工信部部署“人工智能+软件”：企业如何把专项行动转化为数字化增长机会？

【软盟资讯·新闻导读】2026年9月11日，工信部印发《“人工智能+软件”专项行动实施方案》，提出到2028年推动软件和信息技术服务业智能化水平显著提升，推广应用覆盖2万家规模以上软件企业，实施100项软件企业智能化技改项目，并在重点行业打造100个智能体软件标杆应用。政策释放的核心信号，不是简单增加一个软件概念，而是推动软件生产、产品形态、服务模式和产业生态系统性重构。对企业而言，真正的机会来自可验证的业务场景、可治理的数据基础和持续交付能力，而不是对政策目标的简单追随。

一、政策信号：人工智能开始进入软件产业的生产环节

工信部此次发布的专项行动，政策重点并不局限于鼓励软件产品增加人工智能功能，而是围绕软件产业链的多个环节展开部署。根据公开信息，方案提出坚持“应用牵引、创新驱动、安全可控、生态协同”原则，推动人工智能重塑软件和信息技术服务业。

从政策目标看，至少有三层含义。

第一，软件开发方式将发生变化。方案提出推进软件生产变革，培育高水平智能编程工具和智能开发平台。这意味着人工智能的作用将从辅助代码生成，逐步延伸到需求分析、开发测试、运维管理等更完整的软件生命周期。对软件企业来说，竞争重点可能不再只是开发人员数量，而是研发流程、工程规范、数据资产和交付效率的综合能力。

第二，软件产品将从“功能工具”走向“智能系统”。公开信息显示，政策关注关键软件智能化升级、工业软件与人工智能融合，以及面向终端的软件创新。CAD、CAE、EDA等工业软件被列入智能化转型方向，重点涉及制图、设计、仿真、生产调度和多智能体协同决策等场景。

第三，智能体软件被单独作为新业态培育。方案提出加强智能体运行框架、开发平台、测试部署和运维工具建设，推动智能体与存量软件系统集成适配，并探索应用商店、技能包资源库和开源专区等生态安排。

因此，这项行动传递的不是单一产品采购信号，而是软件产业从开发、产品到服务和生态的系统升级信号。

二、产业传导：软件供给、数字化采购和竞争规则将如何变化

1. 软件供给从模块交付转向持续服务

传统软件项目通常以功能模块、系统部署和阶段验收为主要交付形式。人工智能加入后，软件的价值更多体现在知识调用、任务执行、流程协同和持续优化上。

例如，企业采购一个面向生产管理的智能应用，关注点可能不再只是是否具备报表、审批和查询功能，而是能否理解企业业务规则，能否连接既有系统，能否根据生产数据辅助排程，能否对执行结果进行追踪和校验。

这会推动软件企业从一次性交付转向持续服务，收入和客户关系也可能更多依赖模型适配、知识库维护、智能体运营、安全审计和效果优化。公开方案提出引导软件企业向人工智能应用服务商转型，增强持续服务和价值交付能力，说明政策关注的是长期应用效果，而不是短期概念包装。

2. 企业数字化采购将更加重视“业务结果”

对于传统行业企业，采购人工智能软件不能只看模型参数、演示效果或产品名称。随着智能体与企业核心业务系统连接，采购决策需要同时评估：

• 是否能够解决明确的业务瓶颈；
• 是否能与现有ERP、MES、CRM或工业控制系统适配；
• 数据是否具备可用性、完整性和权限边界；
• 输出结果能否被追溯、复核和纠错；
• 使用成本是否与节省的人力、时间或损耗相匹配；
• 供应商能否提供长期运维和安全保障。

