中电金信：回归工程化本质，跨越AI落地的最后一公里

大模型技术席卷全球，智能体时代随之拉开帷幕，但企业大部分的AI应用仍停留在试点阶段，真正深度嵌入企业核心业务、实现规模化落地的却寥寥无几，因为技术都无法脱离行业知识和具体场景孤立存在。

在近期2026世界智能产业博览会上，我们有幸采访到中国电子首席科学家、中电金信研究院院长况文川。如况文川所说，“大模型就像是一位高材生，但未经培育并不能直接‘上岗’，‘冰山’之下90%的工程化工作，才是决定AI能否落地的关键。”

AI并不是魔法，而是一项需要全局思维和工程化能力破局的复杂系统工程。

01

企业AI落地的困境

与工程化挑战

回望过去两年，大模型的发展速度超出了每个人的预期，从最初仅有的对话能力，到如今能够独立执行数小时的任务，这个“学生”短短时间内就已经考到了几乎满分，仿佛一夜之间，AI即将重塑所有行业。

但其实，当前的企业AI转型普遍陷入“重投入、轻产出、重试点、轻落地”的困境。究其根本，是因为盲目追求大模型的技术效能，而忽略了落地过程中的系统性难题。

第一是现有系统与数据接入的复杂性。AI要真正发挥作用，必须与企业多年积累的业务系统、数据资产连接起来。企业原有的数据并非以AI能够阅读的方式存在，而是散落在非结构化的文档、老旧的代码库、甚至在资深员工的隐性经验之中，将其转化为可被AI调用的知识，是一项规模浩大的工程。

第二是安全、高效、可控。自主智能体和AI编程大量使用之后，算力消耗呈指数级增长，企业很快意识到，如果不加约束地调用大模型，成本将彻底失控。同时，企业级应用对安全的苛刻要求，决定了AI不能是脱缰的野马，要在效率与安全之间找到平衡。

第三是AI生成的结果“偏差”。再微小的差距，放在企业应用当中也是不可接受的，比如金融交易不能有丝毫偏差，能源调度必须精准无误。所以况文川强调，“要让AI稳定、持续地交付可信的结果，就需要引入规则化的约束框架，将AI的生成能力纳入可控的规约体系之中。”

简单说，工程化的本质是在算力和模型的工程化基础之上，为解决AI落地的最后一公里，构建一个体系性的工程底座。唯有如此，AI才能真正进入企业的核心系统，成为可靠的生产力。

02

“双工厂”增强智能化

的能力积淀

要让AI真正走向企业核心，必须解决两个核心问题：一是如何将现有的稳态软件智能化升级，这需要一套工业级的标准化生产流水线；二是如何快速生成适应业务变化的智能体，这需要一套灵活且受控的集群管理机制。

这正是中电金信源启·GienCoder智能软件工厂和源启·智能体工厂诞生的逻辑起点。

况文川指出，“在企业的真实应用中，编码只占整个软件工程的一小部分，有80%的软件生命周期，是消耗在不断调整、优化和持续运行之中。”这意味着，仅给程序员配一个AI辅助编码工具，远远无法解决企业软件生产的真实痛点。

智能软件工厂要解决的核心问题，是把AI嵌入到企业级严肃软件的全生命周期之中。从需求分析、架构设计、代码生成，到测试、部署、持续运维。它不是面向个人工程师的“工具箱”，而是面向行业严肃应用的“工厂化流水线”。以银行业务为例，过去可能需要数天时间完成的交易开发流程，在智能软件工厂的支持下可以压缩到数小时之内。

智能体工厂的核心价值，在于帮助企业把零散的AI能力转变为可复制、可管理、可持续运营的智能体生产体系。平台既支持标准化流程自动执行，也支持智能体自主规划和协同决策，让灵活创新与企业治理要求实现平衡。业务人员可以像搭积木一样快速构建智能体，并安全对接企业现有系统和数据资源，推动AI从个人工具走向“企业级生产力”。

当然，市场上智能软件工厂和智能体工厂并非新的概念，中电金信聚焦于此到底有何独特之处？

首先，是深度嵌入行业知识。况文川举例说，“在金融行业，一个软件从需求进来到架构设计，到代码，到通过不同的测试，里面有各种开发规约和上线要求，我们现在把这些都提取为行业Skill。”这种行业知识的原生积累，是通用平台无法复制的护城河。

