张晏佳：央国企AI转型进入深水区 从数据筑基到产业跃迁

张晏佳认为，当前，央国企AI转型正在从认知启蒙、试点探索阶段，进入以主业融入、数据筑基、组织协同和产业重构为核心特征的深水区。相比“是否部署模型”，更关键的问题在于企业能否围绕核心业务场景打通数据链路、流程链路与责任链路，推动AI从辅助工具走向经营能力、管理能力与产业能力。本文认为，央国企AI转型的成败，不取决于单点技术应用的多少，而取决于是否形成以高价值场景为牵引、以高质量数据为底座、以组织机制创新为保障、以产业生态协同为放大的系统推进路径。谁能率先完成从技术试点到体系化落地、从能力建设到价值创造的跨越，谁就更有可能在新一轮产业竞争中建立先发优势。

未来标杆实验室创始人 张晏佳

人工智能进入企业，不再是一个“要不要做”的问题，而是一个“如何真正做成”的问题。尤其对于央国企和大量传统产业企业而言，过去几年更多还是认知启蒙、技术试点和平台铺设的阶段，而今天，真正的挑战已经发生变化：AI能不能进入主业、进入流程、进入现场，能不能从概念展示走向经营结果，能不能从零散项目沉淀为可复制的组织能力与产业能力。

如果说这一轮生成式AI浪潮最初引发的是企业对技术能力边界的重新认识，那么到了当下，央国企AI转型更需要回答的，已经不是“模型有多强”，而是“数据基础是否扎实、场景路径是否清晰、组织机制是否支持、产业协同是否形成”。换句话说，央国企AI转型正在进入真正的深水区。

这也是为什么，观察当前央国企AI布局，不能只看大模型部署了多少、平台上线了多少、概念发布了多少，更要看数据治理的深度、业务穿透的广度、机制重构的力度，以及产业资本和生态组织的成熟度。真正能够拉开未来差距的，不是热度，而是这些更慢、更难、但也更决定长期结果的底层变量。

张晏佳长期以“十看”方法研判产业趋势，即从政策、国际、科技、资本、人才、产业、市场、竞争、用户与企业自身十个维度综合判断变化方向。放到当前央国企AI转型语境中，最值得优先把握的，是其中与政策、产业、科技、资本和组织能力直接相关的几个关键变量。也正是在这些变量的交汇处，央国企AI转型的深层逻辑开始逐步显现。

一、看政策：AI转型正在从方向倡导走向任务落地

对于央国企而言，AI早已不是一个“鼓励探索”的加分项，而是在新型工业化、新质生产力和产业升级背景下必须推进的系统工程。过去企业看政策，更多是在看方向；今天再看，已经不能停留在方向层面，而必须进一步看到任务、抓手、机制和路径。

当前政策最重要的变化之一，在于人工智能与实体经济融合的重心正在前移。企业竞争不再只是比谁更早部署模型，而是比谁更早完成数据底座建设、标准体系建设、重点场景突破和协同生态培育。特别是在制造业、能源、通信、交通、钢铁、装备等领域，政策信号已经非常清晰：AI必须向行业深处走，向生产环节走，向业务链条走。

这意味着，央国企未来在AI上的投入重点，也会发生显著变化：从过去偏重信息化系统建设和平台部署，逐步转向高质量数据集、行业模型、工业智能体、数据治理、安全合规、标准研制与场景应用协同推进。表面上看，这是投入结构的变化；实质上看，这是企业对AI理解方式的变化——从“把AI当工具”走向“把AI当能力”。

因此，从政策维度理解央国企AI转型，最关键的不是判断政策是否支持，而是判断企业能否真正把政策要求翻译成自身的行动框架。谁能把政策导向转化为主业场景、组织机制和能力布局，谁就更有可能在下一阶段率先建立优势。

二、看产业：央国企数智化正从“项目驱动”走向“主业驱动”

过去几年，不少央国企都在推进AI和数字化相关工作：采购工具、搭建平台、建设中台、成立专项小组、布局创新实验室。从表面看，热度很高、动作很多，但从实际成效看，真正进入主业务链、核心流程、关键岗位和复杂工业场景的比例仍然有限。

这并不是因为企业不重视，也不是因为技术没有价值，而是因为央国企和传统产业企业的AI落地，本来就不可能走互联网式的轻路径。它们的业务复杂度高、流程链条长、责任体系严、系统存量重、组织分工细，很多行业还涉及安全生产、合规监管、设备资产、供应链协同和多层级管理。对于这样的组织来说，AI要发挥作用，绝不是接一个模型、做几个助手、部署一个平台就能解决的。

