信通院说清一件事：AI 装得越多，组织越拖不动

本文解读：《2026智能原生（AI Native）研究报告（1.0）-中国信通院》 · 共 60 页 · 原文

麦肯锡 2026 年全球 AI 调研问了两个问题：约八成受访者认为 AI 提升了生产力， 但只有 37% 表示企业获得了企业级财务收益。

中国信通院这份 51 页的报告就是来解释这个落差的。它把智能原生定义成一个属性判断： 系统、产品或组织自设计之初，就以人工智能为核心运行机制，而不是在既有形态上叠加能力。

判别标准只有一条，也足够锋利：抽离人工智能之后，原有运行逻辑还成不成立。 成立说明你只是加了 AI，不成立才算智能原生。

报告还回答了另外四个问题：实践走到哪一步、变革落在谁身上、需要什么能力、沿什么路径推进， 最后给出六维能力框架和七项落地建议。

能力是引擎，流程是齿轮，齿轮不匹配，引擎转速再高也只能空转。

图源：《智能原生（AI Native）研究报告（1.》（第1页）

一、四个条件刚好同时到位

报告把 2026 年这个时间点解释成内因与外因的交汇。内因是能力内核从会说话变成会执行，外因是产业环境成熟。

能力这一侧有三项同时到位：推理成为可训练的对象，模型先规划再作答，复杂任务的一次性完成率显著提升； 工具调用与接口协议标准化，MCP 等成为调用工具的事实标准；长上下文与记忆机制让模型能承载完整业务语境。

环境这一侧是四道门槛：成本、需求、标准、政策。成本上，以 DeepSeek V4-Flash 为基准，过去两年缓存命中场景下每百万 Token 推理成本下降超 90%。 需求上，我国日均 Token 调用量从 2024 年初的 1000 亿增长到 2026 年 6 月的超过 500 万亿，两年增长超千倍。

标准上，2026 年国内发布首套覆盖智能体全生命周期的《人工智能 智能体互联》GB/Z 185 系列， 涵盖总体架构、身份码、智能体描述、发现、交互、工具调用七个部分。

政策上，国务院《关于深入实施人工智能加行动的意见》设了量化目标： 2027 年新一代智能终端与智能体应用普及率超 70%，2030 年超 90%。

四个门槛在同一时期被跨过去，这才叫拐点，缺一个都只是试点。

图源：《智能原生（AI Native）研究报告（1.》（第3页）

二、四个特征把真原生和假原生分开

报告给了四个核心特征，每一个都设置了与加 AI 模式的对照，这也是全文最实用的部分。

第一是智能内生。加 AI 模式把智能置于既有架构之上，抽离之后系统仍能运转，智能是可拆卸的组件； 智能原生把它内嵌进架构，抽离之后核心流程无法运转。

第二是高效数据飞轮。互联网时代的数据回流多用于单项功能优化，飞轮停转业务仍能运行； 智能原生里业务执行本身就是数据生产过程，飞轮是价值创造的主链路，一停产品就失去核心价值来源。

第三是紧密人机协同。传统模式作业主体只有人类，智能原生里智能体成为第二类作业主体， 需要独立身份、权限与运行边界，输出结果由人类承担最终责任。

第四是持续进化。版本迭代由开发计划驱动、全体用户同质获得；运行层进化由使用行为驱动、 随场景实时发生、不同用户获得差异化能力，成果沉淀在记忆、策略与可调用技能里。

数据飞轮不是有没有的问题，是它停了业务还活不活得下去的问题。

图源：《智能原生（AI Native）研究报告（1.》（第4页）

三、四组数据：价值验证了，规模没发生

报告用四个层面看实践：个人、企业、行业、社会。每一层的结论都比上一层的乐观程度更低。

个人层最积极。波士顿咨询对 14 个市场 11749 名从业者的调研显示，2026 年已有 30% 的受访者 把智能体整合进自身工作流程，2025 年这一比例仅为 13%。但多数使用仍集中在检索、写作与咨询建议这类单点环节。

