怎么让大模型真正创造业务价值答案在模型之外。过去几年人工智能产业的发展主要围绕模型能力展开。从参数规模到推理性能从多模态能力到训练效率基础模型不断刷新技术边界也推动AI应用进入新的发展阶段。但当AI真正进入企业场景后一个更加现实的问题逐渐浮现使用先进模型不意味着企业就能获得收益。企业需要面对的是更加复杂的现实环境多年积累的数据如何被AI理解大量既有系统如何与智能体连接新的AI应用如何快速构建并符合企业工程规范这些问题决定了AI能否从技术演示走向业务生产。2026世界人工智能大会期间普元信息提出“AI原生数字基座”理念围绕智能数据治理、AI应用开发和全域融合集成三大方向探索企业数字基础设施面向AI时代的演进路径。这背后反映的是一个产业趋势随着大模型能力逐渐普及企业AI竞争正在从模型能力竞争走向支撑AI规模化应用的底座能力竞争。01 AI进入产业深水区企业竞争焦点正在发生变化人工智能的发展正在进入新的阶段。过去企业关注的是“有没有AI能力”。是否接入大模型是否建设智能助手是否推出AI应用成为衡量企业智能化探索的重要指标。随着越来越多企业开始实践AI应用产业关注的问题正在发生变化。企业发现将一个大模型接入业务并不能自动产生价值。一个真正投入生产环境的AI应用需要同时具备多个条件l它需要有高质量的数据作为基础让AI能够理解企业业务l需要有高效的软件开发体系让AI应用能够快速构建和持续迭代l需要有连接企业系统的能力让智能体真正进入业务流程。换句话说企业AI落地是一项涉及数据、软件、系统和业务流程的系统工程。正如WAIC大会上中国信通院人工智能研究所平台部副主任李荪所提出的当前人工智能产业仍面临“数—模—用”之间协同不足的问题。虽然越来越多企业开始建设行业高质量数据集但如何进一步推动数据、模型与应用形成闭环仍然是产业需要解决的重要问题。图1中国信通院人工智能研究所平台部副主任李荪破解“数-模-用”脱节构建“模数共振”正向循环02 企业AI落地需要跨越三座“大山”第一座数据山——AI需要理解企业企业不缺少数据。经过多年数字化建设大多数企业已经积累了大量业务数据覆盖客户、交易、供应链、生产、运营等多个领域。但数据规模不等于数据价值。在传统数字化阶段企业数据更多承担记录和分析作用。而在AI时代数据需要进一步成为模型理解业务、生成智能结果的重要基础。现实情况是企业数据往往分散在不同系统由不同部门产生存在标准不统一、口径不一致、质量参差不齐等问题。例如同一个客户可能同时存在于营销系统、交易系统和客服系统中同一个业务指标也可能因为统计规则不同产生不同结果。这些问题在传统业务系统中可能只是影响管理效率但在AI应用中会直接影响模型效果。因为AI输出质量很大程度取决于输入数据质量。因此企业AI时代的数据治理需要从过去的数据管理进一步走向面向智能应用的数据供给。企业需要能够被AI理解、调用和复用的数据资产。这也是高质量数据集受到产业关注的重要原因。第二座软件工程山——AI需要进入生产体系数据之外企业还面临另一个关键问题如何快速构建大量AI应用随着AI进入业务场景企业需要建设的不再是少量实验性应用而是面向不同岗位、不同流程的大量智能助手、智能体和AI工作流。这对软件生产方式提出了新的要求。过去的软件开发流程通常围绕需求分析、架构设计、编码测试、上线运行展开。AI时代应用需求变化更快业务场景更加碎片化传统开发模式面临效率挑战。因此AI Coding成为行业关注的重要方向。对于开发人员而言AI辅助生成代码可以显著提升编码效率。但对于大型企业而言代码生成只是AI Coding价值中最容易看到的一部分。