大模型技術席卷全球，智能體時代隨之拉開帷幕，但企業大部分的AI應用仍停留在試點階段，真正深度嵌入企業核心業務、實現規模化落地的卻寥寥無幾，因為技術都無法脫離行業知識和具體場景孤立存在。

在近期2026世界智能產業博覽會上，我們有幸采訪到中國電子首席科學家、中電金信研究院院長況文川。如況文川所說，“大模型就像是一位高材生，但未經培育并不能直接‘上崗’，‘冰山’之下90%的工程化工作，才是決定AI能否落地的關鍵。”

AI并不是魔法，而是一項需要全局思維和工程化能力破局的復雜系統工程。

01

企業AI落地的困境

與工程化挑戰

回望過去兩年，大模型的發展速度超出了每個人的預期，從最初僅有的對話能力，到如今能夠獨立執行數小時的任務，這個“學生”短短時間內就已經考到了幾乎滿分，仿佛一夜之間，AI即將重塑所有行業。

但其實，當前的企業AI轉型普遍陷入“重投入、輕產出、重試點、輕落地”的困境。究其根本，是因為盲目追求大模型的技術效能，而忽略了落地過程中的系統性難題。

第一是現有系統與數據接入的復雜性。AI要真正發揮作用，必須與企業多年積累的業務系統、數據資產連接起來。企業原有的數據并非以AI能夠閱讀的方式存在，而是散落在非結構化的文檔、老舊的代碼庫、甚至在資深員工的隱性經驗之中，將其轉化為可被AI調用的知識，是一項規模浩大的工程。

第二是安全、高效、可控。自主智能體和AI編程大量使用之后，算力消耗呈指數級增長，企業很快意識到，如果不加約束地調用大模型，成本將徹底失控。同時，企業級應用對安全的苛刻要求，決定了AI不能是脫韁的野馬，要在效率與安全之間找到平衡。

第三是AI生成的結果“偏差”。再微小的差距，放在企業應用當中也是不可接受的，比如金融交易不能有絲毫偏差，能源調度必須精準無誤。所以況文川強調，“要讓AI穩定、持續地交付可信的結果，就需要引入規則化的約束框架，將AI的生成能力納入可控的規約體系之中。”

簡單說，工程化的本質是在算力和模型的工程化基礎之上，為解決AI落地的最后一公里，構建一個體系性的工程底座。唯有如此，AI才能真正進入企業的核心系統，成為可靠的生產力。

02

“雙工廠”增強智能化

的能力積淀

要讓AI真正走向企業核心，必須解決兩個核心問題：一是如何將現有的穩態軟件智能化升級，這需要一套工業級的標準化生產流水線；二是如何快速生成適應業務變化的智能體，這需要一套靈活且受控的集群管理機制。

這正是中電金信源啟·GienCoder智能軟件工廠和源啟·智能體工廠誕生的邏輯起點。

況文川指出，“在企業的真實應用中，編碼只占整個軟件工程的一小部分，有80%的軟件生命周期，是消耗在不斷調整、優化和持續運行之中。”這意味著，僅給程序員配一個AI輔助編碼工具，遠遠無法解決企業軟件生產的真實痛點。

智能軟件工廠要解決的核心問題，是把AI嵌入到企業級嚴肅軟件的全生命周期之中。從需求分析、架構設計、代碼生成，到測試、部署、持續運維。它不是面向個人工程師的“工具箱”，而是面向行業嚴肅應用的“工廠化流水線”。以銀行業務為例，過去可能需要數天時間完成的交易開發流程，在智能軟件工廠的支持下可以壓縮到數小時之內。

智能體工廠的核心價值，在于幫助企業把零散的AI能力轉變為可復制、可管理、可持續運營的智能體生產體系。平臺既支持標準化流程自動執行，也支持智能體自主規劃和協同決策，讓靈活創新與企業治理要求實現平衡。業務人員可以像搭積木一樣快速構建智能體，并安全對接企業現有系統和數據資源，推動AI從個人工具走向“企業級生產力”。

當然，市場上智能軟件工廠和智能體工廠并非新的概念，中電金信聚焦于此到底有何獨特之處？

首先，是深度嵌入行業知識。況文川舉例說，“在金融行業，一個軟件從需求進來到架構設計，到代碼，到通過不同的測試，里面有各種開發規約和上線要求，我們現在把這些都提取為行業Skill。”這種行業知識的原生積累，是通用平臺無法復制的護城河。

