央企AI落地困局：突破组织软基建瓶颈是关键

4013字| 预计阅读时长约5分钟

算力基础可以通过加大投入来构建，通用大模型也能实现初步落地。然而，数据在部门间的流动受阻、复合知识在组织内难以转化、管理层担心经验优势流失——这些组织层面的软性基建滞后，才是阻碍大规模应用的核心痛点。

所谓的“组织软基建”，是指区别于算力、模型等硬投入的制度架构、协作机制、数据治理规则、人才转换渠道及激励约束机制的总称。它不直接产生算力，却决定了算力能否被有效利用。

4月28日，中共中央政治局举行会议，在经济工作部署中释放了一个重要信号——全面推行“人工智能+”行动，培育智能经济新形态，并健全人工智能治理体系。同一天，工信部与国家数据局联合启动2026年“模数共振”行动。顶层设计的意图已非常清晰：国务院国资委明确要求，各央企“以制定和实施‘十五五’规划为契机”，找准发展人工智能的定位和优势，当好智算基础设施的供给者、赋能千行百业的推动者、产业体系化布局的组织者。

近几年来，央企对AI领域的投入不断加大。根据国务院国资委公开信息显示，全行业已在能源、制造、通信等16个重点领域打造了800多个应用场景，建立了超过1000个行业数据集。国家电投将风光制氢利用率推高至98%，中广核已建成涵盖核能、新能源等领域的18个数据集并上线13个典型应用。一些垂直场景的产出，实实在在。

然而问题也随之显现：虽然算力和通用大模型等基础能力已先行跑通，但数据汇聚治理、规模化复制以及人才结构配套这三类组织能力却尚未跟上步伐。AI如果被锁在个别部门与工程试点中，最终只会把“盆景式创新”的成本摊进整体报表，却无法转化为真正的组织效能。

技术可以购买，但组织能力必须自建——而这恰恰是最难的一环。

01

基础能力虽已先行，但组织层面的短板日益凸显

尽管算力基础设施和通用模型体系已具备一定基础，但要将AI渗透至核心业务，必须直面三个尚未弥合的“结构性差距”。严格来说，技术并未完全成熟——工业级场景对实时性、安全性、可控性的要求远超通用算力能覆盖的程度，高端芯片的供给约束同样让建设速度受限。

更现实的挑战在于：在技术还在攻坚的同时，组织侧的协同、数据、人才这三类软基建已经严重滞后，成为拉低整体速度的显著短板。

第一个结构性缺失：虽然数据存量巨大，但高质量、跨部门的数据集在安全合规框架下难以实现规模化汇聚。

大型央企内部业务单元众多，原有信息系统标准不一、格式各异，先天缺乏面向AI训练的数据互通基础。国家数据局已组织12家央企牵头开展首批试点，明确要求共建行业数据标准体系和可信数据空间。

开发利用国企数据资源，不能单打独斗，必须联动多方力量打破数据壁垒。

但还有一个极少被公开提及的外部硬性约束：《数据安全法》《关键信息基础设施安全保护条例》对核心工业数据、用户隐私数据的跨主体流动设置了严格闭环要求。合规责任边界尚未完全厘清之前，不少部门处于“不敢共享”而非“不愿共享”的状态。

组织意愿与合规安全之间，还有一整套制度管道需要铺设。

第二个结构性缺失：试点虽然跑通，但规模化复制对组织协同与技术适配提出了复合型挑战。

当前，许多项目优先选择阻力小、组织摩擦轻的场景先行落地，创新成果容易集中。但一旦向跨部门、跨层级的核心业务流程迁移，性质就开始改变。

数据归属与权责划分趋于复杂，跨部门统筹的协调成本成倍上升。

与此同时，工业场景本身的非标属性开始显现：不同工厂、不同产线之间的设备型号、地质工况、工艺路线差别极大，试点中高度定制化的模型向新场景迁移时，往往需要重新标注数据、微调参数甚至重组系统接口。工业AI规模化是全球性难题，绝非单靠组织“打通”就能一次性解决。国资委在AI+专项行动深化部署会上强调“高适配、高价值、高可靠”，本质上是要求企业同时回应组织提效与技术工程化两道考题，而非偏废其一。

第三个结构性缺失：懂业务的专业人员与懂AI的技术人员之间，缺乏稳定的制度化“转换层”。

AI团队通常驻扎总部，面对通用数据集进行模型研究；一线业务专家虽精通具体工况，却难以将多年积累的隐性经验判断拆解为AI可识别的结构化特征。表面上是“语言不通”，背后却涉及更深层的组织架构设计。

在不少央企体系里，AI或数字化部门长期以成本中心或二级部门的身份运转，尚未制度性嵌入核心业务主流程，也就很难获得与业务部门对等对话、协同推进的正式权限。

再加上人才结构的客观失衡——高端复合型数字人才缺口持续扩大，使得跨界的“转换层”迟迟建立不起来。还有一层客观难度：一线专家的核心经验中大量是不可言说的隐性知识，将其拆解为结构化特征本身就是工业AI的全球性难题。

隐性知识越难自动转化，就越需要机制来推动持续的人机对齐。两层因素叠加，AI的输入和输出始终无法在同一张作战图上对齐。

02

制度与投入俱备，为何部分核心场景的规模化落地仍不及预期

央国企从不缺乏制度安排。权责清单、合规审计以及“三重一大”决策程序，一应俱全。

但如果以为有了制度便等于有了组织协同，则忽略了大型组织运作的一个核心规律：制度主要管“做什么”，而“做到何种深度、是否愿意主动配合”，则由深层激励机制和组织心态决定。

