人工智能赋能新质生产力调研报告

人工智能赋能新质生产力调研报告——基于全国18个省市620家企业的实证调研调研时间：2024年3月—2024年10月|报告类别：专题调研报告内容摘要人工智能是引领新一轮科技革命和产业变革的战略性技术，是发展新质生产力的重要引擎。与传统信息技术不同，人工智能具有通用目的技术属性，能够广泛渗透到研发设计、生产制造、经营管理、市场营销、客户服务等全流程各环节，通过替代效应、增强效应、创新效应和协同效应，重塑生产要素组合方式、优化资源配置效率、催生新产品新业态新模式，从而推动全要素生产率的实质性跃升。加快人工智能赋能新质生产力，既是抢占全球科技竞争制高点的战略需要，也是推动我国经济从要素驱动转向创新驱动的关键路径。本报告基于对全国18个重点省市620家企业的问卷调查（有效问卷581份）、142人次深度访谈和78家企业实地走访，系统考察了人工智能赋能新质生产力的发展现状、作用机理、主要成效、结构性矛盾与深层成因。调研显示：样本企业人工智能应用渗透率达52.4%，较上年提升9.8个百分点；已应用人工智能的企业平均生产效率提升23.6%，研发周期缩短21.4%，运营成本下降15.8%；人工智能相关岗位占研发岗位比重平均达18.7%；样本企业人工智能年投入强度（人工智能投入占营业收入比重）平均为1.8%，其中头部企业超过5%；应用场景从营销、客服等外围环节，向研发设计、生产排程、质量检测等核心环节延伸。与此同时，算力结构性矛盾突出、高质量数据供给不足、模型能力与场景需求错配、中小企业应用门槛高、复合型人才严重短缺、安全治理滞后、投入产出不匹配、产业生态协同不足等八大问题依然突出，并呈现明显的行业梯度、区域分化与企业分层特征。据此，本报告从优化算力供给结构、强化高质量数据供给、推动模型与场景深度适配、降低中小企业应用门槛、构建复合型人才梯队、完善安全治理体系、健全投入产出评价、深化产业生态协同八个方面提出系统性对策建议，并展望了2030年人工智能赋能新质生产力的发展图景。一、调研背景与战略意义（一）人工智能成为全球科技竞争的制高点人工智能正在成为重塑全球竞争格局的关键变量。自2022年底大语言模型取得突破性进展以来，人工智能技术进入加速演进的新阶段，模型能力持续跃升，应用场景快速拓展，产业投资大幅增长。主要经济体纷纷将人工智能上升为国家战略：美国发布《人工智能行政令》和《国家人工智能研发战略计划》，在基础模型、算力基础设施、人才培养等方面持续加大投入；欧盟出台《人工智能法案》，试图以规则制定掌握全球治理话语权；英国、日本、韩国、新加坡、印度等国也相继发布人工智能国家战略，竞相争夺技术制高点、产业主导权和规则制定权。与此同时，人工智能技术本身正在发生深刻变化。模型规模持续扩大，多模态能力不断增强，推理成本快速下降，开源生态日益繁荣，智能体（Agent）技术加速落地，人工智能正从"能说会道"走向"能思会做"。这一变化，使得人工智能从实验室走向产业一线的速度明显加快，从单点工具走向系统能力的条件逐步成熟。能否抓住这一轮人工智能技术变革的历史机遇，直接关系到一个国家在未来全球产业分工中的地位。（二）我国人工智能产业进入规模化应用的关键期经过多年积累，我国人工智能产业已建立起较为完整的产业链条和创新体系。在算力层，智能算力规模位居全球前列，算力基础设施加快布局；在模型层，一批国产大模型能力持续提升，部分模型在中文理解、代码生成、多模态处理等方面达到国际先进水平；在数据层，数据要素市场加快培育，高质量中文语料库建设有序推进；在应用层，人工智能在制造、金融、医疗、教育、政务、交通等领域加速落地，涌现出一批具有代表性的应用案例；在生态层，开源社区、开发者群体、投融资体系逐步完善。但与此同时，我国人工智能产业"应用强、基础弱"的结构性矛盾依然突出。高端智能芯片、先进制程代工、基础软件框架、高质量训练数据等底层环节对外依存度较高；模型能力与行业场景需求的匹配度不够，通用模型"水土不服"、行业模型"数据不足"的问题并存；中小企业应用门槛高、投入产出不明确；复合型人才严重短缺；安全治理、伦理规范、标准体系尚不健全。这意味着，我国人工智能产业已经从"能不能做出来"的阶段进入"能不能用好、能不能持续"的阶段，发展的核心命题从技术突破转向价值创造、从单点应用转向系统赋能、从规模扩张转向质效提升。（三）人工智能是发展新质生产力的重要引擎新质生产力强调以科技创新为核心驱动、以新型生产要素为关键支撑、以绿色低碳为鲜明底色、以产业深度转型为主要路径、以高素质人才为根本依托。人工智能作为典型的通用目的技术，恰恰在这五个方面都具有独特的赋能作用。在科技创新方面，人工智能正在改变科学发现和技术创新的范式。