央企发展大模型的问题和建议

进入2025年，围绕AI大模型的商业化进程显著提速。对央企发展AI来说，企业领导认知管理、具体业务场景深度化探索，以及企业间协同发展等制约因素，成为需要深度思考的问题。《国企要参》本期《专题》栏目聚焦央企发展AI大模型话题，将从企业发展实践中遭遇的上述三方面挑战进行解读。

存在问题

央企在发展人工智能过程中，管理者决策认知局限的挑战主要体现在三方面：战略短视与考核机制冲突、审批壁垒与发展机遇错位、人才建设与企业文化滞后。

1. 战略短视与考核机制冲突

战略认知升级不足。据麦肯锡全球研究院预测，到2030年人工智能将推动全球经济总量增加13万亿美元，并使全球GDP每年增加约1.2％。中外对比发现，“以应用带技术”战略选择是我国加快发展人工智能的优选路径。产业应用大爆发已经开始，只有在战略上深刻认识到能满足并解决真实用户需求，且具备可持续商业投入的央企国企才能赢得竞争。

由于央企对市场需求的理解深度不足，也是导致其在市场竞争中处于劣势的重要因素。在如今多元化、精细化的AI应用市场中，不同行业、不同规模的企业对于AI技术的需求可谓千差万别。中小企业由于资金有限、技术实力相对薄弱，与大型企业对AI技术要求不同。然而，国企央企长期以来习惯于采用标准化的产品和服务模式，在面对市场需求的多样化变化时，缺乏灵活应变的能力，未能及时根据市场需求调整产品策略。当民营企业敏锐地捕捉到需求痛点，迅速推出针对性的AI产品，并抢占市场份额时，国企央企难以望其项背，陷入被动局面。

战略认知滞后导致企业投入决策不足。央企研发投入中AI相关支出占比不足1.5%，远低于微软（AI研发投入占比17%）、谷歌（33%）等国际巨头。调查发现，2023年多数企业在人工智能领域投资额不足1亿元，合计投资不足200亿元。67%的企业过去一年在应用人工智能技术方面的投入不足1亿元。团队配备方面，56%的企业成立了人工智能业务部门或专业子企业，51%的企业人工智能专业团队规模不足50人。

战略认知在很大程度上受考核机制的制约。任期内的考核结果无疑与个人的晋升、奖励紧密挂钩。为了在有限的任期内交上一份亮眼的“成绩单”，他们不得不将大量的精力投入到确保短期财务指标的达成上。然而，AI研发领域绝非一蹴而就之事。从最基础的算法研究开始，再到海量的数据收集与处理工作，并进行标准化、结构化的整理，而后进入模型训练和优化阶段，反复调整参数，测试模型性能，整个过程如同一场马拉松，可能耗时数年之久。

犹如1990年的“技改”、20世纪初的信息化、2010年的数字化，国企领导人在决策之前都处在“不改等死，改了找死”的惶恐之中。面对如此长周期、高风险的AI研发投入，国企央企的管理层内心充满了矛盾与挣扎。在这种两难境地下，不少国企在制定年度预算时，无奈地选择大幅削减AI研发项目的资金，转而将宝贵的资源倾斜到那些能够迅速带来收益的传统业务板块。长此以往，国企央企在AI创新领域的步伐逐渐放缓。

2. 审批壁垒与发展机遇错位

央企在发展AI大模型过程中，会因为层级管理严格，出现创新激励与跨学科协同不足。在实践中，央企传统科层制管理模式与AI研发所需要的敏捷迭代存在冲突。例如，某企业要求大模型项目需要经过多级审批，导致算法更新周期长达数月，无法适应业务创新需求变化。

近年来，随着美国对中国实施芯片禁运政策，国产芯片产业迎来了前所未有的发展契机，本土芯片企业在困境中奋起，加强研发投入、攻克关键技术，一批具有竞争力的国产AI芯片产品涌现。然而，部分国企央企在这一关键节点上却反应迟缓，未能及时调整战略布局，错失了与国产芯片产业协同发展的黄金时机。例如某大型国企，当国产AI芯片企业鼓足干劲、全力研发并成功推出多款性能可观的产品时，该国企却依旧沉浸在对进口芯片的依赖惯性之中，对国产芯片的应用持观望态度。