这意味着企业数字化转型的采购逻辑，将从“买系统”转向“买能力、买服务、买可持续的业务改进”。

3. 软件竞争从单点功能竞争转向生态竞争

智能体软件需要调用知识库、数据接口、业务系统和专业技能包。单一软件产品即使具备较强的模型能力，也未必能够独立完成复杂任务。

方案提出建设智能体软件应用市场和技能包资源库，鼓励软件企业开发面向智能体的功能组件，沉淀行业知识。这表明未来的竞争可能同时发生在三个层面：

对创业企业而言，切入一个具体行业的高价值场景，可能比开发一个泛化但缺乏差异化的智能助手更容易形成竞争壁垒。

三、不同主体的机会并不相同

软件企业：从功能开发者转向智能化服务商

软件企业可以重点评估四类机会。

一是智能编程和开发工具。具备研发基础设施、代码资产和工程管理能力的软件企业，可以将人工智能用于需求拆解、代码生成、测试用例设计、缺陷分析和运维辅助。

二是存量软件智能化升级。原有ERP、工业软件、办公软件、行业应用并不需要全部推倒重来，更现实的路径是围绕搜索、问答、分析、预测、流程执行等功能逐步引入智能能力。

三是垂直领域智能体。方案提出面向高价值行业场景，整合知识图谱和数据资源，打造专业智能体软件。拥有行业客户、专业知识和交付经验的软件企业，在这一方向上更具基础。

四是智能软件服务。企业可以围绕模型服务、智能体部署、知识库建设、技能包开发、系统集成和持续运营形成组合式服务，而不是仅提供一个孤立产品。

传统行业企业：重点不是“是否使用AI”，而是“先改造哪个流程”

制造、能源、物流、金融、医疗等行业企业拥有真实业务数据和复杂场景，但也面临系统异构、数据质量不一、业务责任边界复杂等问题。

这类企业应优先选择三个条件同时满足的场景：

1. 业务频率较高，问题能够持续发生；
2. 结果可以量化，例如缩短处理时间、减少重复操作或提高设备利用率；
3. 风险可控，可以设置人工审核和回退机制。

生产调度、设备维护、质量分析、研发设计、客户服务、知识检索等场景，都可以作为评估对象。但是否适合引入智能体，需要结合数据质量、系统接口和责任边界具体判断，不能因为政策提出“智能体软件”就直接启动大规模部署。

地方产业平台：重点在于组织协同和基础能力供给

方案提出鼓励有条件的地方培育“人工智能+软件”创新创业集聚区，并统筹提供场地、算力等配套发展资源。对地方产业平台而言，机会不仅是引进几家企业，更在于连接软件企业、行业用户、科研机构和基础设施服务商。

地方可以围绕公共测试环境、行业数据协作、应用场景开放、人才培养和开源社区建设形成支撑。但公开信息并未给出各地具体支持标准、补贴金额或项目申报细则，企业不能将政策目标直接等同于确定性订单或财政资金。

四、传统企业落地前，至少要算清四笔账

第一笔账：场景价值账

企业需要先说明“为什么做”，再讨论“使用什么模型”。一个合格的场景应当具备清晰的现状指标、目标指标和责任人。

例如，知识问答项目应关注检索准确率、响应时间和人工转交比例；客服智能化项目应关注问题解决率、客户满意度和人工成本变化；生产辅助项目则应关注计划执行、异常处理和停机损失等指标。

如果项目只能展示对话效果，却无法对应经营指标，就很容易停留在演示阶段。

第二笔账：数据治理账

人工智能应用的效果很大程度上取决于数据能否被安全、准确地使用。企业应梳理数据来源、权限、质量、更新频率和责任归属，明确哪些数据可以用于检索，哪些数据只能脱敏使用，哪些数据不能离开原有系统。

数据治理不一定要等待所有数据“完美”后再开始，但必须建立基本的目录、权限、版本和审计机制。否则，模型表现不稳定只是表面问题，真正的风险可能来自错误数据、越权访问和责任无法追溯。

第三笔账：模型与系统适配账

企业需要比较通用模型、行业模型、轻量化模型以及本地部署或云端服务的适用性。评估重点包括任务准确度、响应速度、数据安全、调用成本、系统兼容和运维难度。

对于高频、标准化、对时延敏感的任务，轻量化模型或专用模型可能更合适；对于复杂知识处理任务，则需要更强的模型能力和更完善的知识增强机制。模型选择不能脱离业务流程单独进行。