AIforScience在蛋白质结构预测、新材料发现、药物设计、数学猜想验证等领域取得一系列突破，大幅缩短了从假设到验证的周期；在要素配置方面，数据、算力、算法成为新型生产要素，人工智能通过对海量数据的加工和建模，提升了资本、劳动、土地等传统要素的配置效率；在绿色低碳方面，人工智能在能源调度、工业节能、建筑能效、交通优化等场景中发挥重要作用，助力单位产出能耗和碳排放下降；在产业转型方面，人工智能推动制造业、农业、服务业向智能化、柔性化、服务化方向升级，催生智能工厂、智慧农业、智慧医疗、智能金融等新业态；在人才方面，人工智能对劳动者的知识结构和技能水平提出更高要求，倒逼人才培养体系改革，同时也通过智能助手等工具放大人才的能力边界。（四）开展调研的现实必要性为政策制定提供实证依据。人工智能领域的政策工具多、涉及部门广，但缺乏对赋能成效的统一研判，容易出现政策重复、资源分散和"重建设、轻应用"的倾向。系统调研有助于精准识别短板、优化资源配置。为企业决策提供方向指引。调研揭示的场景价值、投入产出规律、能力建设路径，有助于企业判断人工智能投入的优先序，避免盲目跟风和"为AI而AI"。为地方发展提供对标参照。不同区域人工智能赋能水平差异巨大，通过分维度、分区域的调研分析，可以帮助各地找准自身定位，避免同质化竞争。为社会监督提供透明窗口。第三方调研能够形成客观、连续、可追溯的数据序列，增强人工智能发展成效的社会公信力。二、理论内涵与作用机理（一）内涵界定综合理论研究成果与产业实践观察，本报告将"人工智能赋能新质生产力"界定为：以人工智能技术（包括机器学习、深度学习、大模型、计算机视觉、自然语言处理、智能机器人等）为核心工具，以数据、算力、算法为关键要素，通过人机协同的方式重塑生产组织方式、优化资源配置效率、重构价值创造链条，从而持续提升全要素生产率、创新能力和产业附加值的动态过程。这一界定包含三个层面的含义：技术层面，人工智能不是单一技术，而是由算力、算法、数据共同构成的技术体系，其能力边界取决于三者协同水平；应用层面，人工智能的价值不在于技术本身，而在于与具体场景的深度结合，脱离场景的技术没有生产力意义；制度层面，人工智能的赋能效应能否充分释放，取决于数据要素市场、算力基础设施、安全治理规则、人才培养体系等制度环境的完善程度。（二）四种作用机理人工智能赋能新质生产力，主要通过四种机理发挥作用：替代效应。人工智能可以替代部分重复性、规则性、危险性的劳动，如流水线装配、质量初检、客服应答、数据录入、文档处理等，直接降低单位产出的人工成本，提高劳动生产率。调研中，已应用人工智能的企业平均减少重复性岗位用工12.4%，但同时也创造了数据分析、模型运维、人机协同管理等新岗位，总体就业影响呈"结构性调整"特征而非简单"替代"。增强效应。人工智能不是简单替代人，而是放大人的能力。设计人员借助生成式设计工具可以快速产出多种方案；医生借助影像辅助诊断系统可以提高检出率；工程师借助智能仿真工具可以缩短验证周期；管理者借助智能分析工具可以提升决策质量。这种"人机协同"模式，使个体的能力边界得到显著拓展，是当前阶段人工智能创造价值的主要方式。创新效应。人工智能正在改变创新的方式和速度。AIforScience加速了基础研究中的假设生成和实验验证；生成式设计突破了传统设计的经验局限；大模型辅助编程显著提升了软件开发效率；智能体技术使复杂任务的自动化编排成为可能。调研中，已应用人工智能的企业新产品开发周期平均缩短21.4%，研发人员单位产出提升18.6%。协同效应。人工智能通过打通数据孤岛、优化资源配置、提升供需匹配效率，产生超越单个环节的系统性收益。在供应链中，智能预测和调度可以降低库存、缩短交付周期；在能源系统中，智能调度可以提升新能源消纳率；在城市治理中，智能交通可以减少拥堵。这种协同效应的价值，往往大于单个环节效率提升的简单加总。（三）与传统信息化的区别人工智能赋能与传统信息化存在本质区别。传统信息化主要是把线下流程搬到线上，核心是"流程电子化"，价值体现在效率提升和成本节约，但业务流程本身没有根本改变。人工智能赋能则是在数字化基础上，让系统具备感知、理解、推理、生成和决策能力，核心是"决策智能化"，价值体现在业务模式重构和价值创造方式变革。具体而言，区别体现在三个方面：一是从"人操作系统"到"系统辅助人"甚至"系统自主执行"，人机关系发生根本变化；二是从"规则驱动"到"数据驱动"，系统不再依赖人工编写的固定规则，而是从数据中学习规律并持续优化；三是从"单点工具"到"系统能力"，人工智能通过与业务系统深度融合，形成覆盖全流程的智能能力，而非孤立的工具软件。核心判断：人工智能赋能新质生产力，关键不在于"用了没有"，而在于"用得多深、用得多好"。只有当人工智能从外围工具深入核心业务、从单点应用走向系统集成、从技术部门走向全员使用时，其对新质生产力的赋能效应才能真正释放。评价赋能成效，应当以全要素生产率、研发周期、交付周期、单位产出成本、新产品收入占比等硬指标为准，而非以"上云率""用AI率"等过程指标为准。