热闹是大模型的，尴尬是业务一线的。
2026年10月31日至11月1日，在2026沃邦AI人工智能（885728）应用大会上，300余位来自深圳及大湾区周边城市新质生产力企业的CIO、IT高管与技术负责人到场交流。普元信息（688118）技术总监张志平分享了几组让现场决策者静下来的数字：
出自MIT（麻省理工学院）的《生成式AI鸿沟：2025年商业AI现状》报告显示，全球企业95%的生成式AI试点没有带来可衡量的损益回报；
Gartner 2025 年 2 月就预测，到2026 年，缺乏 AI 就绪数据支撑的 AI 项目中将有 60% 被放弃；
德勤中国与香港大学2026 年对 205 位企业高管的调研显示，60.4%的企业尚未建立起体系化的价值衡量框架，56.6% 的企业将“与现有系统集成困难”列为AI 部署中最突出的瓶颈。
投了钱、做了一堆试点，为什么大模型死活进不了排产、调度和经营系统？
张志平融合公司咨询与落地实践，总结了企业AI落不了地的底层基础三件事：数据拿不出、系统连不通、交付排不上。这三件事补不上，再先进的模型也只能在试点和展厅里打转。
2026沃邦AI人工智能（885728）应用大会：普元技术总监张志平《普元AI数字底座-助力企业高效构建智能化业务场景》
现象把脉：对照四级成熟度，AI进不了业务的答案一目了然
大模型看似无所不能，为什么一碰企业核心业务就熄火？对照普元从金融、政务、通信、制造、能源（850101）等数十个行业一线归纳出的企业数智成熟度阶梯，答案其实很清晰：
第一级·烟囱林立：系统独立建设、数据互不相通，AI在底层寸步难行；
第二级·集中汇聚：建了数仓但数据粗糙失控，基础分析尚可，AI试点举步维艰；
第三级·标准治理：统一标准、主数据对齐与元数据受控，AI场景方可规模化落地；
第四级·数据驱动：数据资产化、服务化深度咬合，AI场景快速复制、边际成本持续下降。
这张成熟度阶梯揭示了关键门槛：只有跨过“标准治理”这一级，AI才谈得上规模化；目前的大多数企业，还停在前两级。
要把AI从前两个阶段推入核心业务，企业必须在工程底层连破取数、打通、交付三关。
第一步·数据就绪（破局取数关）：让AI理解企业，抓牢对得准、说得清、管得住“三层”
很多企业以为建了个数据中台、把各系统数据汇聚到一起，AI就能自动做分析。但现实中，直接让AI去读数据库，字段全是英文缩写代码，跨系统口径严重打架，AI频繁产生事实错误。
张志平指出，很多企业做数据治理往往只抓头尾两端，一头忙着把数据拉进库，一头急着做图表大屏或问答窗口。“但决定大模型能不能说真话、拉开企业成熟度差距的，恰恰是中间最磨人的三件事：对得准、说得清、管得住。”
对得准（主数据一致）：依托主数据平台对物料、组织统一建模同源分发，消灭“同名不同义”。物料编码全网唯一，AI才不会张冠李戴。
说得清（提供准确上下文）：通过端到端高精度SQL血缘解析，把数据来龙去脉沉淀为业务字典，让大模型读得懂业务背景。
管得住（守牢合规红线）：细化到字段级的动态脱敏与授权，确保核心经营数据在被AI调用时合规可控。
普元“易数”智能数据治理平台以此把原始数据加工为高质量资产。在中国邮政“AI问数”工程中，团队先把可执行指标与血缘体系理顺，一线人员仅凭日常自然语言即可精准实现穿透式分析报告，还可以将高频分析过程直接沉淀为系统长期复用的智能技能（Skill）。
第二步·能力工具化（破局打通关）：老系统不用推倒重来，靠“协议转换+AI网关”实现连接可运营
有了干净的数据，AI要进一步走出“聊天框”去替员工干活，比如自动审单、查库存、调产线等，每一项都得调用既有老系统。但企业内部几百套老ERP、MES全是网状硬编码接口，改一处牵动全盘，智能体根本调不动。
