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：

它需要有高质量的数据作为基础，让 AI 能够理解企业业务；

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；

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：

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；

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；

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：

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。

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。

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。