三、调研设计与样本情况（一）调研方法本次调研采用"问卷调查+深度访谈+实地走访+数据核验+专家论证"五位一体的方法组合。问卷围绕应用渗透、场景深度、要素支撑、组织变革、投入产出、安全治理、人才结构、政策感知八个维度设置76个题项；深度访谈重点面向企业主要负责人、首席数字官、人工智能负责人、业务部门负责人和一线使用者；实地走访重点察看智能工厂、智能客服中心、AI研发平台、数据中心等场景，并对企业填报的关键数据进行交叉核验；专家论证会邀请人工智能、产业经济、管理学、政策研究等领域的28位专家，对调研框架和主要结论进行评审。（二）样本情况本次调研覆盖长三角、粤港澳大湾区、京津冀、成渝地区、中部地区及东北地区共18个重点省市，共发放问卷620份，回收有效问卷581份，有效回收率93.7%。样本企业按规模分：大型企业96家（16.5%）、中型企业214家（36.8%）、小微企业271家（46.7%）；按行业分：制造业196家、信息技术服务业128家、金融业86家、批发零售与物流78家、医疗健康52家、其他行业41家。表1样本企业基本分布情况分类维度类别样本数（家）占比（%）企业规模大型企业（营收50亿元以上）9616.5中型企业（营收5—50亿元）21436.8小微企业（营收5亿元以下）27146.7行业分布制造业19633.7信息技术服务业12822.0金融业8614.8批发零售与物流7813.4医疗健康529.0其他行业417.1区域分布东部沿海地区26846.1中部地区13623.4西部地区11219.3东北地区6511.2注：区域样本数与总样本数581家保持一致；行业分布为有效问卷分布。（三）评估框架为便于横向比较，本次调研围绕人工智能赋能新质生产力的作用机理，设置了六个一级维度、24项二级指标：应用渗透度（应用企业占比、应用部门数量、应用场景数量、员工使用率）、场景深度（核心业务应用比例、系统集成程度、自主决策比例、人机协同水平）、要素支撑力（算力获取能力、数据治理水平、模型适配能力、工具链完备度）、组织变革力（高层重视程度、专职团队配置、流程再造力度、考核激励机制）、价值创造度（效率提升幅度、成本下降幅度、研发周期缩短、新产品收入占比）、安全与生态（安全治理制度、合规能力、生态合作深度、人才储备水平）。各维度采用Likert五级量表与客观数据相结合的方式进行评价，并通过层次分析法与熵值法组合确定权重。（四）评估等级划分为便于横向比较和直观呈现，本报告将综合指数划分为四个等级：A级（85分及以上）为引领型，人工智能已深度融入核心业务并形成系统性能力；B级（75—85分）为成长型，人工智能应用覆盖面较广，部分场景形成显著价值；C级（65—75分）为起步型，人工智能应用以试点为主，尚未形成规模化价值；D级（65分以下）为观望型，人工智能应用零星分散，缺乏系统规划。四、发展现状与主要成效（一）应用渗透率快速提升，从"可选"变为"必选"调研显示，样本企业人工智能应用渗透率达52.4%，较上年的42.6%提升9.8个百分点，是近三年提升幅度最大的一年。从企业规模看，大型企业渗透率达86.4%，中型企业为58.7%，小微企业为34.2%，规模差异明显但均呈上升态势。从行业看，信息技术服务业渗透率最高（82.6%），金融业次之（68.4%），制造业为48.7%，批发零售与物流为42.3%，医疗健康为38.6%。更值得关注的是应用心态的变化。调研中，78.6%的企业将人工智能列为未来三年的重点投入方向，64.2%的企业表示"不上人工智能将在竞争中处于劣势"，人工智能已从"锦上添花"的可选项，变为"不进则退"的必选项。但与此同时，仍有31.4%的企业表示"看不清投入产出，暂缓大规模投入"，反映出企业界对人工智能价值的认知仍存在分化。（二）应用场景从外围走向核心，价值创造逐步深化人工智能的应用场景正在经历从"外围"到"核心"的迁移。调研显示，当前应用最广泛的场景依次为：文档处理与办公协同（76.4%）、客户服务与营销（62.8%）、数据分析与报表（58.6%）、代码开发与测试（46.2%）、质量检测（38.7%）、研发设计与仿真（32.4%）、生产排程与调度（28.6%）、供应链预测（24.8%）、设备预测性维护（21.5%）。虽然办公协同、客服营销等外围场景仍是主流，但研发设计、生产排程、质量检测等核心场景的应用增速明显快于外围场景。调研中，42.7%的企业表示已将人工智能应用于至少一个核心业务环节，较上年提高11.3个百分点。从价值创造看，已应用人工智能的企业平均生产效率提升23.6%，研发周期缩短21.4%，运营成本下降15.8%，客户响应速度提升34.6%。（三）生成式人工智能加速落地，智能体成为新热点生成式人工智能是近两年最显著的技术变量。