怎么让大模型真正创造业务价值？答案在模型之外。
过去几年，人工智能产业的发展主要围绕模型能力展开。从参数规模到推理性能，从多模态能力到训练效率，基础模型不断刷新技术边界，也推动AI应用进入新的发展阶段。
但当AI真正进入企业场景后，一个更加现实的问题逐渐浮现：使用先进模型，不意味着企业就能获得收益。企业需要面对的是更加复杂的现实环境：多年积累的数据如何被AI理解？大量既有系统如何与智能体连接？新的AI应用如何快速构建并符合企业工程规范？这些问题决定了AI能否从技术演示走向业务生产。
2026世界人工智能大会期间，普元信息提出"AI原生数字基座"理念 ，围绕智能数据治理、AI应用开发和全域融合集成三大方向，探索企业数字基础设施面向AI时代的演进路径。
这背后反映的是一个产业趋势：随着大模型能力逐渐普及，企业AI竞争正在从模型能力竞争，走向支撑AI规模化应用的底座能力竞争 。
01 AI进入产业深水区，企业竞争焦点正在发生变化
人工智能的发展正在进入新的阶段。
过去，企业关注的是"有没有AI能力"。是否接入大模型，是否建设智能助手，是否推出AI应用，成为衡量企业智能化探索的重要指标。
随着越来越多企业开始实践AI应用，产业关注的问题正在发生变化。企业发现，将一个大模型接入业务，并不能自动产生价值。一个真正投入生产环境的AI应用，需要同时具备多个条件：
l它需要有高质量的数据作为基础，让AI能够理解企业业务；
l需要有高效的软件开发体系，让AI应用能够快速构建和持续迭代；
l需要有连接企业系统的能力，让智能体真正进入业务流程。
换句话说，企业 AI落地是一项涉及数据、软件、系统和业务流程的系统工程 。
正如WAIC大会上，中国信通院人工智能研究所 平台部副主任李荪所提出的，当前人工智能产业仍面临"数---模---用"之间协同不足的问题。虽然越来越多企业开始建设行业高质量数据集，但如何进一步推动数据、模型与应用形成闭环，仍然是产业需要解决的重要问题。
图 1 中国信通院人工智能研究所平台部副主任李荪：破解"数-模-用"脱节，构建"模数共振"正向循环
02 企业AI落地，需要跨越三座"大山"
第一座：数据山------AI需要理解企业
企业不缺少数据。 经过多年数字化建设，大多数企业已经积累了大量业务数据，覆盖客户、交易、供应链、生产、运营等多个领域。
但数据规模不等于数据价值。 在传统数字化阶段，企业数据更多承担记录和分析作用。而在AI时代，数据需要进一步成为模型理解业务、生成智能结果的重要基础。现实情况是，企业数据往往分散在不同系统，由不同部门产生，存在标准不统一、口径不一致、质量参差不齐等问题。
例如，同一个客户可能同时存在于营销系统、交易系统和客服系统中；同一个业务指标，也可能因为统计规则不同产生不同结果。
这些问题在传统业务系统中可能只是影响管理效率，但在AI应用中会直接影响模型效果。因为AI输出质量，很大程度取决于输入数据质量。
因此，企业AI时代的数据治理，需要从过去的数据管理进一步走向面向智能应用的数据供给 。企业需要能够被AI理解、调用和复用的数据资产。这也是高质量数据集受到产业关注的重要原因。
第二座：软件工程山------AI需要进入生产体系
数据之外，企业还面临另一个关键问题：如何快速构建大量AI应用 ？
随着AI进入业务场景，企业需要建设的不再是少量实验性应用，而是面向不同岗位、不同流程的大量智能助手、智能体和AI工作流。这对软件生产方式提出了新的要求。
过去的软件开发流程，通常围绕需求分析、架构设计、编码测试、上线运行展开。AI时代，应用需求变化更快，业务场景更加碎片化，传统开发模式面临效率挑战。因此，AI Coding成为行业关注的重要方向 。
对于开发人员而言，AI辅助生成代码，可以显著提升编码效率。但对于大型企业而言，代码生成只是AI Coding价值中最容易看到的一部分。真正决定AI Coding能否进入企业生产环境的，是隐藏在代码之外的工程化问题。
对个人开发者而言，AI Coding最直观的价值是提升代码编写效率。但进入企业场景后，编写逻辑代码只是浮出水面的部分。水面之下，企业需要解决更加复杂的问题：
第一，架构一致性。
企业软件是在多年建设过程中形成了完整的技术架构、开发规范和治理体系。AI生成的代码即使能够运行，也可能不符合企业既有架构要求，增加后续维护成本。因此，企业需要的不是单纯会写代码的AI，而是理解企业架构约束的AI。
第二，资产复用。
大型企业经过多年数字化建设，积累了大量业务模型、流程组件、接口服务和软件资产。如果AI每次生成代码都从零开始，就无法发挥企业已有数字资产的价值。企业级AI开发，需要让AI理解并复用已有软件资产，而不是重新创造。
第三，合规管控。