其次，是技术架构实现AI原生。这不是在原有开发工具链加上一块AI的能力，而是从底层原生支持人机协作模式的变革。在这种模式下，AI不再是被嵌入流程的辅助，而是流程的主导者。

最后，是具备金融级的可信交付能力。金融级代表严谨、可信、可回溯、可审计，这种在安全可控方面的极致追求，使得产品能够真正进入核心生产环境。比如，智能体工厂不仅能解决与原有系统的对接、数据库向知识库的转化，还带着一批预设的数字员工模板和经过验证的专业技能，让企业不必从零开始，就能快速构建起智能化能力。

03

向下穿透

解决AI落地的最后一公里

事实上，智能软件工厂与智能体工厂的发布，与“源启”平台原有的运行支撑能力、数据工程能力、知识工程能力共同构成了一个企业AI工程化基础设施的完整图景。

“源启”从诞生之初就承担着双重使命：对下，构建融合通算和智算的运行支撑平台；对上，提供高效生产应用、数据和AI能力的工业化体系。它的底层逻辑，是让AI能力“从上到下穿透”，在真实的生产环境中安全、高效、持续地运行。

亦如况文川所言，“我们解决的是AI落地的最后一公里。从算力层纳管更多硬件，到模型层的工程化路径，再到应用层的可信交付，体系性地向下穿透。”

为什么要构建这样一个完整的体系？因为算力调度不灵、知识库无法转化、模型不受约束、智能体与旧系统割裂……任何一个环节的缺失，都会让AI能力在最后一公里“断流”。中电金信的做法，就如同为企业铺设一条从算力到应用的“地下管网”，让AI能力像水电一样即插即用。

这也是中电金信正在努力做的事情。依托30余年的行业实施经验与近10年的软件工程革新，公司从平台层、模型层到场景层构建完整的产品体系，实现企业级AI能力的可落地化。从“源启·GienCoder智能软件工厂”到“源启·智能体工厂”，中电金信将研发、测试、运营等环节的实践经验沉淀为标准化工程体系，一步一个脚印让智能化逐步走向行业真实场景，并通过金融级、工业级的可靠AI能力确保业务安全、稳定、可回溯。

在产品图景之上，况文川将中电金信在AI时代的核心定位凝练为一句话：“金融级的、工业级的、可靠的AI能力。”很明显，金融级，代表的是严谨、可信、可回溯、可审计；工业级，意味着在各种复杂环境下稳定运行；可靠的AI能力，则是对交付结果的终极承诺。

这个定位并不是凭空而来，而是建立在四个独特优势之上：深厚的行业积累，将业务对象、实体、流程的隐性知识提炼为AI可用的结构化资产；依托“中试平台”真实生产环境的验证，在实验室之外打造完整的工程化要素；完整的工程体系，从理念到经过项目验证的实践落地；以及数据工程与知识工程能力，将散落在不同模态中的经验“蒸馏”为可复用的技能。

随着AI应用逐步从技术验证阶段走向规模化落地阶段，企业关注的重点正在从模型能力本身转向工程化、场景化和可持续运营能力。如何将行业知识沉淀为可复用资产，如何让AI能力稳定融入生产流程，正在成为产业实践中的关键课题。

与此同时，中电金信将自身作为“零号客户”，在企业内部全面试点AI应用，覆盖研发、测试、运营、人力资源等多个场景，实现快速迭代与推广复制。例如，通过智能招聘、周报自动化助手、项目异常管控等场景，AI不仅提升效率，也沉淀知识资产和业务逻辑，使员工能力、流程规范和行业知识转化为可复用的数字资产。这种“全员all in AI”的实践模式，不仅加速企业智能化进程，也为行业提供了可复制、可推广的落地经验。

当AI逐渐走向行业深水区，真正的关键不在于谁拥有最大的模型，而是谁能够将知识工程化、将能力体系化、将智能化变为可交付的生产力。当越来越多的企业将关注点放在冰山之下的工程化能力，中国企业智能化转型的“最后一公里”才有望真正被跨越。

注：文中配图由AI生成