社区

导语:

政策与大模型技术双轮驱动下，央国企Agent 建设已告别早期单点技术验证阶段，全面迈入规模化试点与体系化落地新阶段。

爱分析于6月24日正式发布《2026爱分析·央国企Agent实践报告》，本报告完整复盘央国企Agent 落地阶段、建设模式与场景价值，梳理数据、系统、组织、人才、合规等落地难题，提供Agent落地路径，为央国企智能体规划、建设、运营提供行业参考。

报告完整版已发布，如需获取《2026爱分析·央国企Agent实践报告》，请点击以下链接下载：https://mp.weixin.qq.com/s/iqH0r7cr4BkvWLdUvuiPbg

1. 报告综述

央国企Agent建设正在从技术验证走向生产级落地。进入2025年以来，随着政策推动、模型能力提升、国产算力和行业模型建设加速，央国企开始将Agent纳入AI专项工作的重点方向，应用重心也逐步向生产、研发、安全、采购和经营管理等核心业务环节延伸。

Agent的价值判断标准已经从模型效果转向业务价值。过去，企业更关注模型回答是否准确、知识库检索是否有效、交互体验是否流畅。现在，央国企更关注Agent能否嵌入真实业务流程，能否提升经营和生产决策质量，能否降低安全合规风险，能否沉淀专家经验。评价标准变化的背后，是央国企Agent建设从技术试点项目向生产级项目转变。

央国企Agent建设正演变为集团级智能化基础设施。央国企组织层级多、业务链条长、数据安全要求高，单点应用难以支撑规模化落地。当前更可行的路径，是集团层面统建算力、模型、平台、安全治理和技术标准，二三级单位围绕真实业务场景开展应用落地，形成底座统建和场景自治并行的建设模式。统一底座解决安全可控、能力复用和重复建设问题，场景自治保证Agent贴近业务现场、解决真实问题。

未来央国企Agent的成功关键是进入核心业务流程，形成可复用、可治理、可持续迭代的能力底座。知识问答等通用场景，主要解决使用入口和组织信任问题；生产管理、安全合规、研发设计等专用场景，决定Agent的业务价值上限。只有当Agent能够嵌入流程，把分散在系统、文档和人员经验中的业务知识，转化为可调用、可沉淀、可运营的智能化能力。

未来五年央国企Agent建设将沿着三条主线展开。第一条主线是从应用试点走向平台化运营，形成统一入口、统一平台、统一治理和持续运营机制。第二条主线是从办公提效走向核心业务重构，推动Agent进入生产、研发、安全、采购和经营管理等核心环节。第三条主线是从模型调用走向数据、知识、流程和权限的系统化治理，使Agent具备长期迭代和规模复制能力。能够率先完成这三类转变的央国企，将在智能化转型中形成更强的组织效率、风险控制能力和业务响应能力。

2. 央国企Agent开启规模化落地，集团统建与业务自治并行推进

央国企Agent建设正在从早期技术验证进入体系化推进阶段。相比一般企业，央国企业务链条更长、组织层级更多、数据安全要求更高，Agent落地不能只看单个应用效果，更需要关注其所处阶段、建设模式和预算投入变化。

2.1 落地阶段：从观望学习走向规模化试点

央国企Agent落地已经进入明显提速阶段。

2025年，大多数央国企对Agent的认知仍停留在学习、调研和技术验证阶段，项目多以知识问答、智能助手、办公提效等轻量场景为主。这类场景流程相对标准，数据敏感度较低，系统集成难度不高，适合用于验证大模型能力、测试知识库效果、评估员工接受度。

进入2026年，央国企Agent落地开始从小范围试验转向大规模试点和小范围推广。政策推动、模型能力提升、国产化算力和行业模型建设加速，使央国企开始将Agent纳入AI专项工作的重点方向。场景也从知识问答和办公辅助逐步扩展到生产管理、安全合规、研发设计、采购供应链、经营分析等核心业务环节。