这背后深层次的原因，在于国企央企冗长且复杂的决策流程。在评估国产芯片能否应用于自身业务时，需要跨越重重关卡，经历多个部门的层层审批。首先，技术部门要对芯片的性能、兼容性等技术指标进行严谨细致的评估，确保其能够满足企业复杂业务系统的运行要求；其次，安全审查部门紧接着介入，对芯片的信息安全隐患进行全面排查，保障企业数据的保密性与完整性；再次，财务部门要进行成本核算，对比进口芯片与国产芯片的采购成本、后续维护成本等各项开支，权衡利弊。如此烦琐的流程，使得整个决策周期被拉长，企业往往在犹豫不决中错过了国产芯片的最佳应用时机。

3.人才建设与企业文化滞后

根据智谱AI《2023年全球最具影响力人工智能学者分析报告》，2023年全球AI2000学者中，美国学者1079人次，占比过半；中国学者280人次，占比14%。在国内，人工智能领域的顶尖人才主要集中在民营企业。据中国信通院《中国人工智能产业创新人才竞争力报告（2023年）》，中央企业仅国家电网和中国移动两家位列前10名。调查发现，87%的企业在实施大模型项目时遇到的挑战是“缺乏相关人才”。

企业AI人才布局和建设成为评价决策者战略的关键指标。比如，决策者要在关键岗位安排既懂行业知识又掌握AI技术的“双栖人才”，解决多部门协作存在的问题。例如，某石油企业因地质专家与数据科学家沟通不畅，导致勘探模型参数设置错误，延误油田开发进度。

企业文化亟待同步发展。调查发现，企业对如何用好用活现有政策仍有困惑，很大程度上影响了人工智能等新技术的发展及落地应用。以投资并购为例，现行制度存在审批流程长、估值不灵活、创始团队并入后市场化机制难保持、并购项目战略评价难实现、容错机制难落地等问题。

前沿技术创新一般先于理论创新，依赖于在应用中不断试错来推动持续迭代。因此，对前沿技术的应用性探索要弱化项目管理考核在研发过程中的作用，建立起允许失败的管理文化。目前，中央企业在这方面还有差距。这是大型企业发展新产业的一个底层共性问题。

对策建议

针对上述三大挑战，央企国企要构建“战略定力—机制活力—生态合力”消解战略与考虑机制矛盾，从制度重构、流程再造、生态协同三个维度切入规避国企科层制弊端，人才和文化发展短板着力从人才生态重构、文化基因重塑、制度体系创新方面补齐。

1. 构建“战略定力—机制活力—生态合力”范式解决战略与考核冲突

央企在发展AI大模型过程中应对战略短视与考核机制冲突，需要从价值重构、机制创新、生态重塑三个维度展开系统性变革。将AI战略深度融入组织基因，使短期考核成为长期价值创造的助推器而非束缚。

例如，中国石油采用“技术期权”模式与DeepSeek合作，将昆仑大模型的油气勘探预测能力转化为未来分成权益，缓解短期考核压力。企业可借鉴国家电网，将“大瓦特”电力大模型与基层供电所降损增效目标挂钩，通过节电收益反哺模型迭代，实现3年ROI达1:4.2。

首先，重构价值评估体系。比如，建立AI专项考核维度，在现有KPI体系中增设“技术原创性”（权重15%）、“场景渗透率”（权重20%）、“数据资产转化率”（权重10%）等指标，将模型训练效率（如单位能耗产出）、行业解决方案覆盖率纳入考核。可以试点“对赌式考核”，让技术团队承诺3年内实现关键业务场景渗透率≥30%、故障率下降≥20%等目标，达成后给予团队超额利润分成。

领导层可创新设置投入产出核算模式。比如，采用“技术期权”估值法，将AI基础研究投入视为战略期权，允许前5年研发投入不计入当期损益，而是通过未来技术授权、生态分成等方式延迟确认收益。通过建立“AI效能仪表盘”，实时监控模型推理成本（如每TOPS算力成本）、业务价值贡献（如客户留存率提升）等动态指标，为考核提供数据支撑。

