An English version is not yet available. The original Chinese text appears below.
关于央国企「有模型、没生产力」这件事，真正的卡点可能不在技术。
去年这个时候，不少单位都干过同一件事。
响应「AI+」专项行动，成立专项工作组，走完招标流程，机房上架，一体机点亮，大屏上跑起流畅的对话。汇报材料的配图很漂亮。
一年后再去看使用数据，往往是另一番景象。
员工私下管它叫
「奢侈的对话框」
投了两百多万采购大模型一体机
上线一年，日活用户在个位数徘徊
线下该走纸质的还走纸质
这不是个例。行业调研里有几组数字，放在一起看更清楚。
多数企业停留在「下载部署」这一步。数据来源见文末。
请注意措辞。不是「AI 不行」，而是部署完成了，然后就没有然后了。
PART 01模型装进了机房，但没装进工作流
先说一个容易被混淆的判断。
很多单位的验收标准是这三条：容器化部署跑通，信创全栈兼容，数据不出域。
这三件事确实必须做，而且优先级不能降——国资监管和数据安全是硬约束，没有商量余地。
问题在于，这三条做完，项目在验收表上就「完成」了。但从员工那一端看，故事才刚刚开始。
「模型部署完用不起来」，通常卡在三个地方
员工得主动打开浏览器、登录、找到地址、再想一个「该问什么」
模型挂在内网 Web 工作台里。任何一个「主动打开」的动作，都会被日常工作流的惯性消磨掉——尤其是月底月初，谁有空想起它。
面对一个空白输入框，人是懒得问的
没有预设场景、没有业务语境，不知道它擅长什么不擅长什么，试两次答得不对，就再也不点开了。
真正高频的工作发生在会议室、工位、班组、客户现场
AI 如果不在这些场景里出现，它永远只是「另一个工具」，而不是「工作流的一部分」。
把模型部署进机房，和把它装进员工的工作习惯，是两件完全不同的事。
PART 02「合规达标」和「业务可用」之间，隔着一整段路
这里有一个更隐蔽的问题，值得单独说。
为了满足信创适配和数据不出域，很多项目在推进时，主动跳过了几件真正决定「能不能用」的事：
逻辑听起来合理——先保证合规，先上线，效果以后再优化。但现实是，「以后」往往不会来。
通用基座模型没有你们的业务知识：它不知道内部那套沿用了十几年的工艺术语，不知道三个厂区对同一个工序有不同叫法，不知道某份制度文件去年已经废止。它答得很流畅，但答不到点上。
更麻烦的是信任崩塌的路径：一线同事试几次，发现高频可复现地答错，就会自动回到原来的手工流程。「先校验再使用」这个动作，完全抵消了 AI 本该带来的提效价值——工具从助手变成了额外负担。
一旦进入这个循环，项目就失去了真实的数据反馈，没有迭代动力，最后只剩下一个用途：验收材料的展示载体。
合规达标是底线，不是终点。
PART 03最扎心的卡点：效率提升变成了员工内耗
如果说前面两条是技术侧和方法侧的问题，那这一条是组织侧，也是最难改的。
有这样一个被反复引用的案例。一家建筑类国企的法务部上线了 AI 合同审查系统，技术指标很漂亮。
技术指标全部达成，实际使用率不到三成。
原因听着有点扎心：法务部的考核指标是「审了多少份」，不是「审得有多快」。
AI 帮他们提了速，领导一看快了，就多派活。员工的工作量不降反增，奖金没变，责任反而更重了——用 AI 出的错，还是要自己担。
于是理性选择就是：慢慢用，或者索性不用。
这不是员工抵触新技术，这是「组织抗体」——当考核机制和操作流程不跟着调整时，技术效率只会转化为员工的内耗。
同样的逻辑还出现在协同层面：AI 项目「都知道重要，但谁都不好独立推进」。业务部门觉得这是信息化部门的事，信息化部门推不动跨部门流程改造，管理层协调了资源但没有明确责任人。