同时，央国企内部不同层级的建设分工逐渐清晰。集团层面主要是统一建设基础能力，包括算力资源、行业大模型、AI中台、智能体平台、安全治理体系和统一技术标准。二三级单位更贴近业务现场，围绕生产、经营、管理等具体场景开展应用建设，负责场景识别、数据准备、流程改造、业务验证和持续运营。

这种分工推动央国企形成底座统建和场景自治并行的落地模式。集团统一底座可以避免重复建设，提升安全可控和能力复用水平。业务单位自主落地可以保证Agent真正贴近业务问题，避免平台建设与场景需求脱节。随着这种模式逐步成熟，央国企Agent建设将从项目制试点走向体系化推进。

2.2 建设思路：形成“底座共用、场景自治”模式

央国企在Agent建设中逐渐形成了底座共用、场景自治的模式，确保统一能力与业务落地高效结合。

典型架构包含四个层级：算力底座、专属或行业大模型、AI中台与智能体平台，以及若干业务场景Agent。

算力底座提供高性能计算和存储能力，支撑模型训练和推理。行业或专属大模型针对央国企特定业务需求和专业知识进行定制，保证模型理解力和业务适配性。AI中台和智能体平台承担统一管理、模型调度、知识库管理和Agent开发运行的职责，形成可复用的技术基座。具体业务场景由各单位开发和应用，形成面向生产、管理和服务的多样化智能体体系。

集团层面主要关注基础设施建设和整体治理，包括算力资源配置、模型安全与可控性、平台统一标准和权限管理。集团统一底座确保技术能力可复用、数据可管控。二级三级公司等业务单位则重点关注如何识别高价值场景、准备和清洗数据、优化业务流程，以及智能体在日常业务中的运行和持续迭代。业务单位自主落地能够保证Agent真正解决现场问题，并快速反馈使用效果。

2.3 投入规模：AI预算占比提升

央国企IT预算整体保持增长，反映出智能化建设仍为战略重点。AI在央国企战略中地位提升，AI预算在IT预算中的占比持续上升，多数企业将20%到30%的IT预算投入到人工智能相关建设中。

部分重点企业设立百亿级专项资金，用于算力建设、行业模型训练、数据治理和智能体平台开发。中国移动、中国联通、中国电信、国家电网、国家能源集团等央国企已明确百亿级AI建设专项资金，主要用于万卡级智算集群、国产化底座、边缘计算节点、传感器改造、数字化总装线等。

3. 央国企Agent应用重心由通用场景向核心业务场景迁移

央国企Agent落地正在从通用办公提效进入主营业务重构阶段。早期项目多集中在知识问答、办公辅助、文档处理和数据查询等通用场景，主要目标是验证技术可用性、建立组织和员工对Agent的基本认知。随着模型能力、平台能力和数据治理能力逐步成熟，央国企开始将Agent引入生产管理、安全合规、研发设计、采购供应链和经营管理等核心业务场景。

这一变化意味着央国企Agent建设正在进入更深层次的价值阶段。通用场景的价值在于覆盖面广、上线速度快、使用频率高，可以帮助企业建立统一入口和使用习惯。专用场景的价值在于贴近主营业务，能够直接作用于生产效率、风险控制、知识沉淀和经营决策。未来央国企Agent竞争重点，不在应用数量多少，而在能否围绕核心业务流程形成可复用、可治理、可持续迭代的智能化能力底座。

从落地路径看，央国企Agent通常呈现先通用、后专用，先提效、后重构的建设思路。通用场景先解决使用入口和组织信任问题，专用场景进一步解决生产经营中的高价值问题。二者相互衔接，共同推动Agent从单点工具走向新型数字生产力。

3.1 通用场景：从“提效工具”切入，建立Agent使用入口

通用场景一般是央国企最先落地Agent应用方向。这类场景数据敏感度相对较低，流程较为标准，用户覆盖面广，适合快速试点和规模推广。其核心价值不只体现在单个任务效率提升，更体现在建立统一AI入口、培养员工使用习惯、沉淀基础知识能力和应用治理经验。下面三类应用场景是央国企普遍选择的通用场景。

