人民锐评驳斥「中国AI跑偏论」：对企业来说，调用量不重要，生产环境里的占比才重要

结论先行：「中国 AI 跑没跑偏」是宏观问题，企业老板回答不了；但「你的 AI 预算记在哪个科目、数据敢不敢出域、组织接不接得住」，这三个问题今天就得回答。

近日，人民日报人民锐评发文驳斥「中国 AI 跑偏论」，文章标题是《把"火药"做成"烟花"？警惕"中国AI跑偏论"》。网上流传的对比是：中国 55% 的 Token 消耗去了短剧等内容生成，美国 58% 去了编程。锐评对此的回应很明确：用调用量的面子衡量发展的里子，有偏差。

这场讨论里被引用最多的，是一组企业侧的数据：据 Gartner 统计，截至 2024 年年中，只有 8% 的中国企业把生成式 AI 部署进了生产环境。政策在往前推、媒体在往前推，为什么大量企业还停在「看过演示、没上系统」的阶段？这篇就把「企业为什么接不住」摊开来看。

一、先把这场讨论的事实摆清楚

项目	具体内容
官方定性	人民锐评《把"火药"做成"烟花"？警惕"中国AI跑偏论"》：以调用量评判 AI 发展有偏差；中国 AI 是应用普惠与科研攻坚双轮驱动
流传的对比	中国 55% Token 去短剧等内容场景，美国 58% 去编程（锐评引用的说法）
一种解释	技术方向是付费结构的镜像：美国 AI 的钱从企业软件预算里来（四十年软件付费习惯，程序员成本高且代码可用测试自动验证）；中国的钱从注意力经济里来（短视频、电商、短剧充值，AI 视频把内容边际成本打到接近零）
企业侧现实	Gartner：截至 2024 年年中，仅 8% 的中国企业将生成式 AI 部署进生产环境
政策清单	「人工智能+」列国务院 AI 纲领性文件第一条重点行动；《关于发展新质生产力的意见》提出以人工智能引领科研范式变革；算力网纳入「六张网」，与电网、铁路网并列；上海已向中小企业发放算力券、模型券、语料券

说明一下口径：上表中第三方数据为相关行业分析引述，本站未逐项核实原始报告；锐评观点以原文为准。

二、别急着站队宏观，先看看自己被卡在哪

宏观争论交给媒体，企业真正该关心的是那个 8%——为什么别人上了生产环境，自己还停在试点？综合各方分析，卡点集中在四本账上：

账本	常见困境	怎么看
ROI 账	演示很惊艳，损益表没动静。有调研引述称 95% 的企业生成式 AI 试点未产生可测量的损益影响；提效数字从百分之十几到百分之三十都有，口径打架	不是 AI 不行，是试点没设计基线。先选一个可量化场景（比如票据处理量、答疑响应时长），没有「之前」就没有「之后」
风险账	出错成本不对称：内容错了重生成即可，生产错了是报废和事故。据相关报道引述，加拿大主要银行已将某类 AI Agent 挡在门外——成熟机构都在给 Agent 画责任红线	红线要画，但按场景画：从「错了无所谓」的场景开始用，关键动作永远留人工阀
数据账	核心数据不敢出域，私有化部署又怕投入大；仪器数据、工艺参数散落未清洗，「AI 是巧妇，端不出米」	私有化不等于几千万集群。一台服务器 + 一个业务域就能起步，电费一年几千元量级；先把老师傅脑子里的工艺知识变成能被检索的文档，比买算力更急
组织账	AI 提效的前提是流程再造，流程再造动编制和权力；既懂模型又懂业务的人极度稀缺	瓶颈在组织，不在模型。一个佐证：据财报数据引述，微软 Copilot 日活翻了五倍，但 90% 的查询仍停留在自动模式——工具发下去了，用法没变

四本账里，最容易被忽略的是组织账。AI 能力的增速，已经快于企业组织的消化速度。买算力、上大屏、发新闻稿式的「运动式采购」并不难，难的是让一线的流程真的改一遍——而后者才是那 8% 和剩下 92% 的分界线。

三、政策在给需求侧开闸，辽宁企业该盯什么

这场讨论里对本地企业最有实用价值的信息，是政策清单的方向：资源正在系统性地向「AI for Science」和企业生产力倾斜。上海向中小企业发放算力券、模型券、语料券，是需求侧补贴的开闸信号——这类补贴大概率会向更多城市复制。

对辽宁企业的三个盯梢动作：

• 盯补贴：算力券、模型券本质是「用 AI 的钱便宜了」，如果你本来就有明确场景，申报窗口值得盯紧本地工信与科技部门的通知；
• 盯科目：一个朴素的判断标准——你的 AI 预算挂在营销科目还是研发科目？挂营销，AI 只是降本工具；挂研发，它才开始帮你做产品；
• 盯底座：AI 吃数字化的饭。设备参数不上网、工艺知识在老师傅脑子里、数据散落在 Excel，这些「数字地基」的活儿，补贴买不来，只能自己一件件做。

四、从「看过演示」到「上生产」，中间差四步

把上面四本账翻成动作顺序：

• 第一步：选一个可以量化的场景。不要选「全面智能化」，选「把票据录入从每天 3 小时压到 1 小时」这种能对账的。
• 第二步：先定数据边界，再选部署方式。哪些数据可以出厂、哪些不能，这个决定该在选型之前做，而不是之后补救。不能出域的部分，本地部署从一台服务器起步即可。
• 第三步：给 AI 划责任红线。能自己执行的、只能给建议的，分开列清单；删数据、对外口径、花钱这几类，永远留人签字。
• 第四步：留痕、复盘、再扩域。每件事谁派的、怎么处理的、结论如何，记下来。三个月后你就知道自己该往哪扩。

这四步与我们此前的文章一脉相承：事件清单与决策清单（分工）、独立检查（质量）、能源账（成本），合起来就是一条从试点到生产的通路。

如果您想按这个顺序走一遍——场景怎么选、数据边界怎么划、本地部署怎么起步——欢迎约一次免费业务诊断；也可以先看我们的私有化部署方案与人工智能应用人才培训。

最后

人民锐评驳斥「跑偏论」，给的是国家层面的定位声明；对企业来说，这场讨论真正值得带走的是一句话：调用量不重要，生产环境里的占比才重要。你的企业也一样——用了多少次 AI 不重要，有几件事真的因为它改了流程、省了工时、多了订单，才重要。火药做成烟花还是别的什么，看点火的人；AI 用成演示还是生产力，看把它接进流程的人。

注：本文政策事实引自人民日报人民锐评《把"火药"做成"烟花"？警惕"中国AI跑偏论"》及相关公开报道转述（含 Gartner、MIT 调研、微软财报等第三方数据，均为行业分析引述，本站未逐项核实原始报告）；企业落地建议为本站观点，供参考。

常见问题

← 返回新闻动态 ｜ 深度内容见 行业洞察专栏