2026年初，国务院国资委部署“AI+”专项行动，要求国有企业“切实当好智算基础设施的重要供给者、人工智能赋能千行百业的重要破题者、产业体系化布局的重要组织者”。八部门联合印发的《“人工智能+制造”专项行动方案》进一步明确了量化目标：到2027年，推动3至5个通用大模型进入制造业，打造1000个工业智能体，推广500个典型应用场景，遴选1000家标杆企业。
“十五五”规划将数字经济核心产业增加值占GDP比重的目标定在12.5%。这意味着，未来五年AI不再是“锦上添花”的创新试点，而是地方经济考核的硬指标。
对于地方国企而言，这道题已经不是“选做题”，而是“必答题”。如果到2027年拿不出可量化的AI应用成果，在上级考核、银行授信、债券评级等环节都将面临更大的压力。
地方国企的路径选择：不必对标央企，但要找准自己的优势
在各地调研中，一个普遍现象是：很多地方国企在启动AI转型时，第一反应是对标央企——中建搞了智慧工地，国家电网搞了智能巡检，中国移动搞了九天大模型。
这一思路值得警惕。央企的资源禀赋——千亿级营收体量、数万人研发团队、遍布全国的业务场景——是地方国企不具备的。2025年，央企战略性新兴产业收入超过12万亿元，“十四五”以来累计投资超过10万亿元。一个三百亿资产的地级市城投，如果照搬央企的数字化投入规模，风险极高。
但地方国企有一个央企难以复制的优势：掌握着城市运营中最核心的场景和数据。
水务、交通、停车、城管、能源、园区——这些“毛细血管”级别的城市运营场景，恰恰是大模型落地最需要的数据资源。央企有技术、有资金，但它不掌握一座城市每天产生多少吨污水、哪条路早高峰拥堵时长、哪个片区的管网漏损率最高。这些经过数十年运营积累的数据，是任何外部技术公司无法替代的竞争壁垒。
想明白这一点，路径就清楚了：不是与央企比技术能力，而是将自身的场景和数据优势转化为商业价值。
在进入具体路径之前，有必要先讨论一个更根本的问题。从已完成的咨询项目来看，多数地方国企的AI项目未能达到预期，瓶颈往往不在技术层面，而在组织层面。
一种典型场景是：管理层在战略层面表达了重视，但执行层面交由信息中心独立推进。信息中心受限于人员编制和职能定位，难以推动跨部门的数据打通和流程再造，最终只能将项目外包。技术平台搭建完成后，业务部门并未真正参与使用。两三年后管理层更替，项目便被搁置。
问题的本质在于：AI转型不是技术项目，而是业务变革。它要求业务部门深度参与、数据跨部门打通、流程重新设计、考核机制同步调整。这些工作，信息中心无法独立推动，必须由“一把手工程”来驱动。
从已完成AI转型的企业实践来看，有三个共同特征：
其一，决策机制实质化。由董事长或总经理直接担任数字化委员会负责人，建立月度调度和季度考核机制，而非仅挂名。其二，设立跨部门协调角色。设置“首席数据官”或类似岗位，级别不低于副总，具备协调跨部门数据的权限。其三，将AI应用纳入绩效考核。不是“鼓励使用”，而是将应用效果写入业务部门KPI，形成明确的激励和约束机制。人才问题同样需要务实应对。地方国企的薪酬体系确实难以吸引顶尖AI人才，但转型所需的核心能力并非基础研究，而是“懂业务+会用AI工具”的复合型人才。从内部选拔业务骨干进行系统培训，往往比高薪引进“水土不服”的外部人才更为有效。
方向在场景而非技术，关键在组织而非系统。明确这两点，再看具体的转型路径，判断会更加清晰。
从已服务的地方国企转型项目来看，大致可以归纳为四条路径。这四条路径并非互斥，但需要明确主次，避免四条同时推进、每条都浅尝辄止。
路径一：算力基建——建设智算中心，对外输出算力服务