“智能体进业务，必须有标准化工（850102）具可供调度。”张志平谈到，“如果系统间全是一对一的网状死结，智能体不仅调用卡壳，调用过程中花了多少Token算力成本、有没有越权泄密，企业更是一笔糊涂账。”
普元“即联”全域融合集成平台，让系统集成从“接口能用”跃迁到“连接可运营”：
老系统秒变“智能体工具箱”：即联具备协议转换能力，能将老旧系统的各类接口，一键转换为大模型通用的智能体标准调用协议（MCP），老资产无需推倒重来即可即插即用。
筑牢企业级AI安全网关：统一代理多厂商大模型屏蔽底层差异，集中管控智能体调用的鉴权限流、敏感内容过滤与Token成本精确核算。
在某万亿级央企，普元“即联”体系产品理顺了近千套系统的集成脉络，仅按日均交易有10%需要录入、每笔录入的平均时间为5分钟估算，平台一天的交易即节省人工超过35人年，为后续各类智能化应用的顺畅调度铺平了道路；在某通信运营商，底层的统一能力开放支撑起每天亿级调用，跨系统业务校验压缩至2秒内完成。
第三步·流程组装（破局交付关）：警惕AI编程只求快，微服务底座穿透“水下冰山”
数据有了，工具齐了，最后一步是把它们快速拼进业务流程。面对一线业务雪片般的诉求，当前业界推崇的“AI辅助编程（AI Coding）”单次写独立函数尚可，但在企业级复杂场景中却频频出状况：多次生成的代码风格混乱、容易破坏历史逻辑，后期维护代价极其高昂等。
张志平形象地将企业业务难点比作“水下冰山”：“AI确实擅长写几行表面规则代码，但企业应用真正的门槛，在于那些从未写进文档的业务潜规则、复杂的长链条判断与严苛的架构规范。如果不给AI套上工程规范的‘马具’、铺上架构的‘轨道’，AI写出的代码很快会变成无法收拾的技术债务。”
普元“一开”AI应用开发平台打造了人机协同的“智能软件工厂”，将流程编排与智能体开发深度融合：
微服务引擎立规矩：将流程、数据、权限等企业共性能力沉淀为底层的通用微服务引擎，提前把住架构规范底线；
高低开融合提效率：业务人员用可视化低代码画布快速搭建业务流程骨架，并把AI智能体（886099）作为节点灵活嵌入流程中；专业研发人员则在标准框架内编写复杂专业逻辑。人定目标、平台控风险、AI提效率。
在某核发电设备制造基地，企业基于“一开”重塑了数字化工（850102）厂MES系统，实现流程、数据、设备深度协同，不仅让现场纸质文件领用骤降80%，更将复杂制造协同场景的交付排期从数月大幅压缩至按周响应。
CIO自测三问：量出差距，有的放矢稳步推进智能化
张志平还给现场技术决策者递出了衡量自身智能化进程的“自测尺”：
看取数：业务要一份跨系统数据做决策，是自主获取还是求人拉表？
看打通：为智能体挂载系统能力，是标准复用还是推倒重做？
看交付：业务提出一个迫切场景，IT响应是按周交付还是按季排期？
三个问题都不复杂，却句句落在企业日常，引发全场共鸣。在现场展台，大批来自新能源（850101）、半导体（881121）、智能制造等赛道的企业技术负责人，与普元专家围绕易数、即联、一开三大产品线的实战细节展开了深入对接。
大模型负责提供“思考”的智商，工程底座负责提供让AI在企业复杂环境里安全干活的确定性保障。这套判断有普元25年的工程积累打底。作为领先的AI原生数字基座提供商，普元信息（688118）深度参编百余项国家、行业等标准、白皮书，其中数十项聚焦人工智能（885728）领域；产品和方案在大量复杂行业场景中持续验证，已服务10000多家客户，覆盖超过50%的世界500强中国企业。