结果技术上线了，业务流程还在旧轨道上跑。
PART 04窗口期下，这件事已经不是「要不要做」
- 今年 2 月
国务院国资委召开中央企业「AI+」专项行动深化部署会，明确要强化场景培育、强化开源开放协同，推动央企成为「赋能型企业」。
- 7 月
国资委党委扩大会议进一步提出，要推动「AI+」专项行动走深走实，指导央企抢抓发展窗口期，培育开放更多标志性场景。
- WAIC 2026
国资委发布第二批央企人工智能战略性高价值场景和行业高质量数据集，上线 AI 开源「焕新社区」2.0，启动国资央企智能软件工厂联合筑基工程。
公开信息里还有几个数字：
开放场景
计算集群
人才特训
把这些放在一起读，信号其实很明确：场景要出成果，人才要成梯队。
算力在铺、模型在建、场景在开放，但如果末端的员工用不起来，前面所有的投入都停在报表上。
政策反复强调「央企出场景、社会出方案、合作出成果」——这个链条里，「用」才是闭环的那一环。
PART 05破题的关键：把「工具」变成「工作方式」
回到那个核心问题：为什么花了钱、上了系统，员工还是不用？
因为完整的落地链条，从来不只有技术和场景，还有人。
一个能真正跑通的 AI 落地，需要四段接力
私有化模型底座
模型独立部署在企业内网，数据不出域，满足信创与安全合规要求。这是前提，是底座，但不该是终点。
企业智能体
把模型能力封装成具体场景里的助手：智能问答、数据分析、流程助手、知识管理。关键在于接入真实业务流程，而不是挂在菜单里等员工来找。
岗位化应用培训
管理人员要会判断「这个场景该不该上」，专业技术人员要会做知识注入和效果验证，一线员工要会提问、会校验、会判断什么时候不能用。
组织能力沉淀
从几个试点场景走向规模化应用。让一批人在同一套方法论下训练，形成内部共同语言。
对应的业务价值，最终会落在四个地方：
提效率 · 降成本 · 优体验 · 强创新
对能源、电力、通信、制造、交通、工程这类大型企业，这四个词背后都是实打实的经营指标
设备巡检少跑一趟、工程图纸审核快一天、跨部门材料流转少改两版——都是钱和时间。
PART 06自检：你们的 AI 落地在第几级
可以拿这三个层级对照一下自己单位的情况。
系统部署完了，验收通过了，但日常使用者主要是信息化部门。业务部门的同事只知道「公司有个 AI」。
智能体接进了具体业务流程，一批人在真实工作里用它。但使用集中在少数骨干，换个部门、换个人就断了。
各岗位都有人会用自己的方式用 AI，用得好的人能带人，新场景能快速复制。AI 不再是「一个项目」，而是工作方式的一部分。
大部分单位卡在第一级到第二级之间。而这一段路，靠加预算、换模型、升参数都走不过去——它需要的是人的能力和机制的设计。
最后先别急着再上一套系统
如果你们单位现在正处在「模型部署好了，但没多少人真正在用」的阶段，先别急着再上一套系统。
大概率不是技术选型的问题。缺的是让模型真正进入工作流的那套方法，和会用它的人。
模型、算力、场景，这些都在快速到位。真正稀缺的，是能把它们串起来、并且在每个岗位上都落地生根的那一环。
如果「人」这一环已经想清楚了，缺的是把它执行下去的方法和陪跑——那正是我们能帮上忙的地方。
先让一批人真正把 AI 用进岗位——能力长在自己人身上，才不会被下一次系统升级推翻。
模型进机房，只是起点；
方法进岗位，才算落地。
资料来源：国务院国资委官网及公开报道、WAIC 2026 企业人工智能高质量发展论坛公开信息、MIT NANDA《The GenAI Divide》、51CTO 数智人才研究院《2026 企业 AI 力白皮书》、中国信通院相关报告及公开行业调研。文中部分数据为公开报道口径，具体数值随样本范围不同可能存在差异。