工信部印发《AI+软件》专项行动方案，目标2028年覆盖2万家软体企业

工信部近日印发《“人工智能+软件”专项行动实施方案》，明确以人工智能重塑软件和信息技术服务业的研发、产品与服务体系。方案提出两阶段目标：到2028年，推动智能编程工具和开发平台在2万家规模以上软件企业推广应用，并在重点行业打造100个智能体软件标杆应用；到2030年，关键软件全面实现智能化升级。对软件企业而言，政策重点已从“是否使用AI”转向“能否把AI嵌入研发、产品和交付流程”。

两阶段目标：先扩大应用，再推动关键软件升级

根据新华社报道，方案为“AI+软件”设置了清晰的时间表和量化目标。

第一阶段聚焦2028年，核心任务包括四个方面：

1. 提升软件行业智能化水平。 工信部将推动软件企业在研发、测试、运维、客户服务等环节引入人工智能能力，培育一批高水平智能编程工具和智能开发平台。
2. 扩大企业应用覆盖。 智能编程工具和开发平台的推广应用将覆盖2万家规模以上软件企业。这里的“覆盖”更接近政策推动下的应用普及目标，并不等同于所有企业完成全面智能化改造。
3. 推进智能化技术改造。 方案提出累计组织实施100项软件企业智能化技改项目，为企业从试点验证走向系统性改造提供抓手。
4. 培育智能体软件和开源生态。 计划在重点行业打造100个智能体软件标杆应用，孵化5个以上优质开源项目，推动软件从单一工具向能够感知任务、调用工具和执行流程的智能系统演进。

第二阶段指向2030年。方案提出，关键软件全面实现智能化升级，智能编程、智能体软件和智能服务等新业态成为产业新的增长方向，并建设具有国际影响力的开源社区和产业集群。

这意味着政策并非单纯鼓励企业采购大模型或编程助手，而是希望形成从底层技术、开发工具到行业应用和开源协作的完整产业链。

企业落地的三条主线

先从研发流程切入，建立可量化的使用场景

对多数软件企业而言，智能编程是成本相对可控、效果较容易评估的切入口。代码生成、代码补全、测试用例编写、缺陷定位、技术文档整理和版本迁移，通常比直接改造核心业务系统更适合早期试点。

企业不宜只考察工具能否生成代码，还应关注以下指标：

• 需求交付周期是否缩短；
• 测试覆盖率和缺陷发现效率是否提升；
• 老旧代码维护成本是否下降；
• 研发人员在重复性任务上的时间占比是否减少；
• 生成代码是否符合企业安全、质量和合规要求。

只有将工具使用情况与交付周期、质量缺陷和人力成本挂钩，智能编程才不会停留在个人尝试层面。

再从单点工具转向智能体软件

智能体软件是此次方案的重要方向。与传统软件执行固定规则不同，智能体可以围绕目标拆解任务，调用数据、工具和业务系统，完成相对连续的工作流程。

企业可以优先在边界清晰、风险可控的场景开展验证，例如售后工单分派、供应链异常提醒、财务资料核验、客户服务辅助、运维事件响应和营销内容初审等。对于涉及资金支付、合同签署、生产安全和重大经营决策的流程，则应保留人工审批和可追溯记录。

智能体项目的评价重点也应从“回答是否流畅”转向“任务是否完成”。企业需要明确输入数据、可调用工具、权限边界、异常处理机制和最终责任人，避免出现智能体能够执行任务，却无法解释过程或追溯结果的问题。

最后将AI能力嵌入产品和服务

软件企业既是AI应用者，也是AI产品提供者。对行业软件厂商而言，机会不只是把模型接入产品界面，更在于重新设计软件的交互方式和服务模式。

例如，项目管理软件可以从记录任务转向协助分解任务、识别延期风险；工业软件可以在既有数据和规则基础上提供故障分析与维护建议；企业服务软件可以将查询、分析和流程操作结合起来。真正具有商业价值的产品，通常需要同时具备行业数据、业务流程和交付能力，而不是只提供一个通用对话入口。

对不同类型企业的影响

对大型软件企业而言，政策带来的重点机会在于建设平台化能力。拥有客户基础、行业数据和交付团队的企业，可能更容易将智能编程、智能体和智能服务打包为面向行业的解决方案。

对中小软件企业而言，挑战主要在于研发投入、数据治理和人才结构。它们不一定需要自建完整模型，但需要明确哪些环节必须掌握，哪些能力可以通过平台、开源项目或专业服务获得。围绕细分行业形成高质量场景和稳定交付能力，可能比追逐通用模型更具现实价值。

对创业公司而言，政策方向有助于扩大智能开发工具、行业智能体、软件测试、安全治理和数据服务等细分市场。但创业团队需要避免仅凭概念融资或销售，必须证明产品能够接入真实业务系统，并在成本、可靠性和部署周期上形成可持续优势。

对技术营销从业者而言，宣传重点也应从“使用了什么模型”转向“解决了什么业务问题”。客户更关心项目上线周期、运营效率、服务质量和风险控制，而不是模型参数或演示效果本身。

企业需要警惕的三类风险

第一是数据与知识产权风险。源代码、客户资料、行业文档和业务数据能否进入外部模型，需要经过权限、脱敏和合规评估。企业还要明确生成代码、生成内容和训练数据的使用边界，建立审查与留痕机制。

第二是安全与可靠性风险。AI生成的代码可能存在漏洞，智能体也可能错误调用工具或执行不当操作。企业应采用沙箱环境、最小权限、人工复核、日志审计和灰度发布等措施，避免让未经验证的AI能力直接进入关键生产系统。

第三是投入产出不确定性。采购工具并不等于完成数字化转型。如果企业没有统一的流程标准、数据基础和责任机制，AI项目很容易变成零散试用，既增加成本，也难以形成组织能力。

企业现在可以如何制定行动计划

企业管理者可以按“评估—试点—扩展—治理”四步推进：

1. 评估现状。 梳理研发、交付、运维和客户服务流程，找出重复度高、数据基础较好且风险可控的环节。
2. 限定试点。 选择一个具体团队或业务线，设定周期、预算和量化指标，不以“上线AI功能”作为唯一成果。
3. 验证价值。 对比引入前后的交付周期、缺陷率、人工投入和客户反馈，确认项目是否具备复制条件。
4. 建立治理。 同步制定数据权限、模型调用、代码审查、结果复核、异常处置和责任追踪制度。
5. 逐步扩展。 在试点有效的基础上，将成熟能力沉淀为企业级平台、组件或行业解决方案，而不是继续依赖个人账号和临时操作。

从政策信号看，“AI+软件”正在从技术试验进入产业化推广阶段。2万家规模以上软件企业的覆盖目标，意味着未来竞争不只发生在模型和工具层，也会发生在企业能否重构研发流程、沉淀行业数据、控制应用风险以及持续交付智能化产品。对企业来说，政策红利最终能否转化为经营成果，取决于AI是否真正进入业务流程，并能够被稳定、合规、可衡量地使用。