真正决定AI Coding能否进入企业生产环境的是隐藏在代码之外的工程化问题。对个人开发者而言AI Coding最直观的价值是提升代码编写效率。但进入企业场景后编写逻辑代码只是浮出水面的部分。水面之下企业需要解决更加复杂的问题第一架构一致性。企业软件是在多年建设过程中形成了完整的技术架构、开发规范和治理体系。AI生成的代码即使能够运行也可能不符合企业既有架构要求增加后续维护成本。因此企业需要的不是单纯会写代码的AI而是理解企业架构约束的AI。第二资产复用。大型企业经过多年数字化建设积累了大量业务模型、流程组件、接口服务和软件资产。如果AI每次生成代码都从零开始就无法发挥企业已有数字资产的价值。企业级AI开发需要让AI理解并复用已有软件资产而不是重新创造。第三合规管控。个人开发场景中代码效率和功能实现可能是主要目标。但对于金融、能源、政企等行业软件系统需要满足严格的安全、审计和管理要求。企业需要确保AI生成过程可追踪、代码变更可管理、系统运行可审计。第三座系统连接山——AI需要进入业务流程除了数据和开发能力企业AI落地还面临另一个关键问题AI如何真正进入业务当前大多数企业已经拥有大量数字化系统包括ERP、CRM、生产系统、数据平台以及各种行业应用。这些系统承载着企业核心业务流程也是AI创造价值的重要场景。如果AI只能停留在聊天窗口中它很难真正改变企业运营方式它需要具备更强的业务连接能力l销售智能体需要连接客户系统和订单系统辅助销售预测和客户运营l生产智能体需要连接制造系统和供应链系统参与生产调度和流程优化l运营智能体需要连接数据平台和业务应用帮助企业提升决策效率。这意味着企业需要建立连接AI能力与业务系统的新型基础设施。一方面需要通过API管理、系统集成、智能网关等能力打通企业内部长期形成的信息孤岛另一方面需要对模型调用、智能体运行和数据流转进行统一管理确保AI应用安全、稳定、可控。03 普元信息率先跑通AI原生数字基座布局三类核心能力从国产基础软件到SOA架构再到云应用平台、大数据和数据治理普元长期围绕企业核心软件能力展开积累。这些技术沉淀成为其探索AI时代数字基础设施的重要基础。AI时代数字基座需要承担新的使命。它不仅需要支撑业务系统运行还需要支撑AI能力进入企业。这正是普元提出“AI原生数字基座”的背景。基于对企业AI落地挑战的观察普元信息将AI原生数字基座建设聚焦于三个方向智能数据治理、AI应用开发和全域融合集成。智能数据治理让数据成为AI可用资产对于企业而言数据价值不取决于数量取决于能否被AI有效利用。普元信息将这一方向定义为“易数治”。核心目标是帮助企业将分散的数据资源转化为AI能够理解和使用的数据资产。围绕这一目标普元通过主数据管理、数据标准治理、数据质量管理、数据资产管理等能力帮助企业构建统一的数据管控体系。同时结合大模型能力推动数据生成、清洗、增强和标注等环节智能化提高企业高质量数据集建设效率。在WAIC期间普元数据智能研究院院长李书超展示了相关实践通过大模型辅助数据工程流程探索人机协同的数据管控模式。在产品层面普元·易数正是在这一背景下打造的新一代数据中枢通过数据治理、数据资产管理和智能融合能力帮助企业打通数据价值链路让数据从沉淀资源转变为业务创新能力。AI应用开发推动企业软件生产体系升级随着AI应用需求快速增长企业需要一种新的软件生产方式。普元信息将这一方向定义为“一开转”即面向企业的AI原生应用开发能力。与传统AI Coding工具主要关注代码生成不同企业级AI开发更强调软件工程体系的完整性。普元认为AI应该深入软件生命周期从需求分析、架构设计、代码开发到测试和运维实现全过程协同。