企业层就冷下来了。麦肯锡 2026 年 5 至 6 月对 1719 名从业者的调研显示， 年营收超 10 亿美元的大型企业里，40% 表示已在至少一个环节把智能体推进到规模化， 较上年的 27% 明显提升，但单一职能内部实现规模化的仍不足一成。

落地深度更低。贝恩对 951 家企业的调研显示，运行完全自主 AI 代理的企业仅约 7%。 但项目成效并不差：斯坦福数字经济实验室梳理 51 个企业落地案例， 智能体类项目占比约 20%，其中位效率提升为 71%，远高于传统自动化项目的 40%。

报告还列了两个反差极大的案例。多邻国 2025 年 4 月转向 AI-First，一年内以 AI 生成 148 门新语言课程， 按传统方式打造 100 门需 12 年以上；中文在线的 AI 短剧单分钟制作成本较传统三维动画下降超 75%。

这类报告的原文件，运营动脉（www.yydm.cn）收得比较全，按行业分好了类，翻起来不费劲。

想核一个具体数字，或者补一张原图，直接搜报告名就能定位到相应的那一页。

价值已经被验证，规模还没发生，这八个字就是当前的全部处境。

图源：《智能原生（AI Native）研究报告（1.》（第5页）

四、行业分化：两个维度画出四个象限

报告用两个维度判断转型格局：智能化基础决定企业从哪儿起步，知识密度决定它能走到哪一步。

智能化基础体现在应用覆盖、人才储备、投入强度与数据资产上，其中投入强度按自主性折算，自建投入贡献更大。 知识密度指行业价值创造对知识、经验与判断的依赖程度，依赖越高，AI 可释放的空间越大。

两个维度交叉出四个象限。双高引领组是知识与专业服务类、智能供给类， 交付形态由人力工时转向智能系统执行加专家复核，人才储备的厚度取代技术选型成为分水岭。

价值储蓄组是生命科学、医疗健康、先进制造，价值潜力最高但释放节奏错位： 研发端率先受益，生产与服务端受物理操作、数据合规和责任界定约束，应用集中在辅助环节。

基础先行组是消费与内容服务、公共服务，应用铺得快，但生产门槛随之下降、竞争烈度同步上升。 基础待补组集中在部分传统制造、农业、采掘，当下该做的是先夯数据与流程基础。

报告的结论是，并不存在普适的最优原生程度。双高组要保持能力领先，价值储蓄组应推进形态重构， 基础先行组宜把先发优势沉淀成数据与知识积累。

同一套 AI 在不同行业里不是同一个东西，起点不同，终点也不同。

图源：《智能原生（AI Native）研究报告（1.》（第6页）

五、六维框架：战略、组织、技术、数据、应用、安全

报告先点出三重现实困境。一是部署鸿沟，93% 的 IT 领导者计划部署智能体，实际实现规模化的只占 23%。 二是管理体系滞后，现有标准多聚焦底层技术与单点能力。三是数据与知识断层，业务数据分散、缺少统一语义框架。

针对这三重困境，报告搭了六维能力框架，第一维是战略与文化，讲的是方向、架构、人才与文化三件事。

战略上要把智能原生放进发展战略核心，愿景分解为可考核的路线图，覆盖范围从局部试点扩到全集团， 投入管理要与价值创造形成闭环，并确立一把手工程的定位。

组织与治理这一维的变化最实质。数字员工、智能体深度参与经营后，管理对象从以人为主的单一形态， 扩展为人与智能并存的复合形态，管理规则必须同步扩展。

具体做法有两件：一是设立人工智能治理委员会，从需求设计到退出下线每个环节配套准入标准与问责规则； 二是把具备特定执行能力的智能体视同岗位纳入统一管理，界定职责范围与能力边界。

