，像是一场轰轰烈烈的生产力革命。但读完整份材料、再对照各家自己披露的数据，一个和表面热闹不一样的判断会浮出来：大多数企业还停留在"流程线上化"和"局部智能"的阶段，真正走到"AI 原生"的寥寥无几，而卡住它们的，从来不是技术。

这篇文章想把几件事讲清楚：央国企在做什么，真正的瓶颈在哪，这些案例指向什么样的趋势，以及中小企业该从中取什么、又该警惕什么。

PART 01

                 

数据底座先行，各家转型的第一脚踩在同一个地方

把这批案例的技术路线摆在一起，第一步几乎是同构的：先建数据底座。券商要打通账户、持仓、交易的多源数据；钢铁厂要把七个站场的道岔、车辆、计划数据收拢到一个集控平台；装备制造企业要建湖仓一体的工业数据中台；供应链企业要统一采购主数据、物料编码、供应商编码。

分布如此分散的行业，转型的第一步却惊人地一致，都落在数据底座上。这个"先存数据、再谈智能"的顺序本身是清醒的。模型再强，喂进去的是脏数据、散数据、口径不一的数据，出来的结果就是垃圾。所以第一批有头脑的企业，没有急着上大模型，而是先把数据这件苦差事做扎实。

但这里有个值得留意的现象：数据底座的投入大、周期长、见效慢，而且它本身不直接产生利润。行业里有声音对此颇有微词，Palantir 的相关文献甚至批评过一种倾向：成千万的企业在"数字化转型"的旗帜下投身大基建，斥巨资雇最聪明的工程师，夜以继日地构建所谓的"数据中台"、挖掘深不见底的"数据湖"，最后换来"报表好看了一点""流程快了一点"。

我不是说不要建数据底座，我想说的是，建之前先想清楚这个底座将来要长出什么业务，是为了降本、为了风控、还是为了新产品。想清楚了再投，不然很容易建成一个漂亮的、没人用的陈列品。数据中台如果不能走向数据变现，它就只是一个不断烧钱的基础设施黑洞。这里的本质是，数据底座的价值从来不在"建出来的那一刻"，而在"长出来的那几年"，一旦把建设当成终点，它就注定沦为成本项而非资产项。

PART 02

                 

从RPA到AI，隔着一条认知鸿沟

再看第二层。不少案例里，企业已经过了"数据堆起来"的阶段，开始用工具处理重复劳动。有人用 RPA 机器人接管了报账、合同起草、采购建项这些规则明确的流程；有人用大模型做了智能客服、合同审查、税务开票，这些都属于"把人力从重复劳动里解放出来"的范畴，方向没错，成效也确实看得见：单据处理从几小时缩到几分钟，开票从人工逐张变成批量自动。

但我注意到一个几乎每个案例都存在的问题：这些工具大多停留在"自动化"的层面，谈不上"智能化"。

RPA 的本质是规则驱动，它只是把人的点击动作变成了机器的点击动作，遇到流程变化就失效。很多案例里"准确率 100%""效率提升几十倍"这类表述经不起细看，有的数据前后矛盾，有的百分比没有基数，有的是拿峰值口径去宣传，我一处处核过，水分不小。

更深一层的隐忧是：把旧流程自动化，和用 AI 重新设计流程，是两件完全不同的事。这是国际上很早就被区分开的一对概念，过程自动化（process automation）和过程重构（process reinvention）。RPA 是把一套本来就繁琐的流程搬上机器，它的天花板就是"自动化地做一件笨事"；而 AI 原生意味着重新审视流程本身是否必要，能不能用模型直接跨过中间环节，让组织重新定义自己怎么运转。

很多企业以为自己上了 AI，其实只是给旧流程加了一层自动化外壳。真正的 AI 原生改造，需要的是重新定义组织怎么运转，而这一层，恰恰是绝大多数企业还没开始碰的。这条鸿沟值得多说一句：它不在技术参数里，而在认知模型里，企业缺的不是更强的模型，而是一次"从工具思维到流程思维"的转身，前者问"怎么把现有的事做得更快"，后者才敢问"这件事到底还需不需要存在"。

PART 03

                 

真正的瓶颈，是组织变革而非算法

这是我最想强调的一点，也是从这批案例看，最大的启示。

几乎每一份材料里，都能看到技术落地之后，原有的组织架构、岗位职责、考核方式并没有跟上。我数了数，至少一半的案例涉及"岗位精简""职能归集""人员转岗"，但几乎没有哪家企业认真回答过一个问题：被技术替代掉的人去哪了，被技术重塑的岗位，谁来定义新的职责和考核。

例如，有企业把采购职能从二十个部门归集到一个部门，人员从八十多人精简到三十人，这是很大的组织手术，但材料里只讲了"精简后效率提升"，对"被精简的人怎么安置、组织权力结构怎么重构、部门之间的利益怎么平衡"讳莫如深。

还有企业把客服、投顾、调度这些岗位交给 AI，宣称"人均产能提升""岗位大幅精简"，可一旦涉及"机器做决策、谁担责"这个最要命的问题，材料就含糊了。调度系统自动进了路，出了事故算谁的；AI 判断客户有风险，误导了投资算谁的；医疗 AI 漏报了症状，医生担不担责。这些不是技术问题，是组织和管理问题，牵涉的是责任归属、权力结构、利益再分配，这些恰恰是技术无法替组织回答的。