通过AI智能体参与软件研发流程并结合企业已有架构规范、软件资产和工程治理体系企业可以进一步提升软件建设效率同时保证开发过程符合企业要求。这意味着AI对软件行业的影响不只是增加一个开发工具而是推动整个软件生产方式发生变化。未来软件开发人员的角色也将逐步变化。开发人员不再只是编写代码而是通过AI管理软件生产过程让AI能力与企业工程体系结合。在产品层面普元·一开遵循“企业级智能软件工厂”的理念通过AI智能体参与软件开发全过程推动企业形成更加智能化的软件生产体系。全域融合集成让AI进入企业业务流程如果AI无法连接企业系统只能停留在信息查询和简单交互层面很难改变企业运营方式。因此企业需要建立连接数据、应用和AI能力的新型集成体系。普元信息将这一方向定义为“即联通”。其核心目标是通过全域融合集成能力让企业已有系统与AI能力实现统一连接。具体来看包括三个方面l首先实现业务系统互联。企业长期建设形成的大量系统需要通过集成能力实现数据流动和业务协同。l其次实现接口和服务统一治理。随着企业部署越来越多AI应用API管理和服务复用的重要性不断提升。l最后实现AI能力安全接入。企业需要对大模型调用、智能体运行和数据访问进行统一管理保障AI应用安全、稳定运行。在产品方面普元·即联正是普元信息在这一方向上的探索通过系统互联、API治理以及AI网关等能力帮助企业连接应用、数据与AI能力让智能化真正进入业务流程。04结语AI竞争进入底座时代AI原生数字基座正在成为企业智能化转型的重要基础设施。它连接过去多年数字化建设积累也承载未来智能化发展的可能。WAIC展示的不只是人工智能技术的最新进展也展现了产业发展的下一阶段方向让数据更好地服务智能让应用更快地响应业务让AI真正进入企业生产体系。
WAIC观察：企业AI进入底座竞争时代 | 爱分析调研
怎么让大模型真正创造业务价值答案在模型之外。过去几年人工智能产业的发展主要围绕模型能力展开。从参数规模到推理性能从多模态能力到训练效率基础模型不断刷新技术边界也推动AI应用进入新的发展阶段。但当AI真正进入企业场景后一个更加现实的问题逐渐浮现使用先进模型不意味着企业就能获得收益。企业需要面对的是更加复杂的现实环境多年积累的数据如何被AI理解大量既有系统如何与智能体连接新的AI应用如何快速构建并符合企业工程规范这些问题决定了AI能否从技术演示走向业务生产。2026世界人工智能大会期间普元信息提出“AI原生数字基座”理念围绕智能数据治理、AI应用开发和全域融合集成三大方向探索企业数字基础设施面向AI时代的演进路径。这背后反映的是一个产业趋势随着大模型能力逐渐普及企业AI竞争正在从模型能力竞争走向支撑AI规模化应用的底座能力竞争。01 AI进入产业深水区企业竞争焦点正在发生变化人工智能的发展正在进入新的阶段。过去企业关注的是“有没有AI能力”。是否接入大模型是否建设智能助手是否推出AI应用成为衡量企业智能化探索的重要指标。随着越来越多企业开始实践AI应用产业关注的问题正在发生变化。企业发现将一个大模型接入业务并不能自动产生价值。一个真正投入生产环境的AI应用需要同时具备多个条件l它需要有高质量的数据作为基础让AI能够理解企业业务l需要有高效的软件开发体系让AI应用能够快速构建和持续迭代l需要有连接企业系统的能力让智能体真正进入业务流程。换句话说企业AI落地是一项涉及数据、软件、系统和业务流程的系统工程。正如WAIC大会上中国信通院人工智能研究所平台部副主任李荪所提出的当前人工智能产业仍面临“数—模—用”之间协同不足的问题。