第一类通用场景是企业知识问答与智能助手。央国企制度体系复杂，业务流程长，员工在日常工作中经常需要查询制度、流程、标准、操作手册和历史资料。传统方式依赖人工检索、部门咨询和经验传递，效率低，口径也容易不一致。Agent可以基于企业知识库，将制度文件、业务文档、流程规范和常见问题进行统一管理，让员工通过自然语言完成查询和问答。

第二类通用场景是办公与内容生成。央国企日常办公中存在大量文字处理工作，包括会议纪要、公文写作、报告生成、材料识别、文档摘要和汇报材料整理。这些工作频率高、标准化程度较高，但占用大量员工时间。Agent可以基于模板、历史材料、业务数据和写作规范，辅助完成内容生成和材料整理，提升办公效率和材料质量。

第三类通用场景是数据问答与经营分析。央国企积累了大量经营、财务、生产、采购和运营数据，但业务人员获取数据往往需要依赖IT部门或数据分析人员。传统数据分析链路较长，从提出需求、确认口径、取数建模到生成报告，周期较长，难以满足业务部门实时分析和快速决策需求。Agent可以通过自然语言交互降低数据使用门槛，让业务人员直接完成指标查询、趋势分析、归因分析和报告生成。

3.2 专用场景：进入主营业务，支撑生产、研发、安全和经营决策

专用场景是央国企Agent产生高价值的核心方向。这类场景与主营业务、专业知识、业务系统和组织流程深度绑定，落地难度更高，对数据质量、模型能力、系统集成和业务协同提出更高要求。专用场景一旦落地成功，能够直接作用于生产经营核心环节，带来更强的价值回报。根据爱分析调研，下面四类场景是央国企Agent专用场景主要落地方向。

第一类专用场景是生产管理与生产调度。央国企大量分布在能源、钢铁、电力、交通、建筑等行业，生产流程复杂，设备种类多，安全要求高，现场决策依赖大量专业知识和经验。传统AI多用于局部识别、预测或优化，难以支撑跨系统、跨岗位和跨流程协同。Agent具备任务理解、工具调用、知识检索和流程编排能力，可以进入生产计划、工艺控制、设备管理、作业调度和现场辅助决策等环节。国家能源集团发布发电行业大模型擎源，围绕风电、火电等发电业务，融合运行监测、设备状态、气象环境等多源数据，构建模型、智能体和应用协同的产品矩阵，支撑多能协同动态优化和发电全流程智能优化。

第二类专用场景是安全合规与风险审查。央国企安全生产、审计监管、合规经营要求高。传统人工审查依赖专家经验，工作量大，容易出现漏审、误判和口径不一致。葛洲坝电力公司落地审核AI Agent，覆盖国标、行标、企业管理要求、项目管理要求、一二级违章、工艺和方案交底等审核内容，支撑技术方案从合规、安全、资源、工艺到交底的全流程智能化审查。

第三类专用场景是研发设计与专业知识推理。央国企拥有大量高知识密度业务，包括科研辅助、专业资料分析、工艺研发、材料设计、工程设计和技术文档理解。这些场景依赖行业知识、工程经验和专业规则，通用大模型难以直接胜任，需要行业模型、专业模型、场景模型和知识工程共同支撑。中国石化上海院开发分子筛材料合成系统，集成机器阅读理解、实验预测和全流程自动化能力，面向高温高压等严苛化工研发场景，辅助科研人员进行文献理解、实验预测和材料合成流程优化。

第四类专用场景是采购供应链与经营管理。央国企采购规模大、供应商体系复杂、资金管理要求高，经营管理链条长。传统模式下，招采评审、供应商管理、采购风险识别、资金计划预测和经营分析高度依赖人工经验和事后统计。Agent可以通过规则审查、历史数据分析、风险识别和预测模型，提升采购、资金和经营管理环节的智能化水平。中国华电建设华电智采智能体，将AI嵌入招标、投标、开标、评标、定标和监管全流程，支撑智能辅助评审、风险识别和全过程监管。