个人开发场景中，代码效率和功能实现可能是主要目标。但对于金融、能源、政企等行业，软件系统需要满足严格的安全、审计和管理要求。企业需要确保AI生成过程可追踪、代码变更可管理、系统运行可审计。
第三座：系统连接山------AI需要进入业务流程
除了数据和开发能力，企业AI落地还面临另一个关键问题：AI如何真正进入业务？
当前，大多数企业已经拥有大量数字化系统，包括ERP、CRM、生产系统、数据平台以及各种行业应用。这些系统承载着企业核心业务流程，也是AI创造价值的重要场景。如果AI只能停留在聊天窗口中，它很难真正改变企业运营方式 ，它 需要具备更强的业务连接能力：
l销售智能体需要连接客户系统和订单系统，辅助销售预测和客户运营；
l生产智能体需要连接制造系统和供应链系统，参与生产调度和流程优化；
l运营智能体需要连接数据平台和业务应用，帮助企业提升决策效率。
这意味着，企业需要建立连接AI能力与业务系统的新型基础设施。
一方面，需要通过API管理、系统集成、智能网关等能力，打通企业内部长期形成的信息孤岛；另一方面，需要对模型调用、智能体运行和数据流转进行统一管理，确保AI应用安全、稳定、可控。
03 普元信息率先跑通AI原生数字基座，布局三类核心能力
从国产基础软件，到SOA架构，再到云应用平台、大数据和数据治理，普元长期围绕企业核心软件能力展开积累。这些技术沉淀，成为其探索AI时代数字基础设施的重要基础。
AI时代，数字基座需要承担新的使命。它不仅需要支撑业务系统运行，还需要支撑AI能力进入企业。这正是普元提出"AI原生数字基座"的背景。
基于对企业AI落地挑战的观察，普元信息将AI原生数字基座建设聚焦于三个方向：智能数据治理、AI应用开发和全域融合集成 。
智能数据治理：让数据成为AI可用资产
对于企业而言，数据价值不取决于数量，取决于能否被AI有效利用。
普元信息将这一方向定义为"易数治 "。
核心目标，是帮助企业将分散的数据资源转化为AI能够理解和使用的数据资产。
围绕这一目标，普元通过主数据管理、数据标准治理、数据质量管理、数据资产管理等能力，帮助企业构建统一的数据管控体系。同时，结合大模型能力，推动数据生成、清洗、增强和标注等环节智能化，提高企业高质量数据集建设效率 。在WAIC期间，普元数据智能研究院院长李书超展示了相关实践，通过大模型辅助数据工程流程，探索人机协同的数据管控模式。
在产品层面，普元·易数 正是在这一背景下打造的新一代数据中枢 ，通过数据治理、数据资产管理和智能融合能力，帮助企业打通数据价值链路，让数据从沉淀资源转变为业务创新能力。
AI应用开发：推动企业软件生产体系升级
随着AI应用需求快速增长，企业需要一种新的软件生产方式。
普元信息将这一方向定义为"一开转 "，即面向企业的AI原生应用开发能力。
与传统AI Coding工具主要关注代码生成不同，企业级AI开发更强调软件工程体系的完整性。
普元认为，AI应该深入软件生命周期，从需求分析、架构设计、代码开发，到测试和运维，实现全过程协同。通过AI智能体参与软件研发流程，并结合企业已有架构规范、软件资产和工程治理体系，企业可以进一步提升软件建设效率，同时保证开发过程符合企业要求 。
这意味着，AI对软件行业的影响，不只是增加一个开发工具，而是推动整个软件生产方式发生变化。未来，软件开发人员的角色也将逐步变化。开发人员不再只是编写代码，而是通过AI管理软件生产过程，让AI能力与企业工程体系结合。
在产品层面，普元·一开 遵循"企业级智能软件工厂"的理念，通过AI智能体参与软件开发全过程，推动企业形成更加智能化的软件生产体系。
全域融合集成：让AI进入企业业务流程
如果AI无法连接企业系统，只能停留在信息查询和简单交互层面，很难改变企业运营方式。因此，企业需要建立连接数据、应用和AI能力的新型集成体系。
普元信息将这一方向定义为"即联通 "。
其核心目标，是通过全域融合集成能力，让企业已有系统与AI能力实现统一连接。
具体来看，包括三个方面：
l首先，实现业务系统互联。 企业长期建设形成的大量系统，需要通过集成能力实现数据流动和业务协同。
l其次，实现接口和服务统一治理。 随着企业部署越来越多AI应用，API管理和服务复用的重要性不断提升。
l最后，实现AI能力安全接入。 企业需要对大模型调用、智能体运行和数据访问进行统一管理，保障AI应用安全、稳定运行。
在产品方面，普元·即联 正是普元信息在这一方向上的探索，通过系统互联、API治理以及AI网关等能力，帮助企业连接应用、数据与AI能力，让智能化真正进入业务流程。
04 结语：AI竞争进入底座时代
AI原生数字基座正在成为企业智能化转型的重要基础设施。它连接过去多年数字化建设积累，也承载未来智能化发展的可能。
WAIC展示的不只是人工智能技术的最新进展，也展现了产业发展的下一阶段方向：让数据更好地服务智能，让应用更快地响应业务，让AI真正进入企业生产体系。