虽然越来越多企业开始建设行业高质量数据集但如何进一步推动数据、模型与应用形成闭环仍然是产业需要解决的重要问题。图1中国信通院人工智能研究所平台部副主任李荪破解“数-模-用”脱节构建“模数共振”正向循环02 企业AI落地需要跨越三座“大山”第一座数据山——AI需要理解企业企业不缺少数据。经过多年数字化建设大多数企业已经积累了大量业务数据覆盖客户、交易、供应链、生产、运营等多个领域。但数据规模不等于数据价值。在传统数字化阶段企业数据更多承担记录和分析作用。而在AI时代数据需要进一步成为模型理解业务、生成智能结果的重要基础。现实情况是企业数据往往分散在不同系统由不同部门产生存在标准不统一、口径不一致、质量参差不齐等问题。例如同一个客户可能同时存在于营销系统、交易系统和客服系统中同一个业务指标也可能因为统计规则不同产生不同结果。这些问题在传统业务系统中可能只是影响管理效率但在AI应用中会直接影响模型效果。因为AI输出质量很大程度取决于输入数据质量。因此企业AI时代的数据治理需要从过去的数据管理进一步走向面向智能应用的数据供给。企业需要能够被AI理解、调用和复用的数据资产。这也是高质量数据集受到产业关注的重要原因。第二座软件工程山——AI需要进入生产体系数据之外企业还面临另一个关键问题如何快速构建大量AI应用随着AI进入业务场景企业需要建设的不再是少量实验性应用而是面向不同岗位、不同流程的大量智能助手、智能体和AI工作流。这对软件生产方式提出了新的要求。过去的软件开发流程通常围绕需求分析、架构设计、编码测试、上线运行展开。AI时代应用需求变化更快业务场景更加碎片化传统开发模式面临效率挑战。因此AI Coding成为行业关注的重要方向。对于开发人员而言AI辅助生成代码可以显著提升编码效率。但对于大型企业而言代码生成只是AI Coding价值中最容易看到的一部分。真正决定AI Coding能否进入企业生产环境的是隐藏在代码之外的工程化问题。对个人开发者而言AI Coding最直观的价值是提升代码编写效率。但进入企业场景后编写逻辑代码只是浮出水面的部分。水面之下企业需要解决更加复杂的问题第一架构一致性。企业软件是在多年建设过程中形成了完整的技术架构、开发规范和治理体系。AI生成的代码即使能够运行也可能不符合企业既有架构要求增加后续维护成本。因此企业需要的不是单纯会写代码的AI而是理解企业架构约束的AI。第二资产复用。大型企业经过多年数字化建设积累了大量业务模型、流程组件、接口服务和软件资产。如果AI每次生成代码都从零开始就无法发挥企业已有数字资产的价值。企业级AI开发需要让AI理解并复用已有软件资产而不是重新创造。第三合规管控。个人开发场景中代码效率和功能实现可能是主要目标。但对于金融、能源、政企等行业软件系统需要满足严格的安全、审计和管理要求。企业需要确保AI生成过程可追踪、代码变更可管理、系统运行可审计。第三座系统连接山——AI需要进入业务流程除了数据和开发能力企业AI落地还面临另一个关键问题AI如何真正进入业务当前大多数企业已经拥有大量数字化系统包括ERP、CRM、生产系统、数据平台以及各种行业应用。这些系统承载着企业核心业务流程也是AI创造价值的重要场景。如果AI只能停留在聊天窗口中它很难真正改变企业运营方式它需要具备更强的业务连接能力l销售智能体需要连接客户系统和订单系统辅助销售预测和客户运营l生产智能体需要连接制造系统和供应链系统参与生产调度和流程优化l运营智能体需要连接数据平台和业务应用帮助企业提升决策效率。这意味着企业需要建立连接AI能力与业务系统的新型基础设施。