其次，重塑决策机制。企业领导牵头构建“双轨制”决策体系，设立集团级AI战略委员会（由董事长/总经理挂帅），负责审批5年以上技术路线图；同步保留传统投资决策委员会，管理3年内商业化项目。推行“技术沙盒”机制，对具有战略价值的AI项目（如国产大模型适配），允许突破现有预算审批层级（如从7级压缩至3级），并豁免部分合规审查流程。

再次，创新投入模式。比如，设立“战略耐性基金”，从年度利润中提取5%~8%作为AI专项储备金，采用“长周期摊销”方式覆盖基础研究投入，允许前3年亏损率控制在20%以内。探索“技术成果转化收益反哺”机制，将AI应用产生的增量收益（如智能客服降低的运营成本）的30%注入创新基金。构建“场景

技术”双轮驱动，优先选择具有明确商业闭环的场景（如电网故障预测、供应链优化），通过短期项目收益反哺长期技术研发，形成“试点验证—规模推广—技术迭代”的良性循环。

最后，推进生态协同。构建“政产学研用”价值共同体，与地方政府共建AI创新特区，在税收返还、数据开放等方面争取政策支持，将部分社会效益（如区域产业智能化升级）纳入央企考核加分项；联合行业龙头组建“AI标准联盟”，主导制定垂直领域数据标注规范、模型评测标准，通过标准话语权获取生态溢价。还可以实施“链式激励”计划，对生态伙伴实行“技术入股+场景授权”双重激励，民营企业贡献核心算法可获得10%～15%的技术股权，同时获得央企场景的优先接入权；建立跨企业数据资产确权机制，允许参与方按数据贡献度分享模型商业化收益，破解数据孤岛难题。

2. 通过制度创新、流程再造及生态协同三个维度打破“审批漏斗”效应

央企在发展AI大模型过程中面临的审批壁垒与发展机遇错位问题，本质上是传统管控机制与新兴技术迭代速度间的结构性矛盾。破解这一难题需要从制度重构、流程再造、生态协同三个维度切入。

例如，国家电网“大瓦特”项目，决策者就是通过建立“战略—业务—技术”三级穿透式审批机制，将原本需要18个月的智能调度系统审批周期压缩至6个月，关键节点采用“技术承诺制”替代部分审批材料。例如，中国商飞在C929大模型应用中，在复合材料设计领域试点“联邦学习+审批豁免”模式，与5家供应商建立安全数据通道，避免重复提交资质证明，研发周期缩短25%。中国商飞C929大模型团队可自主决定500万元以下采购。

首先，制度重构。央企国企领导要有足够魄力，建立AI专项审批通道，成立专项发展小组，直接向董事长汇报。工作组要划分AI项目为战略级（如大模型基座研发）、业务级（如行业解决方案）、工具级（如智能客服）三级，分别对应集团党组、业务板块管委会、职能部门三级审批权限。战略级项目采用“绿色通道”，审批周期压缩至15个工作日内。同时，建立“负面清单”制度，明确数据安全、伦理合规等禁止性条款，清单外项目实行备案制管理，审批层级尽量简化至由五级降为两级；建立动态风险评估矩阵，开发AI项目风险智能评估系统，集成技术成熟度（TRL）、数据合规性、供应链风险等评估维度。对高风险项目启动“熔断机制”，自动触发第三方安全审计。

其次，流程再造。央企国企领导对AI发展项目进行特事特办，构建敏捷化审批体系。优化并行审批流程，将传统串行审批（需求提报—技术评审—合规审查—财务审批）改造为并行流程，通过区块链技术实现跨部门数据实时共享，审批周期要大幅压缩，约为央企日常审批平均时效的三分之一；建立“技术—法务—财务”铁三角决策小组，对重大项目实行快速响应机制（比如48小时），关键节点设置超时自动升级规则；部署AI审批助手，基于历史数据自动生成审批建议书，准确率提升至85%。例如在算力采购审批中，系统可自动匹配供应商库、比价历史数据并生成合规性审查报告。