其次，是技術架構實現AI原生。這不是在原有開發工具鏈加上一塊AI的能力，而是從底層原生支持人機協作模式的變革。在這種模式下，AI不再是被嵌入流程的輔助，而是流程的主導者。

最后，是具備金融級的可信交付能力。金融級代表嚴謹、可信、可回溯、可審計，這種在安全可控方面的極致追求，使得產品能夠真正進入核心生產環境。比如，智能體工廠不僅能解決與原有系統的對接、數據庫向知識庫的轉化，還帶著一批預設的數字員工模板和經過驗證的專業技能，讓企業不必從零開始，就能快速構建起智能化能力。

03

向下穿透

解決AI落地的最后一公里

事實上，智能軟件工廠與智能體工廠的發布，與“源啟”平臺原有的運行支撐能力、數據工程能力、知識工程能力共同構成了一個企業AI工程化基礎設施的完整圖景。

“源啟”從誕生之初就承擔著雙重使命：對下，構建融合通算和智算的運行支撐平臺；對上，提供高效生產應用、數據和AI能力的工業化體系。它的底層邏輯，是讓AI能力“從上到下穿透”，在真實的生產環境中安全、高效、持續地運行。

亦如況文川所言，“我們解決的是AI落地的最后一公里。從算力層納管更多硬件，到模型層的工程化路徑，再到應用層的可信交付，體系性地向下穿透。”

為什么要構建這樣一個完整的體系？因為算力調度不靈、知識庫無法轉化、模型不受約束、智能體與舊系統割裂……任何一個環節的缺失，都會讓AI能力在最后一公里“斷流”。中電金信的做法，就如同為企業鋪設一條從算力到應用的“地下管網”，讓AI能力像水電一樣即插即用。

這也是中電金信正在努力做的事情。依托30余年的行業實施經驗與近10年的軟件工程革新，公司從平臺層、模型層到場景層構建完整的產品體系，實現企業級AI能力的可落地化。從“源啟·GienCoder智能軟件工廠”到“源啟·智能體工廠”，中電金信將研發、測試、運營等環節的實踐經驗沉淀為標準化工程體系，一步一個腳印讓智能化逐步走向行業真實場景，并通過金融級、工業級的可靠AI能力確保業務安全、穩定、可回溯。

在產品圖景之上，況文川將中電金信在AI時代的核心定位凝練為一句話：“金融級的、工業級的、可靠的AI能力。”很明顯，金融級，代表的是嚴謹、可信、可回溯、可審計；工業級，意味著在各種復雜環境下穩定運行；可靠的AI能力，則是對交付結果的終極承諾。

這個定位并不是憑空而來，而是建立在四個獨特優勢之上：深厚的行業積累，將業務對象、實體、流程的隱性知識提煉為AI可用的結構化資產；依托“中試平臺”真實生產環境的驗證，在實驗室之外打造完整的工程化要素；完整的工程體系，從理念到經過項目驗證的實踐落地；以及數據工程與知識工程能力，將散落在不同模態中的經驗“蒸餾”為可復用的技能。

隨著AI應用逐步從技術驗證階段走向規模化落地階段，企業關注的重點正在從模型能力本身轉向工程化、場景化和可持續運營能力。如何將行業知識沉淀為可復用資產，如何讓AI能力穩定融入生產流程，正在成為產業實踐中的關鍵課題。

與此同時，中電金信將自身作為“零號客戶”，在企業內部全面試點AI應用，覆蓋研發、測試、運營、人力資源等多個場景，實現快速迭代與推廣復制。例如，通過智能招聘、周報自動化助手、項目異常管控等場景，AI不僅提升效率，也沉淀知識資產和業務邏輯，使員工能力、流程規范和行業知識轉化為可復用的數字資產。這種“全員all in AI”的實踐模式，不僅加速企業智能化進程，也為行業提供了可復制、可推廣的落地經驗。

當AI逐漸走向行業深水區，真正的關鍵不在于誰擁有最大的模型，而是誰能夠將知識工程化、將能力體系化、將智能化變為可交付的生產力。當越來越多的企業將關注點放在冰山之下的工程化能力，中國企業智能化轉型的“最后一公里”才有望真正被跨越。

注：文中配圖由AI生成