3.3 核心价值总结：央国企Agent成为数字员工

基于爱分析调研，央国企Agent正成为数字员工，在员工提效、流程重塑、知识沉淀、风险控制、决策增强等五方面发挥重要价值。

第一是员工提效。Agent可以减少重复性查询、写作、整理和分析工作，将员工从低价值、重复性任务中释放出来。知识问答、办公生成和数据问答等通用场景，能够覆盖大量员工日常工作，快速提升组织整体效率。

第二是流程重塑。Agent具备任务理解、工具调用、知识检索和流程编排能力，可以从单点辅助走向跨系统、跨角色和跨流程协同。在生产管理、信贷报告、招采评审等场景中，Agent已经开始嵌入业务流程，推动原有流程向智能化流程演进。

第三是知识沉淀。央国企拥有大量制度规则、工艺知识、专家经验和历史案例，但长期分散在文档、系统和人员经验中。Agent落地倒逼企业开展知识治理，将隐性经验和分散知识转化为可检索、可调用、可复用的企业知识资产。

第四是风险控制。央国企对安全生产、合规经营和审计监管要求高。Agent可以辅助开展安全审查、合规检查、招采风险识别、信贷风险分析和监管材料核验，提升风险识别效率和审查一致性，降低人工漏审和误判风险。

第五是决策增强。Agent可以将模型能力、数据能力和业务知识结合起来，支撑经营分析、资金预测、生产调度、采购管理和趋势研判等复杂决策。其价值在于提升决策效率、增强预测能力，并推动管理方式从经验判断向数据和知识驱动升级。

4. 数据、组织和治理能力不足，制约Agent从试点走向生产

根据爱分析调研，央国企Agent在实际落地过程中面临多方面挑战，很多问题是过往数字化建设阶段遗留下来的问题。

第一，数据与知识质量不足。央国企业务体系庞大，数据分散在各类业务系统、文档、人员经验和历史流程中，很难被Agent直接调用。非结构化数据治理不足，制度文件、图纸、案例等知识尚未完成结构化、标签化和知识化处理。数据碎片化、标准不统一以及缺乏高质量标注限制了Agent在高价值场景的精度和可靠性。

第二，模型能力与专业场景存在差距。通用大模型难以直接理解行业术语、专业知识和复杂业务约束。缺乏专业模型或知识工程支撑，Agent容易出现理解偏差或执行错误，降低业务应用价值。

第三，与既有IT系统集成难度高。央国企内部已部署大量ERP、财务系统和数据平台。Agent在落地过程中必须嵌入原有业务流程，实现跨系统调用和流程协同。然而，系统接口、权限体系、数据标准和业务规则不统一，增加了集成复杂性和工程化落地难度。若不能有效整合现有IT环境，Agent应用容易出现数据延迟、信息孤岛和流程脱节问题。

第四，组织协同与人才不足。Agent项目涉及业务、数据、IT等多部门协同。项目落地不仅需要技术支撑，还需要业务理解和流程优化能力。同时懂业务和AI的复合型人才稀缺，直接影响项目从POC验证走向生产环境的能力。同时组织认知差异和协作成本高也会延缓落地进度。

第五，安全、合规与可控要求高。央国企数据敏感、业务关键，监管要求严格，Agent必须保证国产化、安全可控和审计追溯能力。Agent在调用工具和执行业务动作时，需要建立完善的权限控制、审批机制、日志管理、风险控制和人机协同机制。任何安全、合规或操作失误都可能带来业务风险，因此安全治理和操作可控性是规模化落地的必要前提。

5. 规模化落地需要从单点应用走向统一底座和持续运营

相比一般企业，央国企业务体系更复杂，数据安全要求更高，组织层级更多，应用场景更专业。因此，Agent落地不能只依赖单个工具或单点应用，需要从战略、场景、底座、数据、组织和运营等多个维度同步推进。

从实践经验看，央国企Agent落地应遵循五个关键步骤：先做好顶层设计，明确建设目标和组织机制；再进行场景规划，筛选高价值、可闭环、可衡量的应用场景；随后建设统一技术底座，支撑模型、平台和应用协同；同时强化数据与知识工程，将企业经验转化为Agent能力；最后通过分阶段试点与推广，实现从示范应用到规模复制。