真正的转折点在于，央国企的AI建设正在从“有没有项目”转向“能不能进入主业”。也就是说，企业越来越关心的，不是单个系统是否上线，而是AI是否能够进入研发设计、设备运维、质量控制、供应链协同、能源管理、安全管理、采购决策、项目管理等核心环节，是否能够形成可衡量的经营价值。

从产业角度看，这意味着央国企AI转型的评价标准也在发生变化。过去可以用项目数量、平台数量、展示案例来衡量阶段性进展；未来更重要的，则是场景穿透深度、流程嵌入程度、跨部门协同水平和规模复制能力。换句话说，央国企数智化正在从“项目驱动”走向“主业驱动”，从“做了什么”走向“真正改变了什么”。

三、看科技：真正的分水岭，不是模型多少，而是数据能否成体系、场景能否跑闭环

今天很多关于企业AI转型的讨论，仍然习惯把重点放在模型参数、工具更新和产品能力上。但对于央国企来说，技术只是起点，不是终点。企业最终能不能做成AI，往往不取决于模型本身多先进，而取决于三个要素是否被真正打通：场景、数据和流程。

先看场景。很多企业并不缺AI想法，缺的是对“高价值、可落地、可复制”场景的识别能力。有的场景听起来很先进，但并不形成明确价值；有的场景技术上可以做，但业务部门没有动力；有的场景试点时有效，一扩展就失效。结果就是项目看起来不少，真正能转化为经营改进的并不多。央国企做AI，最重要的不是做“看起来像AI”的事，而是围绕主业核心流程，找到那些能真正形成降本增效、风险控制、质量提升和协同优化的场景切口。

再看数据。绝大多数传统企业的问题，不是没有数据，而是数据不可用、不可联、不可管、不可持续供给。数据散落在不同系统、不同厂区、不同设备、不同部门之中，标准不统一、口径不一致、权限不清晰、治理不闭环。模型再强，如果输入的数据缺失、失真、碎片化，最终也很难在企业场景中稳定地产生价值。很多所谓AI落地难，归根到底不是模型不行，而是数据基础没有真正打牢。

最后看流程闭环。AI不是停留在演示层的能力，而必须进入企业实际运行体系中，嵌入决策、调度、风控、生产和运营动作中去。只有当AI与流程改造同步推进，数据与业务动作形成联动，技术才能从“会说”走向“会做”，从辅助理解走向辅助执行。

因此，真正有成效的AI转型，必须不是“单点技术导入”，而是“场景牵引、数据筑基、流程联动”的联动推进。少了任何一环，AI都会停留在展示层。

四、看资本：比财务投资逻辑更重要的，是产业资本逻辑

很多企业在看AI时，容易从估值、融资和热点赛道的角度理解资本逻辑。但对于央国企而言，真正重要的并不是短期财务回报，而是如何把自身强大的产业资本能力、资源组织能力和场景整合能力，用来反向塑造AI能力，为主业所用、为产业链所用。

这是一种完全不同的逻辑。财务投资更关注项目估值、退出预期和资本收益；而产业资本更关注的是，这项技术和这家企业是否能进入自身产业链，是否能服务主业升级，是否能强化产业组织能力，是否能在未来形成协同效应。对于央国企来说，后者显然更具战略意义。

很多央国企手中真正稀缺的资源，不只是资金本身，而是场景、客户、数据、工程能力、供应链位置、产业组织权和长期信用。这些资源如果能够与AI企业形成有效耦合，就不只是“投项目”，而是在“造能力”。也正因此，央国企在AI领域最值得重视的，不只是财务回报，而是通过产业基金、场景共建、联合实验室、生态合作、标准参与等方式，把AI能力嵌入自身产业升级进程。

从这个意义上看，央国企发展AI，不应停留在“要不要投几家AI企业”的层面，而应进一步思考：如何通过资本工具与产业组织能力结合，构建自己的技术合作网络、场景验证网络和能力输出网络。这才是更深层次的产业跃迁。

五、看自己：央国企AI落地绕不过去的，仍然是组织与机制

企业AI转型讨论中，一个经常被低估的问题是组织。事实上，很多AI项目之所以推进不下去，不是技术无法实现，而是组织机制没有同步调整。

央国企的优势在于资源整合能力强、战略执行能力强、重大工程推进能力强，但其挑战也同样明显：组织层级较多、决策链条较长、跨部门协同复杂、试错容忍度有限、责任边界明确但协同边界模糊。在这种环境下，AI如果仍被视作一个局部技术事项，很容易出现“都知道重要，但谁都难以独立推进”的局面。