调研显示，58.7%的样本企业已开始使用生成式人工智能工具，其中大型企业使用率达82.4%，中型企业为61.3%，小微企业为42.8%。使用场景从最初的文案撰写、代码辅助，快速拓展到合同审查、报告生成、产品设计、知识问答、数据分析等领域。智能体（Agent）技术成为新的应用热点。调研中，24.6%的企业表示正在试点或已部署智能体应用，主要用于客户服务自动应答、内部流程自动化、研发任务编排、数据分析报告生成等场景。智能体相比传统人工智能应用，具备更强的任务理解、工具调用和多步执行能力，有望将人工智能从"辅助工具"推进到"数字员工"的新阶段。但调研也显示，智能体的可靠性、可控性、成本效益仍是企业关注的主要问题。（四）算力供给能力持续增强，但结构性矛盾突出算力是人工智能发展的基础支撑。调研显示，样本企业获取智能算力的主要方式为：公有云租赁（62.4%）、自建算力中心（24.8%）、混合部署（12.8%）。从算力利用看，样本企业智能算力平均利用率为56.8%，其中大型企业为68.4%，中小企业为42.6%。但算力结构性矛盾十分突出。一方面是"高端算力紧缺"，高端智能芯片供应受限，部分企业反映"一卡难求"，算力租赁价格高企；另一方面是"通用算力闲置"，部分地方建设的智算中心利用率不足40%，存在"建而不用、用而不优"的现象。调研中，58.4%的企业反映算力成本是人工智能应用的主要障碍之一，46.7%的企业认为算力供需匹配效率不高。（五）数据要素价值逐步释放，但高质量供给不足数据是人工智能的"燃料"。调研显示，样本企业数据治理水平较上年明显提升，48.6%的企业建立了数据管理组织或制度，36.4%的企业建设了数据中台或数据平台，28.7%的企业开展了数据资产盘点。从数据应用看，企业最主要的数据来源为自有业务数据（86.4%）、公开数据集（52.8%）、合作伙伴数据（34.6%）、采购数据（28.4%）。但高质量数据供给不足的问题依然突出。调研中，64.3%的企业反映"数据质量不高、标注成本高"，58.7%的企业认为"行业高质量语料库缺乏"，52.4%的企业表示"数据孤岛严重、跨部门共享困难"。特别是在垂直行业，专业数据分散在医院、学校、企业、政府部门等不同主体手中，确权、定价、流通、安全等基础制度尚不健全，制约了行业大模型的训练和优化。（六）模型能力持续提升，与场景适配仍需深化国产大模型能力持续提升。调研显示，样本企业在选择模型时，42.6%采用"通用大模型+行业微调"的方式，28.4%直接调用通用大模型API，18.7%采用开源模型自行部署，10.3%与模型厂商联合开发行业模型。从模型能力看，国产大模型在中文理解、代码生成、多模态处理等方面已达到较高水平，但在专业领域知识、复杂推理、长文本处理、可靠性等方面仍有提升空间。模型与场景的适配是当前的主要痛点。调研中，61.8%的企业反映"通用模型不懂行业知识，输出不可靠"，54.2%的企业认为"模型幻觉问题影响业务使用"，48.6%的企业表示"模型定制成本高、周期长"。这一现象说明，人工智能要真正赋能行业，不能简单套用通用模型，而需要深入理解行业知识、业务流程和数据特征，进行针对性的微调和工程化封装。（七）组织变革同步推进，人机协同成为新常态人工智能的深度应用，必然要求组织架构、业务流程、考核机制的相应变革。调研显示，52.4%的样本企业设立了人工智能或数字化专职团队，46.8%的企业开展了人工智能相关培训，38.6%的企业调整了业务流程以适应人机协同，28.4%的企业将人工智能应用纳入部门考核。人机协同正在成为新的工作常态。调研中，68.4%的员工表示"人工智能工具已成为日常工作的一部分"，52.7%的员工认为"人工智能提升了我的工作价值和成就感"，但也有34.6%的员工表达了对"技能过时、岗位被替代"的担忧。如何在提升效率的同时，做好员工技能的再培训和职业转型支持，是企业必须正视的问题。（八）区域格局：东部引领，中西部加速追赶人工智能赋能水平呈现明显的区域梯度。调研显示，东部沿海地区样本企业人工智能应用渗透率达62.8%，中部地区为48.6%，西部地区为42.4%，东北地区为38.7%。从综合指数看，东部沿海地区为76.4分（B级成长型），中部地区为68.2分（C级起步型），西部地区为65.4分（C级起步型），东北地区为61.8分（D级观望型）。东部地区的领先优势主要来自三个方面：一是产业基础好，企业数字化程度高，为人工智能应用提供了良好基础；二是生态资源丰富，模型厂商、云服务商、系统集成商、人才等要素集聚；三是应用场景多样，金融、制造、零售、物流等行业的丰富场景为人工智能落地提供了土壤。中西部地区虽起步较晚，但近年来依托算力枢纽建设、产业转移承接和政策支持，呈现加速追赶态势，尤其在智能算力、智能制造、智慧农业等方向形成了特色优势。