10月15日，中軟國際副總裁、AIGC研究院院長萬如意在第27屆中國國際軟件博覽會上，以“大模型應用落地最后一公里的挑戰和應對”為主題分享實踐成果。結合中軟國際近兩年參與的300余個大模型項目落地經驗，他指出企業AI落地難的核心癥結在數據，進而詳解以“本體”破解困局的路徑。

軟件行業的 “冰火兩重天”，替代與溢出的雙重效應

過去行業常說 “軟件吞噬世界”，如今則是 “AI 吞噬軟件”。從行業現狀來看，一方面 AI 對傳統軟件工作的替代效應明顯，寫代碼等基礎工具性工作正逐步被智能系統承接；另一方面企業擁抱 AI 時釋放的 “溢出效應”，讓軟件企業迎來新需求高峰 —— 客戶推進 AI 應用落地時，會提出傳統軟件時代無需考慮的外圍與深度需求，例如數據相關工作。而溢出效應之所以流向軟件企業，核心在于軟件行業培養的人才仍是 AI 時代主力軍，軟件企業既要應對 AI 帶來的替代沖擊，更需承接好企業 AI 建設的新需求。

痛點：企業 AI 落地陷 “POC 困局”，數據準備不足是核心瓶頸

談及企業 AI 落地現狀，萬如意指出核心矛盾：政策上，政府企業紛紛出臺 “人工智能 +” 計劃等明確 AI 應用方向；實踐中，大量項目卻止步 POC 階段 —— 客戶雖采購 10P 至萬 P 級算力、投入高額資本，應用端仍難突破。對比個人端大模型的流暢體驗，企業級 “POC 泛濫” 的關鍵在于 AI 落地的數據環境未就緒。而艾森哲強調 “AI 落地最重要的是數據準備”，Palantir 創始人也提出 “未來 AI 應用資金將流入 GPU 算力與本體（Ontology）兩大領域”，均印證數據的核心價值。

關鍵：區分 “高質量” 與 “高保真” 數據，本體是 AI 推理的核心支撐

萬如意指出高質量數據與高保真數據二者并非同一概念：前者是訓練優質模型的基礎，后者是 AI 推理的關鍵，需完整映射現實物理世界的操作條件與環境（契合數字孿生核心），且滿足統一、動態、可互操作要求。中軟國際旗下的深開鴻打造的KaihongOS操作系統，其接入的物聯設備數據及企業 ERP 核心數據均屬高保真數據，可數字化還原企業全流程，為 AI 推理提供關鍵支撐。

Palantir所提及的 “本體（Ontology）”本質是高保真數據的載體，當前核心問題并非是否要構建本體，而是如何在中國市場探索簡化版、漸進式的本體構建路徑。中軟國際的解決方案從基礎工作著手，例如數據分析指標可作為簡化版本體 —— 既體現數據真實性，又契合業務需求，通過指標治理、數據目錄與業務語義對齊、知識圖譜構建等環節，逐步實現高保真數據落地。

實踐：從半導體到醫療，本體技術破解業務效率難題

以中軟國際的標桿項目為例，印證本體技術的價值。在半導體制造領域，某企業 2000 名研發工程師配套 600 名物料工程師，工程師每天要根據產品需求，從 10 萬種物料中找匹配的物料工作飽和卻效率有限。中軟國際的解決方案是構建基于本體的 AI 系統：讓 AI 理解 10 萬種物料的規格參數，再匹配研發需求，實現精準選型。最終物料選型時間從 15 分鐘壓縮至 1 分鐘，BOM 編制效率提升 12 倍，一次通過率從 40% 提升至 60%，成為少數實現 ROI 正向循環的項目。在醫療領域，面對醫保規則日益復雜的痛點，過去靠醫生經驗保障處方合規，現在 AI 通過學習醫保知識本體，能解放醫生在合規審核上的繁瑣思考，讓醫生更聚焦診療。

展望：軟件行業的使命，助力企業完成 AI 時代組織轉型

萬如意強調，未來做企業軟件需更關注 “企業” 而非 “軟件”，技術革命必然伴隨組織變革 —— 電網普及前工廠按傳動軸布局，交流電推廣后轉向按工序排產；AI 時代亦是如此，過去物料工程師的經驗儲存在個人身上，未來將轉化為企業集中沉淀的數據與算法，正如柴油車的分散燃燒轉變為電廠集中發電再供能，企業知識也需從 “分散” 轉向 “集中”。

軟件行業的使命，是幫助客戶將企業組織轉型為 AI 時代的形態；AI 并非軟件的替代者，而是軟件形態的必然延伸，未來軟件行業將發揮更大作用，支撐企業在 AI 時代的轉型。