因此，AI落地要真正提速，必须回答几个组织问题。第 一，谁为场景价值负责？如果AI项目只是技术部门推动，业务部门配合，最后往往难以形成真实牵引。必须让业务部门成为价值定义者，技术部门成为能力支撑者，管理层成为资源协调者。第二，谁为跨部门流程改造负责？很多AI场景不是加一个工具，而是要重构部分流程。如果没有明确的机制推动流程再设计，AI就只能停留在旧流程之上“叠一层智能”，效果有限。第三，如何建立合理的试错机制和评估机制？AI项目在早期不可能个个成功，如果考核体系只接受“零风险、快收益”，企业就只能做一些边缘化、低风险的小项目，而难以推动真正有战略价值的场景突破。第四，如何形成长期运营能力？AI不是一次性交付，而是持续迭代。模型会变、数据会变、业务会变、人员会变，如果没有稳定的运营机制，很多项目上线即终点。

可以说，组织机制问题不解决，AI很难从技术热情走向经营现实。真正领 先的央国企，不会只比谁先部署，而会比谁先建立起一套适合自身业务结构的AI推进机制。

六、从“十看”回到落地：央国企AI转型的现实路径

如果把政策、产业、科技、资本和组织几个维度合在一起看，就会发现，央国企AI转型真正缺少的，不是概念，也不是热情，而是一条清晰、可执行、可复制的落地路径。

这条路径至少应包括六个环节。

第 一，围绕主业梳理场景，而不是围绕技术寻找用武之地。AI落地必须从经营问题出发，而不是从技术能力倒推。第二，筛选少数高价值场景，做出看得见结果的试点。企业真正需要的不是铺开很多项目，而是先在关键场景上做出样板。第三，在试点过程中同步打通数据链路、流程链路和责任链路。很多项目之所以后续跑不动，不是技术试点失败，而是这三条链路没有同时打通。第四，把成功场景抽象为样板，形成标准化方法。一个真正有价值的AI样板，不只是证明技术可行，更要证明业务可行、组织可行和投入产出可行。第五，推动跨部门、跨单位复制，并建立持续运营机制。复制的难度远高于试点本身，因为它意味着标准化、产品化、流程化和机制化。第六，把AI能力进一步纳入企业战略、资本布局和生态协同之中，让它从项目能力上升为组织能力和产业能力。

对于央国企而言，真正的分化并不发生在“有没有做试点”上，而发生在“能否从试点走向样板，再从样板走向复制”上。谁能把这条路径跑通，谁就更可能把AI真正做成企业能力。

七、未来三年，央国企AI转型真正值得关注的五个方向

展望未来三年，央国企AI转型大概率会沿着以下五个方向持续深化。

第 一，数据基础设施和工业数据治理将成为主战场。模型能力正在逐步普及，真正形成差异化的，将是数据可得性、可治理性和可运营性。

第二，AI将更深地进入核心生产和经营环节。从办公辅助走向研发、制造、运维、供应链、风控和管理协同，是必然趋势。

第三，企业将从单点试点转向体系化复制。AI应用不再是“做几个案例”，而是“形成一套能力”。

第四，组织机制创新会变得越来越关键。谁能建立更适合AI落地的协同机制、试错机制和运营机制，谁就更可能率先突破。

第五，产业资本与生态联合体的作用会持续上升。央国企不会只做应用者，也会成为资源整合者、场景组织者和产业共建者。

这些变化共同指向一个事实：央国企AI转型已经不再是单一技术升级，而是在走向数据重构、组织重构和产业重构的交汇点。

八、结语：央国企AI转型的真正目标，不是“拥有AI”，而是“形成新的产业能力”

每一轮重大技术变革，都会经历从概念兴奋到产业重估的过程。AI也不例外。对于央国企而言，真正值得重视的，不是是否赶上了技术热潮，而是能否在热潮退去之后，留下可持续的数据基础、可复制的场景样板、可推进的组织机制和可扩展的产业生态。

从这个角度看，央国企AI转型的终局，不是部署了多少模型，也不是上线了多少应用，而是有没有形成新的产业能力：有没有让数据成为真正的生产要素，有没有让AI进入主业并改变经营方式，有没有通过资本、场景和生态协同重塑产业竞争力。

深水区从来意味着难度，也意味着真正的分化开始发生。未来几年，央国企之间的差距，很可能不再体现在“是否重视AI”上，而将体现在“谁真正做成了AI”。

未来标杆实验室，专注服务央国企与传统行业龙头企业，帮助其围绕主业找到真正可落地的AI场景，跑通试点、形成样板，并逐步沉淀为可复制的组织能力与经营成果。

作者简介

张晏佳，未来标杆实验室创始人，产业AI战略与落地专家，北京AI联盟理事长，中金协钢铁供应链人工智能研究院执行院长。深耕数字经济、产业互联网与人工智能领域近二十四年，拥有丰富的产业实践、政企协同与AI场景落地经验，长期服务于政府、央国企及行业龙头企业，聚焦产业升级、场景重构、招商赋能与人工智能商业化应用。