（九）政策环境持续优化，支持力度不断加大近年来，我国在人工智能基础设施建设、大模型创新发展、应用场景开放、数据要素市场培育、安全治理等方面出台了一系列政策措施，为人工智能赋能新质生产力提供了有力支撑。调研显示，71.4%的企业认为"人工智能+"行动对推动应用落地有积极作用，64.8%的企业认为算力基础设施的公共供给降低了应用成本，56.7%的企业认为地方政府在场景开放、资金补贴、人才引进等方面给予了实质性支持。但政策协同性和精准性仍有提升空间。部分政策存在"重建设、轻应用""重头部、轻中小"的倾向；应用场景开放程度不够，政府、国企的数据和场景资源尚未充分释放；中小企业的政策知晓率和兑现率相对较低；安全治理、标准规范等基础制度建设仍滞后于技术发展。五、重点行业赋能差异分析（一）制造业：从单点应用走向全流程智能制造业是人工智能赋能实体经济的主战场。调研显示，样本制造企业人工智能应用渗透率为48.7%，已应用企业平均生产效率提升19.8%，质量不良率下降24.6%，设备综合效率提升16.4%。应用场景从早期的质量检测、设备维护，逐步拓展到研发设计、生产排程、工艺优化、供应链协同等核心环节。在研发设计环节，生成式设计工具可以根据性能要求快速生成多种结构方案，显著缩短设计周期；在质量检测环节，机器视觉检测的精度和速度远超人工，尤其在电子、汽车、纺织等领域应用广泛；在生产排程环节，人工智能算法可以综合考虑订单、设备、物料、人员等多重约束，实现柔性排产；在设备维护环节，基于振动、温度、电流等数据的预测性维护，可以显著降低非计划停机时间。但制造企业的人工智能应用也面临特殊挑战。一是工业数据分散在设备、系统、人员中，采集和治理难度大；二是工业场景对可靠性、实时性、安全性要求极高，模型出错可能导致生产事故；三是制造业的行业知识高度隐性，难以转化为模型可用的显性知识；四是中小制造企业利润空间有限，难以承担人工智能投入。调研中，58.6%的制造企业反映"投入产出不明确"是最大障碍。（二）金融业：风控与服务的智能化双轮驱动金融业是人工智能应用最成熟的行业之一。调研显示，样本金融企业人工智能应用渗透率达68.4%，已应用企业平均运营效率提升28.6%，风险识别准确率提升22.4%，客户服务响应速度提升42.8%。应用场景主要包括智能风控、智能投顾、智能客服、智能营销、合规审查、代码开发等。在风控领域，人工智能通过对多维度数据的建模，可以更精准地识别欺诈、违约、洗钱等风险；在客服领域，大模型驱动的智能客服可以处理大部分标准化咨询，显著降低人工成本；在投研领域，人工智能可以快速处理海量研报和公告，辅助投资决策；在合规领域，人工智能可以自动审查合同、识别合规风险，提升合规效率。但金融业的人工智能应用也面临严格监管约束。模型的可解释性、公平性、稳健性要求高，算法歧视、数据隐私、模型风险等问题受到高度关注；金融监管对人工智能应用的准入、测试、披露等环节有明确要求，创新与合规之间的平衡需要精细把握。调研中，52.4%的金融企业认为"合规要求严格"是人工智能应用的主要约束。（三）批发零售与物流：需求预测与效率优化批发零售与物流行业是人工智能应用的重要领域。调研显示，样本企业应用渗透率为42.3%，已应用企业平均库存周转率提升26.8%，配送效率提升21.4%，客户满意度提升18.6%。应用场景主要包括需求预测、智能选品、动态定价、智能客服、仓储机器人、路径优化等。在需求预测方面，人工智能可以综合历史销售、天气、节假日、促销、竞品等多维数据，显著提升预测精度，降低库存积压和缺货损失；在仓储环节，AGV机器人、智能分拣系统、无人仓等技术大幅提升作业效率；在配送环节，路径优化算法可以降低运输成本、缩短配送时间；在营销环节，个性化推荐和智能客服提升了转化率和客户体验。但该行业的人工智能应用也面临数据分散、场景碎片化、投入产出周期长等问题。中小零售企业和物流企业普遍缺乏技术能力和资金实力，更倾向于使用SaaS化的标准产品而非自建系统。（四）医疗健康：辅助诊断与药物研发双突破医疗健康是人工智能应用最具社会价值的领域之一。调研显示，样本医疗健康企业应用渗透率为38.6%，应用场景主要包括医学影像辅助诊断、临床决策支持、病历质控、药物研发、健康管理、智能问诊等。在医学影像领域，人工智能对肺结节、糖网、骨龄、病理切片等的检出准确率已达到较高水平；在药物研发领域，人工智能辅助靶点发现、分子生成、临床试验设计，显著缩短了研发周期；在健康管理领域，可穿戴设备结合人工智能算法，可以实现慢病监测和风险预警。但医疗人工智能的应用面临特殊挑战。一是数据敏感性强，医疗数据的采集、使用、共享受到严格监管，跨机构数据难以打通；二是临床验证要求高，人工智能产品需要经过严格的临床试验和注册审批；三是责任界定复杂，人工智能辅助诊断出现误判时，责任如何在医生、企业、医院之间划分尚不清晰；四是商业模式不清晰，医院付费意愿和能力有限，医保支付尚未覆盖大部分人工智能产品。