第一层阻力：跨部门协同贡献在考核体系中的权重依然偏低。

当一个业务单元被要求向集团统一AI底座开放高质量数据接口时，完全可以完成流程、提供合规格式的数据，在程序上无懈可击。但在持续维护数据质量、主动适配接口、协同排查异常等“规定动作之外”的隐性投入上，动力明显不足。

战略方向要真正传导到每一级业务单元的日常任务清单中，还需要更具体的激励工具——将协同数据的质量与贡献纳入考核、与资源分配建立可量化的对应关系。

第二层阻力：AI触动的不只是效率变革，更是组织内部知识价值的重新评估。

当一个靠经验判断建立职业壁垒的业务骨干，发现AI算法在故障预判、调度排程等环节输出比经验更精准的结果时，他的第一反应往往不是欣喜，而是某种深层且不便公开表达的不安全感。这不是“反对技术进步”。

AI冲击的恰恰是传统上更依赖隐性知识的领域——这与ERP时代流程替代手工做账完全不同。当技术开始介入“判断”本身，组织需要做的就不只是培训和动员，而是为存量人才铺设新的价值出口。

这两层因素长期交织，一些场景才会出现“试点风光、推广迟滞”的困境。

03

方向与路径：让AI真正长出组织级的根基

如果正视AI规模化落地最吃重的部分不在模型层，而在组织逻辑层，那投入方向就需要同步调整——不是先等组织完全理顺再上技术，也不是只建平台而忽视治理，而是让组织变革与技术建设在同一迭代周期里相互校准。

第一，将数据共享从“配合义务”升级为“有制度保障的价值交换”。

国家数据局已推动首批央企试点，提出建立数据开放服务清单、共建行业数据标准以及设立可信数据空间。在此基础上，更细化的机制可以先行探索：在集团内部试行跨部门联合数据沙盒，在安全闭环的前提下让数据可用不可见；通过“模数共振”空间建立多主体数据协同的信托与计价机制，让贡献高质量数据集的部门在资源共享中获得真实红利。

有了制度保安全、有了“贡献可见”的激励，数据才能真正从部门资产进化为组织公共基础设施。

已有部分央企开始尝试不再将AI团队定位为独立条线，而是将技术骨干前置派驻至能源调度、设备运维、供应链管理等核心业务单元，实现模型开发与工况调试同步推进。当业务痛点可以直接转化为技术任务，AI的输出能即时得到一线反馈，试点和规模化的链路便被大幅压缩。

这不是组织架构的彻底重构，而是在现有体系内重新摆布资源的协同关系，也是破解“懂业务的不懂AI”这一老难题成本最低的切入路径。

第三，在现有考核框架内优先建立“协同贡献”的观测与反馈机制。

不等待顶层体系全面刷新，而是率先从AI项目维度引入“数据开放度”“跨部门模型复用率”等可追踪指标，向组织传递一个清晰信号。

愿意把核心业务数据拿出来一起跑通场景、愿意让兄弟部门复用模型成果的行为，应该被记录、被看见、被善待。考核指挥棒往哪里指，精力与资源就往哪里流动。

第四，正视AI对组织心理结构的真实冲击，将人才体系的配套调整前置。

工业时代的管理者靠经验构建权威，AI深度嵌入业务流程之后，管理者的核心能力会逐步从“知道答案”转向“能提出更好问题、能调用AI工具完成更复杂判断”。这不是一两个培训项目能承接的转型，而需要一套组合的制度回应：为存量业务专家铺设新技术技能的转型通道，为一线技术人员建立清晰的AI协作人机接口，并对早期愿意拥抱AI、主动开放数据、率先跑通协同场景的个体与团队提供明确的职业发展信号。

“人工智能+”的本质在于，“加”的不仅是模型和算力，更是组织自身的升级迭代。

04

结语

央企人工智能的规模化落地，真正的分水岭不仅在于模型精度的提升，更在于组织内部能否长出能持续“接住技术”的软基建。

只有在数据贡献被真实度量与制度保障、跨部门知识转译不再仅依赖个别复合型人才的个人禀赋、考核体系让长期协同投入得到显性反馈、核心业务骨干在AI协作中找到新的价值坐标之时——规模化落地的组织底座才算真正建成，而不是将上一轮数字化转型的旧痛点，套上“人工智能+”的新外衣。

这条路注定不会快，但方向是清楚的。

与其在模型参数上倾注全部资源，不如在组织逻辑上，一厘米一厘米地修通属于自己的“高速公路”。

「转发提示」

如果你所在的部门正经历“AI平台部署完成，但场景推进陷入僵局”的阶段，或你的团队正努力打通跨部门的数据链条——这篇观察或许能提供新的讨论起点。

欢迎转发给同样思考此问题的同事。你们团队的AI应用落地，最大的瓶颈是技术适配还是跨部门协同？请在评论区讨论。

本文基于公开政策与行业趋势讨论组织治理命题，引用数据均来自公开可查的行业研究报告与政策文件。文中“央国企”为行业泛指，核心观察主要适用于组织层级较深、业务板块多元、正在推进AI规模化落地的大型央企及省属重点国企。具体企业情形请以实际管理场景为准。

韬略臻策产品咨询服务

END