第四笔账：组织协同账

人工智能项目往往横跨业务部门、信息化部门、数据管理部门和安全合规部门。若只有技术部门负责，业务价值难以落地；若只有业务部门推动，系统集成和安全保障可能不足。

企业应建立由业务负责人牵头、技术团队实施、数据和安全团队共同参与的项目机制，并明确模型输出的审核权限、异常处理和人工接管流程。智能化不是简单减少人员，而是重新划分人和系统的工作边界。

五、企业可以采用“一个场景、两类指标、三步推进”

在专项行动带来的产业信号下，企业不必一开始就制定全面替换式方案，可以采取更稳健的推进方式。

先做一个可验证场景

从企业最熟悉、数据相对集中、业务边界清晰的场景开始。优先选择能够在较短周期内完成验证的任务，避免一开始就建设覆盖全公司的复杂智能体平台。

同时设置两类指标

一类是技术指标，包括准确率、稳定性、响应速度、接口成功率和安全事件情况；另一类是经营指标，包括处理时长、人工投入、错误率、客户满意度和收入转化等。

技术指标达标，不代表项目一定有经营价值。只有两类指标同时改善，才有必要扩大应用范围。

按三步扩大应用

第一步是辅助决策，让系统提供检索、分析和建议，由员工负责最终判断。

第二步是流程协同，让智能体在权限范围内调用多个系统，完成信息整理、任务分发和结果反馈。

第三步是有限自主执行，对规则明确、风险可控的任务允许系统自动完成，同时保留人工审核、日志记录和异常回退机制。

这种路径既能降低试错成本，也有利于企业积累数据、流程和组织经验。

六、需要警惕三种误读

首先，专项行动不等于所有软件企业都会获得新增订单。政策提出推广应用、技改项目和标杆应用等目标，但具体项目如何实施、由谁承担、采用何种支持方式，还需要等待后续公开信息。

其次，智能体不等于完全无人化。面向工业控制、核心业务和高价值行业的应用，可靠性、可校验性和安全边界尤为重要。企业应把人工监督、权限控制和异常处置作为产品设计的一部分。

再次，模型能力不等于企业竞争力。软件企业真正的壁垒，仍然包括行业知识、客户理解、系统集成、交付服务和长期运营。缺乏业务场景的数据与流程，单纯叠加模型接口，很难形成稳定价值。

【软盟观察】

从软盟资讯的编辑视角看，“人工智能+软件”专项行动最值得关注的地方，是它把人工智能从一个相对独立的技术议题，进一步放回软件产业的生产体系和服务体系中观察。过去企业谈人工智能，容易集中在模型能力、算力资源和产品演示；而这项行动释放出的更深层信号是，未来的软件升级必须回答三个问题：软件如何被更高效地生产，产品如何真正嵌入业务，服务如何持续创造价值。

对软件企业来说，政策提供的是方向性牵引，而不是自动兑现的市场结果。企业能否获得机会，取决于是否拥有行业客户、可复用的知识资产、可靠的工程体系和持续交付能力。对于传统行业企业，人工智能也不是独立采购项目，而应当与流程改造、数据治理、系统整合和组织变革同步推进。地方产业平台则需要避免只追求项目数量和概念热度，更应建设开放场景、测试环境、人才体系和协作机制。

我们尤其建议管理者区分“政策鼓励的方向”和“企业已经具备的能力”。智能编程、工业软件升级、智能体应用和智能软件服务都具有发展空间，但不同企业的切入点并不相同。真正稳健的决策，不是因为政策发布就扩大投入，而是先找到一个可计量、可审计、可回退的业务场景，用实际效果验证模型、数据和组织是否匹配，再决定是否扩大范围。人工智能与软件的融合，更可能是一场持续数年的产业基础设施重构，而不是一轮短期风口。

全文总结

工信部发布的《“人工智能+软件”专项行动实施方案》，将软件生产变革、产品智能化升级、智能体软件培育和智能服务发展纳入统一框架。企业应把政策信号转化为场景选择、数据治理、模型适配和组织协同计划。软件企业要提升持续交付能力，传统企业要从可量化场景切入，地方平台则应完善生态支撑。专项行动带来的是产业升级方向，不是确定性订单，企业仍需以实际价值和风险可控为决策依据。