再次，生态协同。央企国企领导要勇于突破传统边界限制，构建开放型审批生态，与科技企业共建“AI创新联合体”，将外部合作伙伴纳入审批白名单。例如与DeepSeek合作时，允许其算法工程师通过安全接入方式参与模型训练审批流程；建立行业级AI能力共享平台，实现大模型微调工具包、数据标注服务等资源的跨企业调用，减少重复审批环节；产业链协同审批机制，在电网、能源等领域试点“链主企业+配套企业”联合审批模式。如南方电网大模型项目，允许将设备供应商的资质认证与央企内部审批流程打通。

3.从人才生态重构、文化基因重塑、制度体系创新补齐发展的基础短板

央企在发展AI大模型过程中面临的人才建设与企业文化滞后问题，本质上是传统组织模式与AI创新需求间的结构性矛盾。破解这一难题需要从人才生态重构、文化基因重塑、制度体系创新三个维度切入。

近年来，该方面典型案例有：国家电网“光明计划”，企业建立了“AI科学家+业务专家”双负责人制，赋予团队人财物自主权，3年培养出50名电力大模型专家。实施技术成果转化分成权，智能调度系统研发团队获得项目收益的8%，激发创新活力。

中国石油“昆仑计划”，与华为共建“AI人才飞地”，每年选派100名技术骨干赴深圳联合实验室实训。设立AI伦理审查委员会，在油气勘探大模型开发中嵌入环境友好性评估模块。

未来，央企国企在AI人才建设方面要做好以下措施。

首先，央企决策者要长远布局，构建“AI+HI”复合型人才生态。设立AI首席科学家岗位（CTO级待遇），提供科研启动资金，重点引进大模型架构师、多模态算法专家等稀缺人才。试点“技术入股+场景授权”模式，如中国电子为AI科学家团队配置智能计算集群使用权，换取技术成果转化分成权；央企还可以在硅谷、特拉维夫等全球AI创新中心设立离岸研发中心，通过“项目共研+人才共享”机制吸引顶尖人才；与DeepSeek等头部企业共建“AI人才共享池”，实现顶尖算法工程师在3家以上央企间的柔性流动。

其次，在实践中，着力打造人才培养体系。开展执行团队全员AI素养培训，设立“AI特训营”，选拔骨干参与大模型微调实战，如中国石油“昆仑大模型”团队与华为联合培养的百人攻坚组；实施“AI科学家孵化计划”，提供3年带薪深造期，定向培养垂直领域大模型专家；创新“产学研用”协同机制，比如与国内相关高校、研究院所共建“AI+行业”联合实验室，定向输送既懂工业机理又具算法能力的复合型人才。  

再次，领导层要突破“唯学历论”传统，建立“技术+业务”复合人才评价体系。中国一汽实施“AI训练师”培养计划，将业务专家与算法工程师编入联合攻关组，成功开发出GPT-BI智能分析系统。航天科技集团则通过“揭榜挂帅”机制，吸引外部AI团队参与卫星图像识别项目，缩短技术落地周期。与高校联合培养“AI+行业”硕士生，定向输送至关键岗位。例如，天虹股份与浙江大学共建智慧零售实验室，为企业定制化培养零售数据分析师。引入外部专家担任“技术顾问”，弥补内部能力短板。例如，中国移动聘请深度学习框架专家参与九天大模型研发，确保全栈自主可控。

企业文化方面，为助力AI发展，企业可构建“敏捷—开放—容错”创新生态，着力在AI大模型发展项目上科学建立容错机制，例如设立AI创新风险准备金，允许15%~20%的试错成本，对符合战略方向但未达预期目标的项目给予二次资助；建立“过程性考核”机制，将阶段性里程碑达成度（如数据标注质量、算法优化效率）纳入考核，弱化结果导向；构建虚拟审批环境，通过数字孪生技术模拟不同审批路径的合规性和实施效果（如在数据跨境审批中，可预先验证数据脱敏方案的有效性）；创建失败案例库，系统总结技术选型失误教训，转化为组织知识资产。

（节选自《国企要参》2025年第16期，原文28620字）