應用時代結束了，央國企都在養數字員工

原創愛分析ifenxi 2026-07-24 08:00

需要最新微控制器編程規范與調試指南？ Wi?Fi 6怎么玩？瑞薩RA6Wx雙頻SoC開發實戰

2026年7月19日，在2026 WAIC央國企數智化轉型論壇上，愛分析首席分析師張揚受邀做了題為《從應用領航到數字員工的范式轉軌》的主題分享。

本次論壇由科大訊飛主辦，中國電力建設集團首席信息官吳張建、國家管網集團數字化部總監駱科東、國元證券人工智能團隊負責人于申等央國企代表同場出席，就AI時代央國企數智化轉型規劃與實踐，進行了分享與討論。

張揚在分享中指出，過去兩年，央國企的AI落地基本上走完了從觀望到行動的階段，56%的企業已經進入試點，場景也在從通用辦公向核心業務遷移。但更關鍵的問題是：這一切做完之后，到底創造了多少價值？

根據愛分析調研顯示，78%的央國企仍然把降本增效作為AI的首要目標，而國資委要求的價值創造，顯然不只是降本。

張揚判斷，央國企AI正在經歷一次范式轉軌，從建應用到養數字員工。建應用是以項目為單元、交付即終點、逐年折舊；養數字員工是以能力為單元、持續運營、按產出衡量。這是兩套完全不同的組織能力和預算邏輯。

以下為張揚的分享實錄。

56%已試點，但78%的目標只是降本增效

先看政策。國資委對央企有四大考核維度，價值創造、戰略落實、科技創新、風險合規。最核心的是價值創造。過去大家理解的價值創造，是凈利潤、經濟增加值這些指標。現在越來越看重新的東西，戰略層面的價值、科技帶來的自主創新價值。

再看AI專項行動的五大目標：應用領航、模型躍升、數據脈動、智算筑基、開源創新。排第一的是應用領航。這不是排序問題，是一脈相承，正因為考核的核心是價值創造，所以AI落地的重心必須是能直接貢獻業務產出的應用。

那么，現在央國企做到什么程度了？我們每年年初調研上百家企業，把落地階段分為四個：觀望學習、探索可研、試點速贏、全面推廣。2025年，超過半數還停在探索可研階段，在跑POC、做技術驗證。到2026年，56%已經進入試點速贏，一年一個臺階，速度夠快。

場景也明顯在從通用辦公向核心業務遷移，生產管理成了AI投入最密集的領域。

但深度呢？我們問了兩個問題。第一，你做AI的首要目標是什么？78%回答降本增效。降本增效本身沒錯，但它距離價值創造還有本質差距。降本增效是把現有的事做得更快更省，價值創造是做出原來做不了的事，比如提升業務的競爭力、把原有業務往上拔高一層。

第二，你做了哪些場景？絕大多數仍然是在做預警，安全預警、供應鏈風險識別預警、經營分析發現問題。這些都是在看見問題。但真正解決問題，比如識別出供應鏈風險之后，能不能聯動調排產、調整供應商備選方案、改變庫存結構，這一步還沒做到。

看見問題是有價值的，但只有走到解決問題，閉環才完成。這就是從建應用到養數字員工的本質區別，建應用解決的是看見問題，養數字員工才能解決問題。

失敗原因第一永遠是數據質量，但根因是缺行動層

我們調研的央國企AI項目成功率在70%左右，約三分之二能達到預期。但失敗的原因，跟三年前相比沒什么變化：第一永遠是數據與知識質量。這個痛點跟有沒有大模型基本沒關系，央國企長期以來普遍認為自己的數據基礎不夠好。

第二是缺乏項目所需的人才和技能。不管是甲方一線的工程師，還是廠商提供的實施團隊，懂業務又懂AI的復合型人才始終稀缺。

但這兩個歸因還不夠深。更深層的問題是：絕大多數AI應用，從架構上就沒有進入業務執行環節。

我們把企業AI能力分成三層，從看見問題、到認知問題再到行動解決問題。當前幾乎所有的項目都只覆蓋了看見和認知問題，行動層是空的。大模型有概率幻覺，央國企場景要求零容錯，這兩者之間有天然沖突。但沖突的根源不在于模型不夠準，而在于沒有一個行動層，讓AI知道業務對象是什么、權限邊界在哪里、執行之后誰來負責。

央國企下一步需要解決三個問題：數據質量、復合人才、行動層。這三個問題，數字員工這個解法能同時覆蓋。

一個工廠，十個工長，十種經驗，怎么沉淀成一套系統

行動層怎么建？核心在本體。

本體這個詞聽著學術，用案例來說就很容易理解。央國企大多有生產產線，一線生產是最貼近核心業務的場景，但恰恰是AI最難滲透的地方。以高爐溫控或者配料控制為例，過去為什么難？