把智能体当工具管，一定管不住；把它当岗位管，才谈得上治理。

图源：《智能原生（AI Native）研究报告（1.》（第7页）

六、技术、数据、应用：三层底座加一个本体

技术这一维，报告梳理出五层智能原生技术体系：基础资源层、数据知识层、模型服务层、平台工具层、应用交互层。

底座之上，最关键的是语义。报告指出大模型落地企业业务通常有三重障碍： 无法读懂企业的语言、无法定位企业的知识、无法区分企业的数据。

破解办法是统一语义底座，分三层：基础层是面向人工智能的数据治理， 中间层是知识工程，顶层是本体建模，包含语义、决策、行动三层。

语义层构建企业概念词典消除歧义，决策层把依赖个人经验的判断转成可追溯、可审计的规则， 行动层通过标准协议把语义决策转成对业务系统的调用。

为什么把本体放顶层？报告引了斯坦福的测算：技术本身只占落地难题的 23%， 其余 77% 来自组织变革、数据架构与流程重构。

案例也能对照。超聚变在软件架构里增设企业本体模型层， 供应排产承诺周期由周天级缩短到分钟级，异常响应时间缩短 90% 以上。 中信建投证券把大模型本地化部署到客服、投研、取数三条主线，智能客服准确率提升至 90% 以上。

落地难题的 77% 不在模型里，而在流程、数据和组织的缝里。

图源：《智能原生（AI Native）研究报告（1.》（第8页）

七、数字员工：四阶段和能力分级

底座搭好之后，数字员工是把 AI 能力转成业务价值的载体。它要具备自主规划、任务分解、 工具调用、多步推理与自我优化能力，同时作为可运营对象支持管理、配置、评价与审计。

落地通常分四阶段：单点试点选边界清晰、容错充足、价值可量化的场景； 流程嵌入把数字员工放进核心流程，承担端到端环节。

再往后是组织融合与自主进化：前者把数字员工纳入架构、绩效与日常管理， 后者让它持续学新知识、沉淀最佳实践，反向优化底层模型与知识库。

报告特别强调，这四个阶段不是线性递进的，企业可按自身条件选择切入路径， 但前期沉淀的流程与治理经验会决定后续能否规模化。

中信证券的做法可作参考：借鉴自动驾驶分级建立 L1 到 L5 五级自主能力标准， 为每名数字员工赋予全局唯一编号并纳入全生命周期管控， 按效率、质量、成本、体验四维考核，绩优者优先配算力、低效者合并下线。

他们据此梳理出 120 余个可封装为数字员工的岗位，2025 年已上线 24 个， 覆盖智能投研、智能投行、财富管理与合规办公，全年调用 Token 总量超 2000 亿。

报告还引了 OpenAI 的部署前提：先建立时间、成本与准确率基线，再评估是否扩大使用。 对这类新型作业主体，厘清行为、责任与评价方式的优先级高于能力本身。

数字员工的分级、编号和考核不是形式主义，而是规模化前的门票。

图源：《智能原生（AI Native）研究报告（1.》（第9页）

八、七项建议与一条最难的路

报告给了七项落地建议，按顺序是：场景识别定方向、组织架构调整、技术体系构建、 数据与知识本体建模、数字员工建设、安全体系建设、前线部署工程。

场景识别用四阶段方法：战略牵引、流程挖掘、条件评估、档案沉淀， 最终形成企业级场景图谱与一景一档的高价值场景库。

报告引了麦肯锡的观察：多数企业的智能应用停留在嵌入软件这一级， 拉开差距的企业通常优先选两至三个业务领域深度落地，再向相邻领域延伸。

组织调整给出四件事：岗位体系重订、作业单元场景化重组、审批链同步再设计、考核口径同步换算。 微软对 10 个市场 2 万名知识工作者的调研显示， 只有 13% 的人相信即使结果不达预期，自己也会因用智能重塑工作方式而受到奖励。

最后一项前线部署工程，报告界定得很清楚：核心是工程前置，而不是简单人员派驻， 靠技术力、业务力、交付力三力融合，跨越能力、合规、交付三道断层。

路径上有三种选择：购买外部服务适合快速投产，自建能力适合保留核心能力， 共建模式对多数企业最现实，用外部速度产出前几个生产级智能体，用内部能力支撑长期运营。

报告对中国电信的案例做了印证：自研星辰超级智能体围绕感知、推理、执行、记忆建立四层防护， 在中国电信集团级四层安全评测中通过率为 98.2%。

完整版 51 页的六维框架、七项建议与全部案例都在运营动脉（www.yydm.cn）上，搜报告名即可打开。