5.1 顶层设计：从战略目标出发，而不是从工具出发

央国企Agent建设首先要明确战略目标。Agent应用不能停留在技术展示和创新试点层面，需要服务于企业经营管理和主业发展。不同央国企所处行业不同，业务痛点不同，Agent建设目标也应有所侧重，但总体来看，都是服务于集团智能化转型的战略目标。

在顶层设计中，集团层面需要形成统一AI战略、组织机制、预算安排和建设路线图。AI战略明确建设方向，组织机制保障跨部门协同，预算安排保障持续投入，路线图明确建设节奏。对于大型央国企而言，Agent建设通常涉及集团总部、二三级单位、科技部门、业务部门、数据部门、安全合规部门和外部生态伙伴。没有清晰的组织机制，项目容易停留在局部试点阶段，难以形成规模化推广。

5.2 场景规划：优先选择高价值、可闭环、可衡量场景

场景规划是央国企Agent落地的核心环节。Agent项目能否成功，很大程度上取决于场景选择是否合理。央国企场景数量庞大，但并非所有场景都适合优先建设。优先场景需要同时满足业务价值明确、知识密集、数据可用、流程可闭环、技术可实现和结果可度量等条件。

从路径上看，央国企可以先从通用场景切入，再向核心业务场景延伸。知识问答、办公生成、数据问答等通用场景上线快、风险低、用户覆盖广，适合建立员工使用习惯和组织信任。在此基础上，再逐步进入生产管理、安全合规、研发设计、采购供应链和经营管理等专用场景，释放更高业务价值。

场景规划还需要避免应用数量导向。央国企Agent建设不能简单追求场景数量，需要关注场景之间能否共用底层能力。多个场景如果能够复用知识库、模型能力、流程编排、权限体系和工具接口，就能形成平台化效应，降低后续运维和治理成本。

5.3 底座建设：构建“算力—模型—平台—应用”四层架构

央国企Agent规模化落地需要统一技术底座支撑。典型架构可以分为四层：算力层、模型层、平台层和应用层。这一架构能够兼顾安全可控、能力复用和场景扩展。

算力层是Agent建设的基础。央国企对安全可控和国产化要求高，算力建设需要满足模型训练、推理服务、数据处理和高并发访问需求。集团层面可以统筹建设算力资源，形成集中训练与分布推理结合的模式。集中训练适合行业模型和专业模型建设，分布推理适合二三级单位在本地业务场景中部署应用，兼顾性能、成本和安全要求。

模型层需要形成通用模型、行业模型、专业模型和场景模型协同的体系。通用模型提供基础语言理解、多模态处理和推理能力。行业模型面向能源、钢铁、电力、建筑、金融等行业积累专业知识。专业模型聚焦财务、招采、研发、设备、安全等专业领域。场景模型面向具体业务环节进行适配和优化。

平台层是规模化落地的关键。AI中台和智能体平台需要提供模型管理、知识库管理、低代码编排、工具调用、应用发布、权限治理、日志审计和运行监控等能力。平台层的作用在于降低Agent开发门槛，提高能力复用效率，并保证应用安全可控。对于大型央国企而言，统一平台还可以避免不同部门重复建设，形成统一入口、统一标准和统一治理。

应用层围绕具体业务流程构建Agent应用。应用不能孤立运行，需要与ERP、MES、SCADA、财务系统、采购系统、数据平台和协同办公系统集成。Agent只有嵌入原有业务流程，才能完成数据读取、任务处理、结果回写和流程闭环。应用层建设要关注用户体验，也要关注业务规则、权限边界和异常处理机制。

5.4 数据与知识工程：把企业经验变成Agent能力

数据与知识工程是央国企Agent落地的基础工作。央国企经过多年信息化建设，积累了大量数据和文档，但这些资产往往分散在不同系统、部门和人员经验中，难以直接支撑Agent应用。