调研中，61.4%的医疗企业认为"数据获取难"和"商业闭环难"是主要障碍。（五）信息技术服务业：AI原生成为新方向信息技术服务业既是人工智能的供给方，也是最早的应用方。调研显示，样本信息技术服务企业应用渗透率最高，达82.6%，已应用企业平均开发效率提升34.6%，代码缺陷率下降28.4%，项目交付周期缩短26.8%。应用场景主要包括代码生成与补全、测试用例生成、需求分析、文档撰写、运维监控、安全检测等。"AI原生"正在成为软件行业的新方向。越来越多的软件产品从设计之初就将人工智能能力嵌入核心功能，而非事后附加；智能体技术使软件具备自主执行任务的能力，从"工具"演进为"助手"甚至"数字员工"；低代码/无代码平台结合人工智能，大幅降低了软件开发门槛，使业务人员也能参与应用构建。但软件行业也面临新的挑战。人工智能生成的代码存在质量、安全、版权等风险，需要建立相应的审核和治理机制；人工智能可能改变软件行业的商业模式和定价逻辑，从"按席位收费"转向"按使用量或效果收费"；初级程序员的岗位需求可能受到冲击，人才结构需要相应调整。六、区域差异分析人工智能赋能水平的区域差异，既反映了各地产业基础和资源禀赋的不同，也反映了政策力度和生态成熟度的差异。调研显示，样本企业综合指数呈现"东部领先、中部追赶、西部起步、东北滞后"的格局。表2不同区域样本企业人工智能赋能关键指标对比区域样本数

（家）应用渗透率

（%）核心业务

应用比例（%）算力利用率

（%）综合指数等级东部沿海地区26862.848.664.276.4B中部地区13648.636.454.868.2C西部地区11242.432.852.665.4C东北地区6538.728.448.261.8D注：核心业务应用比例指已将人工智能应用于至少一个核心业务环节的企业占比。东部沿海地区的领先，主要得益于三方面优势：一是产业基础雄厚，制造业、金融业、信息技术服务业发达，为人工智能提供了丰富的应用场景；二是生态资源集聚，模型厂商、云服务商、系统集成商、高校院所、投资机构高度集中，形成了较为完整的创新生态；三是政策先行先试，在数据要素市场、场景开放、算力建设等方面走在前列。中部地区的追赶，主要依托制造业基础和算力枢纽建设。长沙、武汉、合肥、郑州等城市在智能制造、智慧医疗、智能语音等方向形成了特色优势；国家算力枢纽节点的建设，为中部地区提供了算力支撑。但中部地区在模型能力、高端人才、生态资源等方面仍有明显短板。西部地区和东北地区的起步，主要受制于产业基础薄弱、人才外流、生态资源不足。但两地也有各自的比较优势：西部地区在绿色能源、算力枢纽、特色农业、边境贸易等场景具有潜力；东北地区在装备制造、农业、寒地经济等场景具有空间。未来应坚持分类施策，避免简单复制东部模式，重点在特色场景和算力优势上做文章。七、存在的主要问题与深层成因（一）算力结构性矛盾突出，"高端紧缺"与"通用闲置"并存调研中，58.4%的企业反映算力成本是人工智能应用的主要障碍，46.7%的企业认为算力供需匹配效率不高。一方面是高端智能算力紧缺，高端芯片供应受限，算力租赁价格高企，中小企业"用不起、买不到"；另一方面是部分地方智算中心利用率不足40%，存在"建而不用、用而不优"的现象。深层原因在于：高端芯片的自主供给能力不足，受制于先进制程、核心设备、关键材料等环节；算力建设的规划统筹不够，部分地区盲目上马智算中心，缺乏与本地产业需求的匹配；算力调度平台之间的互联互通程度不高，跨区域、跨主体的算力交易机制尚未完全建立；算力定价机制不透明，中小企业议价能力弱。（二）高质量数据供给不足，数据要素价值释放受阻调研中，64.3%的企业反映数据质量不高、标注成本高，58.7%的企业认为行业高质量语料库缺乏，52.4%的企业表示数据孤岛严重。特别是在垂直行业，专业数据分散在不同主体手中，确权、定价、流通、安全等基础制度尚不健全，制约了行业大模型的训练和优化。深层原因在于：数据产权制度尚不清晰，"三权分置"在实操层面缺乏细则；数据定价机制不健全，缺乏公认的估值方法和交易规则；数据安全与隐私保护的技术手段和制度保障仍有不足；跨部门、跨区域的数据共享缺乏有效的激励与约束机制；企业数据治理能力薄弱，数据标准不统一、质量参差不齐。（三）模型能力与场景需求错配，"不会用、用不好"现象普遍调研中，61.8%的企业反映通用模型不懂行业知识、输出不可靠，54.2%的企业认为模型幻觉问题影响业务使用，48.6%的企业表示模型定制成本高、周期长。这一现象说明，人工智能要真正赋能行业，不能简单套用通用模型，而需要深入理解行业知识、业务流程和数据特征，进行针对性的微调和工程化封装。深层原因在于：通用大模型的训练数据以公开语料为主，缺乏行业专业知识和企业私有数据；行业知识的隐性程度高，难以转化为模型可用的显性知识；模型微调需要高质量的标注数据和专业的技术团队，中小企业难以承担；模型评估和验证体系不健全，企业难以判断模型输出的可靠性；人工智能工程化能力不足，从模型到产品的"最后一公里"存在明显瓶颈。