12.5%写进两会政府工作报告
企业AI如何从试点走向规模化？
让数据要素有效流通 让数据资产持续增值
3月5日上午，十四届全国人大四次会议在人民大会堂开幕，国务院总理李强作政府工作报告。 在这份报告里，一个容易被忽略却足够“硬”的表述是：在“十五五”重大战略任务中提出“深入推进数字中国建设”，并明确“数字经济核心产业增加值占国内生产总值比重达到12.5%”。 这意味着，数字经济不再只是一句方向性口号，而被放置在中长期结构优化的指标体系中，指向“数字产业本身要做大”的政策期待。
如果把这条目标与年度工作部署对照阅读，信号更清晰。报告在“加紧培育壮大新动能”部分提出要“打造智能经济新形态”，强调“深化拓展‘人工智能+’”，并提出“推动重点行业领域人工智能商业化规模化应用”，同时把“建设高质量数据集”“完善人工智能治理”等制度和能力建设放在同一段落中。 这组表述的内在逻辑，似乎是在提醒市场：AI的下一阶段不只是“能不能用”，而是“能不能规模化地变成生产力”，并且要在可控、可评估、可持续的框架内推进。
企业落地：从场景进入利润表
对企业而言，“商业化、规模化应用”最容易出现的误区，是把注意力过度放在模型能力本身：参数更大、效果更好、上线更快，却未必带来同等幅度的经营改善。
报告把“商业化规模化应用”与“高质量数据集”“治理”并列，本质上提示了一条更接近经营规律的路径——AI要进入利润表，往往需要从业务场景出发，以可衡量的价值闭环牵引技术路线，而不是反过来让业务去迁就技术。
在不少行业的实践中，一个更稳妥的起点，可能是先在企业内部选取少数“结果可以量化”的场景做切入：例如面向存量业务的客户服务与营销触达，面向生产制造的排产、质检与设备预测性维护，面向流通与供应链的需求预测与库存优化，面向金融与平台业务的风控反欺诈等。
之所以强调“少数”，并不是因为AI应用空间有限，而是因为规模化往往建立在“可复制”之上：先把一个场景打穿，形成可复用的方法论、数据资产与交付流程，再扩展到相邻业务线，通常比同时铺开十几个试点更接近“规模化应用”的政策语境。
数据与治理：规模化的“地基工程”
但场景牵引并不等于“找到需求就能上线”。报告在同一段落强调“建设高质量数据集”“完善人工智能治理”， 这提示企业在推进商业化时，数据与治理可能不是“后置补课”，而是决定ROI能否兑现的关键变量。
对于多数企业来说，AI项目最常见的成本黑洞并非算力，而是数据的可用性：口径不统一、标签不可追溯、权限难以界定、质量缺少度量，都会让模型在真实业务中“效果漂移”。因此，在推进首批场景时同步建立数据治理的最小闭环——包括数据标准、主数据口径、权限与审计、质量度量、训练与推理数据的版本管理——更像是一种“为规模化预埋地基”的做法。
同样需要被提前纳入路线图的，还有评测与安全治理。报告提出“完善人工智能治理”， 其现实含义并不限于合规文件，而是企业在大规模上线时必须面对的经营风险管理：模型在不同人群、不同渠道、不同时间段的稳定性如何评估；模型输出的可解释性如何支撑业务审计；数据出境、隐私保护、商业秘密与知识产权如何界定边界；当模型出现偏差或被对抗攻击时，是否有可触发的“降级/兜底/人工接管”机制。
把评测、安全、合规放在“上线前”而非“出事后”，往往能显著降低规模化推广的摩擦成本，也更贴近报告所强调的“治理”内涵。
评估尺度：从试点到复制的关键指标
当企业完成首个场景的价值闭环后，真正的规模化才刚刚开始。更值得关注的不是“做了多少个Demo”，而是三个更贴近经营的指标：
第一，单场景是否形成了可复核的降本增效（如人效提升、良率改善、周转缩短等）；
第二，模型从试点到生产的转化效率——包括上线周期、迭代频次、故障率与稳定性；
第三，复制速度与复制范围——能否在相邻业务线、相似流程、相似客户群中快速复用数据资产与交付流程。
它们共同决定企业的AI投入，是停留在“技术展示”，还是进入“业务能力”。
把视角再拉回“12.5%”。这个目标落到企业层面，未必意味着每一家企业都要成为AI公司，但很可能意味着更多企业要学会以更产业化的方式使用AI：从场景出发建立可计算的价值账本，从数据出发建立可持续的资产底座，从治理出发建立可扩张的风险边界。
报告对“商业化规模化应用”的强调， 或许正是在为这种“从试点走向规模”的企业路径提供政策注脚。对企业而言，接下来真正的分水岭，可能不是“有没有上AI”，而是“能不能把AI变成一种可复制、可运营、可审计的生产力”。
• END •
了解更多信息，请访问国信中健官网：www.one-health.com.cn
长按扫码添加企业微信~