典型案例包括济南城投的“超算+智算”双轮驱动模式，以及深圳龙岗城投的“算力飞地”模式——将算力中心建在电价较低的贵州、内蒙等地，借助“东数西算”政策降低成本。
- 适用条件：具备资金实力、政府背书和低成本电力资源的平台公司。
- 主要风险：GPU迭代速度快，折旧压力大；算力属于重资产、低毛利业务，缺乏稳定的政府购买服务或大客户长期合约，容易建成即亏损。
这是大多数地方国企的首选路径。核心逻辑是：不需要自主研发大模型，而是将AI能力嵌入既有业务场景。
深圳环水集团将AI应用于水厂调度、管网漏损检测和客服工单分派，三个项目入选全国智慧水务典型案例，仅管网漏损一项每年节省数千万元。杭州城投将城市停车数据输入算法模型，实现动态定价和车位预测，停车周转率提升30%以上，市民投诉同步下降。
这类项目的投入通常在数百万级别，半年内可以见效，且成果可以直接纳入年度经营业绩。
- 适用条件：几乎所有地方国企，尤其是水务、交通、能源、城管等拥有明确业务场景的企业。
- 主要风险：需要业务部门深度配合，不能仅靠信息中心独立推进。
路径三：资本运作——以投代引，通过产业基金引入AI企业
合肥是这一路径的标杆。合肥产投通过产业基金将一批AI企业引入本地，既完成招商引资，又获得财务回报。
- 适用条件：拥有基金牌照、项目资源和退出渠道的平台公司。
- 主要风险：对团队的专业能力要求极高。实践中，不少地方模仿合肥模式，但投后既未实现产业导入，也未获得财务回报。
路径四：园区载体——建设AI产业园，提供共享算力和孵化服务
东莞滨海湾、济南城投均在推进这一路径。优势在于“进可攻退可守”——招商成功则形成产业高地，招商不顺仍有物业收入支撑。
- 主要风险：同质化严重。全国AI产业园密集建设，缺乏差异化算力服务和本地场景绑定的园区，空置率较高。
综合建议：大多数地市级国企应以“场景运营”为主攻方向，以“算力基建”或“园区载体”为辅助支撑，资本运作量力而行。区县级平台更不宜贪大求全，“算力代理”“场景换技术、数据换服务”等轻资产模式，往往是更务实的选择。
“大模型”“智能体”“具身智能”等概念频繁出现，但对于地方国企而言，核心问题只有一个：哪个业务环节最痛、成本最高、效率最低？从该场景切入，用一个可量化的项目验证AI价值，比建设多个“创新实验室”更有意义。一个能将管网漏损率从15%降至8%的项目，其说服力远超过百页的方案报告。
一个三千万的智算中心项目，从立项到运营至少需要两到三年。而一个三百万的智慧水务项目，半年内即可跑通、见效、复制。先让组织看到实际效果，再逐步加码，比一上来就制定宏大规划更为稳妥。转型的信心来自“小胜”的积累。
不少地方国企将预算集中投入GPU服务器和大模型API采购，但内部缺乏能够真正将工具用起来的人才。更合理的资源配置是：将预算的30%用于培养“AI+业务”复合型人才，或引入长期陪跑的服务机构。设备会过时，组织能力不会。
算力可以采购，模型可以使用开源版本，算法可以外包，但企业多年积累的业务数据是不可替代的。当前许多地方国企的问题不是没有数据，而是数据分散在十余个系统中，格式不统一、口径不一致、质量参差不齐。不解决这一底层问题，上层的AI应用难以真正落地。
2026年，AI赋能国企转型已不再是“先行者的探索”，而是政策考核、融资环境和市场竞争共同驱动下的现实要求。
真正拉开企业间差距的，不是谁更早采购了AI工具，而是谁更有能力将AI嵌入核心业务流程、重构组织运作方式。那些将AI视为技术项目的企业，大概率会停留在试点和观望中；而将AI视为业务流程再造和组织能力升级契机的企业，将率先完成从试点到规模化的跨越。