（四）中小企业应用门槛高，"不敢用、不会用、用不起"调研中，小微企业人工智能应用渗透率仅为34.2%，明显低于大型企业的86.4%。在未应用人工智能的小微企业中，表示"投入产出不明确"的占61.4%，"缺乏专业技术人员"的占58.7%，"不知道如何选型"的占46.8%，"担心数据安全"的占38.4%。深层原因在于：面向中小企业的低成本、轻量化、开箱即用的人工智能产品供给不足；中小企业缺乏人工智能规划能力和技术团队，难以独立完成选型和实施；人工智能投入的回报周期较长，与中小企业的短期生存压力存在张力；服务商市场良莠不齐，部分产品"重演示、轻落地"，导致企业信心受损；中小企业数据基础薄弱，难以支撑模型训练和优化。（五）复合型人才严重短缺，供给与需求脱节调研中，73.5%的受访企业将"既懂人工智能技术又懂行业业务的复合型人才"列为制约发展的首要因素。具体来看，人工智能算法工程师、数据工程师、提示词工程师、人工智能产品经理、人工智能伦理与合规专家、人机协同管理人才等岗位缺口尤为明显。深层原因在于：高校人工智能相关专业培养规模有限，且以理论教学为主，工程实践能力培养不足；行业知识与人工智能技术的交叉培养体系尚未建立，懂技术的不懂业务、懂业务的不懂技术；企业内部的技能培训体系不完善，传统岗位员工向人机协同岗位转型缺乏系统路径；人工智能人才薪酬水平高，中小企业难以与大厂竞争；人才评价机制唯论文、唯学历倾向尚未根本扭转。（六）安全治理滞后，风险防控能力不足调研中，56.8%的企业反映对人工智能的安全风险"缺乏有效管控手段"，48.7%的企业表示"不清楚相关合规要求"。主要风险包括：数据泄露与隐私侵犯、模型幻觉导致决策错误、算法歧视与不公平、生成内容的知识产权争议、模型被攻击或滥用、关键业务对人工智能的过度依赖等。深层原因在于：人工智能安全治理的法律法规和标准体系尚不健全，企业缺乏明确的合规指引；安全检测评估的技术能力和第三方服务供给不足；企业内部的安全管理制度和责任机制不完善；人工智能的"黑箱"特性使得风险难以预判和追溯；安全投入的成本与收益不匹配，企业投入意愿不足。（七）投入产出不匹配，价值评估体系缺失调研中，52.4%的企业表示"难以准确评估人工智能的投入产出"，46.8%的企业认为"人工智能项目回报周期长于预期"。部分企业存在"为AI而AI"的倾向，盲目上马项目，实际使用率低、价值创造有限；也有企业因无法量化收益而迟迟不敢投入。深层原因在于：人工智能的价值往往是间接的、长期的、系统性的，难以用传统的财务指标衡量；企业缺乏科学的评估方法和基准数据，难以区分人工智能贡献与其他因素的贡献；部分服务商过度承诺，导致企业预期与实际效果出现落差；人工智能项目的成本结构复杂（算力、数据、人力、集成、运维），企业难以全面核算。（八）产业生态协同不足，创新链与产业链衔接不畅调研中，54.6%的企业反映"找不到合适的服务商或解决方案"，48.3%的企业认为"产学研合作深度不够"。当前，模型厂商、云服务商、系统集成商、行业用户之间的协同不够紧密，通用模型与行业需求之间缺乏有效的"翻译"和"封装"环节；高校院所的原创成果与企业工程化需求之间存在"死亡之谷"；开源生态虽快速发展，但高质量的中文开源模型、工具链和数据集仍显不足。深层原因在于：人工智能产业链条长、分工细，各环节之间的标准和接口不统一，集成成本高；行业用户的需求表达能力和技术服务商的需求理解能力都存在不足；产学研合作的利益分配和知识产权归属规则不够清晰；开源生态的可持续商业模式尚在探索，贡献者的积极性有待激发。八、典型案例分析案例一：以"AI+工业质检"实现质量与效率双提升的制造企业基本情况：长三角地区某精密电子制造企业，员工约4,800人，年营业收入约68亿元，产品主要供应消费电子和汽车电子客户。主要做法：企业针对外观缺陷检测依赖人工、效率低、漏检率高的问题，联合人工智能服务商开发了基于深度学习的视觉检测系统。项目分三步推进：第一步，建设覆盖全部产线的工业相机和光源系统，实现缺陷图像的高质量采集；第二步，建立缺陷样本库和标注规范，累计标注缺陷图像超过120万张；第三步，训练多任务检测模型，实现划痕、脏污、缺件、偏移等18类缺陷的自动识别。系统上线后，企业将检测环节的节拍从人工的8秒/件缩短至1.2秒/件，并与MES系统打通，实现缺陷数据的实时追溯和工艺参数的自动回传。实施成效：质检环节人工减少62%，漏检率由3.8%降至0.4%，过检率由5.6%降至1.2%；产品一次合格率提升4.2个百分点；质检数据反哺工艺优化，使关键工序的CpK值提升18.6%；项目投资回收期约14个月。启示：工业人工智能的成功，关键不在模型本身，而在于"数据采集—标注—训练—部署—反馈"的闭环工程能力。