一方面需要通过API管理、系统集成、智能网关等能力打通企业内部长期形成的信息孤岛另一方面需要对模型调用、智能体运行和数据流转进行统一管理确保AI应用安全、稳定、可控。03 普元信息率先跑通AI原生数字基座布局三类核心能力从国产基础软件到SOA架构再到云应用平台、大数据和数据治理普元长期围绕企业核心软件能力展开积累。这些技术沉淀成为其探索AI时代数字基础设施的重要基础。AI时代数字基座需要承担新的使命。它不仅需要支撑业务系统运行还需要支撑AI能力进入企业。这正是普元提出“AI原生数字基座”的背景。基于对企业AI落地挑战的观察普元信息将AI原生数字基座建设聚焦于三个方向智能数据治理、AI应用开发和全域融合集成。智能数据治理让数据成为AI可用资产对于企业而言数据价值不取决于数量取决于能否被AI有效利用。普元信息将这一方向定义为“易数治”。核心目标是帮助企业将分散的数据资源转化为AI能够理解和使用的数据资产。围绕这一目标普元通过主数据管理、数据标准治理、数据质量管理、数据资产管理等能力帮助企业构建统一的数据管控体系。同时结合大模型能力推动数据生成、清洗、增强和标注等环节智能化提高企业高质量数据集建设效率。在WAIC期间普元数据智能研究院院长李书超展示了相关实践通过大模型辅助数据工程流程探索人机协同的数据管控模式。在产品层面普元·易数正是在这一背景下打造的新一代数据中枢通过数据治理、数据资产管理和智能融合能力帮助企业打通数据价值链路让数据从沉淀资源转变为业务创新能力。AI应用开发推动企业软件生产体系升级随着AI应用需求快速增长企业需要一种新的软件生产方式。普元信息将这一方向定义为“一开转”即面向企业的AI原生应用开发能力。与传统AI Coding工具主要关注代码生成不同企业级AI开发更强调软件工程体系的完整性。普元认为AI应该深入软件生命周期从需求分析、架构设计、代码开发到测试和运维实现全过程协同。通过AI智能体参与软件研发流程并结合企业已有架构规范、软件资产和工程治理体系企业可以进一步提升软件建设效率同时保证开发过程符合企业要求。这意味着AI对软件行业的影响不只是增加一个开发工具而是推动整个软件生产方式发生变化。未来软件开发人员的角色也将逐步变化。开发人员不再只是编写代码而是通过AI管理软件生产过程让AI能力与企业工程体系结合。在产品层面普元·一开遵循“企业级智能软件工厂”的理念通过AI智能体参与软件开发全过程推动企业形成更加智能化的软件生产体系。全域融合集成让AI进入企业业务流程如果AI无法连接企业系统只能停留在信息查询和简单交互层面很难改变企业运营方式。因此企业需要建立连接数据、应用和AI能力的新型集成体系。普元信息将这一方向定义为“即联通”。其核心目标是通过全域融合集成能力让企业已有系统与AI能力实现统一连接。具体来看包括三个方面l首先实现业务系统互联。企业长期建设形成的大量系统需要通过集成能力实现数据流动和业务协同。l其次实现接口和服务统一治理。随着企业部署越来越多AI应用API管理和服务复用的重要性不断提升。l最后实现AI能力安全接入。企业需要对大模型调用、智能体运行和数据访问进行统一管理保障AI应用安全、稳定运行。在产品方面普元·即联正是普元信息在这一方向上的探索通过系统互联、API治理以及AI网关等能力帮助企业连接应用、数据与AI能力让智能化真正进入业务流程。04结语AI竞争进入底座时代AI原生数字基座正在成为企业智能化转型的重要基础设施。它连接过去多年数字化建设积累也承载未来智能化发展的可能。WAIC展示的不只是人工智能技术的最新进展也展现了产业发展的下一阶段方向让数据更好地服务智能让应用更快地响应业务让AI真正进入企业生产体系。