数据与知识工程首先要开展语料收集和数据盘点。企业需要明确不同场景所需的数据来源，包括制度文件、流程规范、业务报表、生产记录、合同文本、招采文件、图纸资料、故障案例和专家经验。其次要进行清洗、标注和知识抽取，将原始数据转化为可理解的知识单元。对于专业场景，还需要构建知识图谱、本体和高质量数据集，支撑复杂推理和场景模型训练。

知识工程的重点在于把隐性经验显性化。央国企很多关键业务能力沉淀在专家经验、老师傅实践中，这些知识很难直接从系统中提取。Agent建设需要业务专家深度参与，通过访谈、规则梳理、案例沉淀，把经验转化为标准化知识，再通过知识库、模型微调形成可复用能力。

用户反馈机制同样关键。Agent上线后，应持续记录用户问题、模型回答、业务反馈和异常案例。这些反馈数据可以用于优化知识库、调整提示词、改进规则、训练模型和完善流程。没有用户反馈，Agent很容易停留在一次性上线状态，难以持续提升效果。建立用户反馈机制后，Agent才能在真实业务运行中不断优化，形成持续迭代能力。

5.5 试点与推广：从示范应用到规模复制

央国企Agent落地适合采用分阶段推进方式。第一阶段选择成熟场景开展试点，重点验证技术可用性和业务价值。第一阶段的关键不是覆盖场景面广，而是形成可验证的业务价值和可复用的建设方法，增强企业内部建设Agent的信心。

第二阶段围绕核心业务流程扩展场景，打通系统。经过第一阶段验证后，央国企可以将Agent逐步引入生产管理、安全合规等高价值场景。此阶段需要更强的系统集成、流程改造和组织协同能力。项目重点从单个Agent开发转向业务流程重构，需要明确Agent应用定位，如何与现有系统融合。

第三阶段形成统一入口、统一平台、统一运营和统一治理，实现规模化推广。统一入口降低员工使用门槛，统一平台提高开发和复用效率，统一运营保障应用持续迭代，统一治理保证安全、权限、合规和审计可控。在这一阶段，央国企可以建立Agent应用目录、场景评估机制、开发规范、运营指标，对不同场景Agent进行持续管理。

6. 央国企Agent未来趋势

随着平台能力、模型能力和数据治理能力的成熟，Agent正在成为支撑核心业务流程和决策的重要基础设施。爱分析认为，央国企Agent未来发展呈现出以下趋势。

第一，建设重心将从单个应用试点转向平台化运营。单点应用验证了Agent技术可用性，但难以形成跨部门、跨业务流程的整体效益。平台化运营能够将算力、模型、智能体平台、知识库和工具接口统一管理，形成可复用、可治理的能力底座，为更多业务场景提供支撑，并降低重复建设成本。

第二，场景重点将从通用办公向生产经营主流程转移。通用场景为Agent建立使用入口和组织信任，但核心价值在于生产管理、研发设计、安全合规、采购供应链和经营管理等关键业务环节。未来，Agent应用将直接嵌入业务流程，通过流程重塑、知识沉淀和决策增强提升企业整体运营效率和管理能力。

第三，通用大模型与垂直模型将深度融合。单独的大模型难以支撑复杂业务场景。将行业知识、专业模型与通用大模型结合，可以实现专业化、场景化和可复用的能力输出。模型与平台深度整合后，Agent能够在不同业务环节进行自适应推理、规则执行和流程优化。

第四，数据与知识工程是关键基础。高质量、结构化的数据是Agent持续运行和优化的前提。通过语料收集、清洗、标注、知识抽取、知识图谱建设，企业经验和专家知识可以转化为可复用的智能体能力。没有可靠的数据和知识支撑，Agent将难以在高价值场景中稳定发挥作用。

第五，人机协同将成为规模化落地的必要条件。央国企业务数据敏感、流程关键，对Agent落地可靠性要求很高，人机协同机制能够确保在异常情况下人工干预和决策校验，降低潜在风险。安全、合规和可控性建设是Agent大规模推广和持续运营的前提。

综上所述，央国企Agent建设将沿着平台化、场景聚焦、模型融合、数据驱动和人机协同的方向发展。Agent作为央国企智能化升级的重要抓手，会是未来五年央国企智能化建设最重点方向。