企业需要把人工智能嵌入业务流程，而不是当作孤立工具；需要建立数据资产意识，把质检数据转化为持续优化的燃料。案例二：以行业大模型重构客户服务体系的金融企业基本情况：粤港澳大湾区某股份制银行，员工约6.2万人，年营业收入约1,800亿元，零售客户超过1.2亿户。主要做法：银行围绕"降本、提效、增值"三个目标，构建了覆盖客服、营销、风控、运营的行业大模型应用体系。在客服环节，基于通用大模型和自有业务知识库，开发了智能客服助手，可自动处理账户查询、挂失、转账、理财咨询等80%以上的标准化问题，并支持多轮对话和情绪识别；在营销环节，构建客户意图识别和产品推荐模型，实现"千人千面"的精准营销；在风控环节，将大模型用于合同审查和反洗钱可疑交易分析；在运营环节，开发了面向柜员的智能助手，辅助业务办理和合规检查。为保证可靠性，银行建立了"模型输出—人工复核—反馈优化"的闭环机制，并设置敏感词过滤和业务规则校验。实施成效：智能客服问题解决率由62%提升至86%，人工客服工作量下降42%；营销转化率提升28.6%；合同审查效率提升3.2倍，合规差错率下降56%；柜面业务平均办理时长缩短34%。项目上线一年累计节省运营成本约6.8亿元。启示：金融行业的人工智能应用，必须在效率与合规之间找到平衡。行业大模型的价值不在于"什么都能答"，而在于"在该答的地方答得准、在不该答的地方守得住"。建立人机协同的复核机制和业务规则校验，是金融人工智能落地的必要条件。案例三：以"AI原生"重构软件开发流程的科技企业基本情况：京津冀地区某企业级软件公司，员工约2,600人，其中研发人员占比68%，年营业收入约32亿元，主要为制造、能源、政务客户提供数字化解决方案。主要做法：公司将人工智能深度嵌入软件开发全生命周期：在需求阶段，用大模型辅助需求分析和用户故事拆解；在设计阶段，用生成式工具辅助架构设计和接口定义；在编码阶段，全面采用AI编程助手，支持代码补全、单元测试生成、代码审查建议；在测试阶段，用人工智能生成测试用例并辅助缺陷定位；在运维阶段，用智能体自动处理告警、分析日志、生成故障报告。同时，公司重构了研发流程和考核机制，将"AI工具使用率""AI生成代码采纳率""人机协同效率"纳入研发效能指标，并建立了代码安全审核和知识产权合规机制。实施成效：研发人员人均代码产出提升42.6%，单元测试覆盖率由58%提升至82%，缺陷逃逸率下降38.4%，项目平均交付周期缩短31.2%；初级工程师在AI辅助下可承担更复杂的任务，人才成长周期明显缩短；公司基于自身实践推出了面向客户的"AI原生开发平台"，形成新的业务增长点。启示：人工智能对软件行业的改变是深层次的，不仅是工具升级，更是流程重构和能力重塑。企业要敢于打破既有的研发范式和考核体系，同时要建立与人工智能生成内容相适应的质量、安全和合规机制，避免"效率提升、风险失控"。九、对策建议（一）优化算力供给结构，提升算力使用效率加强算力建设的全国统筹和规划引导，避免地方盲目上马智算中心，推动算力布局与本地产业需求相匹配；加快高端智能芯片的自主攻关和产业化，提升先进制程、核心设备、关键材料的自主保障能力；建设全国统一的算力调度平台，推动跨区域、跨主体的算力互联互通和交易机制，提升算力利用效率；推广"算力券""模型券"等普惠性工具，降低中小企业使用高端算力的门槛；探索算力租赁的价格透明化和标准化。（二）强化高质量数据供给，释放数据要素价值加快数据产权"三权分置"实施细则落地，明确数据持有权、加工使用权、产品经营权的边界与操作规则；在重点行业建设高质量语料库和行业数据集，鼓励龙头企业、科研机构、行业协会联合共建共享；推动公共数据授权运营，在保障安全的前提下开放更多高价值数据，建立合理的收益分配机制；推广隐私计算、联邦学习、区块链存证等技术，实现"数据可用不可见"，破解数据共享的安全顾虑；提升企业数据治理能力，推动数据标准统一、质量提升和资产化管理。（三）推动模型与场景深度适配，提升落地可靠性鼓励模型厂商与行业龙头企业联合开发行业大模型，把行业知识、业务流程、专业规则嵌入模型；支持建设人工智能工程化平台和工具链，降低模型微调、部署、监控、迭代的技术门槛；建立人工智能模型的评估验证体系和基准测试集，提升模型输出的可靠性和可解释性；推广"人在回路"的人机协同模式，对高风险场景设置人工复核环节，平衡效率与安全；支持智能体技术的工程化落地，推动人工智能从"辅助工具"向"数字员工"演进。（四）降低中小企业应用门槛，推动普惠式赋能支持开发面向中小企业的轻量化、低成本、开箱即用的人工智能产品和解决方案；推广"人工智能即服务"（AIaaS）模式，让中小企业按需付费、按效果付费，降低一次性投入压力；建设面向中小企业的人工智能公共服务平台，提供选型咨询、方案验证、人才培训等一站式服务；建立服务商评价和"黑名单"机制，规范市场秩序，杜绝"重演示