過去走的是建模路線，需要理解業務機理、建模型。但這套路線在生產現場有兩個死結。第一，數據不足。很多工藝環節無法獲取數據，想建模沒素材。第二，真正掌控這些環節的人是工長，他的知識全部是隱性的。他看到設備狀態，憑多年積累的經驗做判斷。十個工長有十種操作習慣，效果千差萬別，誰對誰錯很難說清。

本體的方式不是建一個通用模型去替代所有工長。而是讓每個工長都積累自己的操作記錄，每天怎么調參數、設備數據怎么變化、最終結果怎么樣，這些東西被系統地留存下來。當十個工長的經驗都沉淀在系統里，面對同樣的爐溫波動，系統能給出多個方案版本，告訴你不同方案可能的結果。工長還是最終決策者，但他的決策來源不再只依賴自己一個人的經驗壁壘。

這就是漸進式本體的核心邏輯：從一個最高價值的場景扎進去，先讓AI理解業務對象，再理清對象之間的關系，然后逐步擴大執行權限。跑通一個點，再橫向復制。不是先建一個全企業級的大平臺再去找場景，那又回到建應用的老路上了。

組織變革不是從上往下推，是先把任務拆出來

本體是核心，數據和知識治理是底座。這個治理體系的核心變化是分工更明確了：集團統一建行業級和專業級的語料，二三級應用單位建場景級的知識。因為越是貼近業務一線的核心信息，集團越難統一。能統一的，是行業層和專業層。

但有一個變化是根本性的，也是最容易被低估的，組織怎么變。

過去央國企做組織變革，一定是自上而下：戰略定目標，目標改業務流程，流程調崗位設計，崗位配人員。這是科層制的標準動作。但養數字員工這件事，走不了這條路。你沒法自上而下規劃一個數字員工的成長路徑，它是從最底層的具體任務里長出來的。

我們提出一套四層模型，從下往上走。

第一層是任務。這是最原始的顆粒度。一個工長每天做的，不是管理生產這個抽象概念，而是控制爐溫、調整配料比、判斷設備異常，這些具體到不能再具體的工作單元，才是數字員工最好的切入點。選什么任務？兩個標準：知識密集型、高重復性。

第二層是崗位。當具體任務被數字員工接手，人類員工做什么？答案是角色變了，從操作者變成數字員工的創建者和編排者。而且核心的一點是，不能讓數字員工成為單一物種。一個廠有十個工長，就養十個工長的數字員工。業務環境變了，可能四個不好用了，還有六個。多樣性本身就是抗風險能力。

第三層團隊、第四層組織還在探索期。未來一個人類員工帶著若干數字員工組隊，硅基和碳基的配比會成為一個新話題。再往后，組織可能從固定部門變成以任務為中心的液態結構。但當下最值得投入的，是第一層和第二層，把知識密集型、高重復性的核心任務找出來，用數字員工跑通閉環。

數字員工的預算，不該只放在IT預算里

最后，我們來聊聊企業最現實的問題：數字員工招進來了，怎么管理？怎么考核？錢怎么算？

最后說預算。這個問題被嚴重低估了。

先看數字。國資委數據：央企十四五期間數字化投入累計1.6萬億，十五五預期2萬億以上。分攤下來，僅央企層面每年就有四五千億的數字化預算。我們調研顯示，AI預算占其中的20%到30%。保守估算，每年僅央企在AI上的投入在1500億左右。

錢不是問題。問題是花法。

過去建應用，是典型的資產買斷邏輯——立項、招標、一次性建設、驗收之后逐年折舊。這是IT預算。但數字員工不是一次性資產。它每天都在跑、每天都在消耗算力、每天都在產出。它是一個持續運營的生產力單元。

養數字員工，預算邏輯應該從資產買斷轉向持續運營。計費單位會變成Token，日常運行消耗的、能力迭代消耗的、專家知識更新消耗的，都需要持續投入。哪個業務部門消耗的Token多、產生的業務價值大，成本就歸集到哪個部門，誰使用、誰承擔、誰受益。這不是簡單的財務技術調整，而是一種治理變革。

回到開場那句話：應用領航最大的變化，就是范式從建應用變成了養數字員工。過去以項目為單元、交付即終點。未來以能力為單元，每個崗位都能拆出可數字化、可沉淀、可復用的能力資產。這是兩套完全不同的組織能力和預算邏輯。

登錄閱讀全文



免責聲明：該內容由專欄作者授權發布或作者轉載，目的在于傳遞更多信息，并不代表本網贊同其觀點，本站亦不保證或承諾內容真實性等。若內容或圖片侵犯您的權益，請及時聯系本站刪除。侵權投訴聯系：? nick.zong@aspencore.com！

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

進入專欄

評論

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

文章：1225篇粉絲：15人

 私信

應用時代結束了，央國企都在養數字員工

最近文章

熱門文章

推薦

最新資訊