业界有一句话很残酷：大约九成传统团队在 AI 原生转型中会失败，败就败在组织适配跟不上技术投入。这句话有没有确切出处、那个九成是不是严谨统计，我持保留，这类数字太容易被拿来当营销话术，但方向我认同：技术能不能落地，最后看的不是算法多先进，而是组织有没有能力消化这个变化。如果组织不动，AI 永远只是工具层的一抹点缀，到不了"原生"的层面。组织升级的本质，是把原本属于"个别能人"的能力，制度化、流程化、组织化地扩散给整个系统，缺了这一步，再强的模型也只是悬在空中，落不到业务的土壤里。

PART 04

                 

被高估的智能，与被低估的代价

把这一批案例的优缺点摊开，有几件被普遍高估、和几件被普遍低估的事值得说清楚。

被高估的，一是"智能"的程度。很多号称 AI 的应用，本质上还是规则引擎加一点模型能力，离"会思考、能自主决策"差得很远。二是成效的可验证性，大量"提升 90%""节约上千万"的表述，拿不出基数和第三方验证，属于宣传话术而非经营成果。三是"行业首创""填补空白"这类自我拔高，多数经不起同业比较。

被低估的，一是数据治理的长期性。数据不是一次建好就完事，要持续维护、持续校准口径，这项工作枯燥且永远做不完。二是组织变革的难度，前面说过，这是最大也最容易被回避的环节。三是人的转型成本，把一个人从"会操作"培养成"懂数据、会协作"，远比上一套系统贵，而多数企业没有为此做预算。

这批央国企案例，真正的价值不在它们宣称的那些漂亮的百分比，而在于它们用真金白银验证了一条路径的可行性和代价。它们作为"试验田"的意义，远大于它们作为"宣传稿"的意义。被高估的是热度，被低估的是代价，两者叠加，才是今天智能化观望者最容易错判的地方。

PART 05

                 

趋势的分野：从"要不要转"到"转多深"

把这批案例放回政策坐标里看，数字化智能化的趋势其实是清晰的。政策在"人工智能+"上持续加码，算力等基础设施在向下延伸，国务院在 2025 年 8 月印发的《关于深入实施"人工智能+"行动的意见》（国发〔2025〕11号）明确部署了产业赋能与智能算力两条线，国资委也在央企层面推进"AI 赋能产业焕新"。智能化正在从"要不要"变成"怎么走、走多深"，企业面临的不是要不要转的问题，而是转的深度、节奏和代价的问题。越晚动手，底座的差距会被时间越拉越大。

但这里的分野很清楚：大型国企和中小企业的转法，注定分成两条路。央国企的投入动辄上千万甚至几个亿，中小企业根本学不来也不必学，照搬只会把自己拖垮。其中的方法论，却完全可以借鉴。

第一，别一上来就建大中台

中小企业没有那个资金和团队去养一个庞大的数据底座，更务实的做法是从单点切入，选一个真正影响营收或成本的环节，用最小的工具先解决掉，跑通了再扩。央国企用五年建的底座，中小企业可能用一套 SaaS 加几个 RPA 就能覆盖 80% 的重复劳动。

第二，把 AI 当工具，不把 AI 当信仰

中小企业最缺的是现金流和试错空间，最不缺的是被故事打动。任何一套系统，都要先算清楚投入产出，要能用数据验证，而不是听供应商讲"颠覆""重塑"。央企材料里的数据水分，中小企业大概率会在供应商那再听一遍。

第三，组织变革的代价，提前想

这一点对大小企业一视同仁，哪怕只有十个人，AI 接入了业务，原有的分工和考核也要跟着变。先想清楚谁来做新流程、谁被调整、怎么平稳过渡，比先买系统重要得多。

第四，留白给真正属于中小企业的路

央国企能自建大模型、养自己的数据团队、投入上亿建中台，中小企业不行。但中小企业有它们独有的优势：船小好掉头、贴近客户、决策快。与其羡慕大企业的高大上，不如想清楚自己手里的数据和客户关系，能不能通过一个轻量的智能应用，变成别人没有的差异化能力。这条路，恰恰是大企业建不起、也抄不走的。

PART 06

                 

技术定上限，组织定下限

读这批材料的时候，我一直有个说不清的感觉。一方面，这些大型企业确实在真金白银地投入，方向上也是对的，数据底座、垂直智能、人机协同，一步步在走；另一方面，我又隐约担心，当它们把大部分力气花在技术堆叠上，而回避组织变革这个最硬的骨头时，会不会重演很多数字化转型的老路，上线了系统，却没能长出新的组织能力。

AI原生这四个字，听起来是技术命题，但读到最后你会发现，它其实是一个管理命题。技术决定了天花板的高度，组织决定了能不能够到那个天花板。对大型企业如此，对中小企业更是如此。

我不会给出一个"照做就能成功"的答案，因为这世上没有这种东西。我只想留一句话给所有正在或打算拥抱 AI 的企业家：

AI 不会淘汰你的企业，但一个不会为 AI 而改变组织的人，一定会被时代淘汰。

           

技术终会趋同，真正拉开差距的，是组织最终能不能消化它。