曾经，央国企掀起一股成立数科公司的浪潮。高峰时期，上千家数科公司集中挂牌。大家寄予厚望：剥离 IT 部门，独立成科技主体，做数字化、上云、研发数字化产品，一边服务集团内部，一边对外市场化接单，打造新增长曲线。

曾经，央国企掀起一股成立数科公司的浪潮。高峰时期，上千家数科公司集中挂牌。大家寄予厚望：剥离 IT 部门，独立成科技主体，做数字化、上云、研发数字化产品，一边服务集团内部，一边对外市场化接单，打造新增长曲线。

当大模型浪潮到来，很多陷入增长困境的数科公司又把最后的希望押在了 AI 上。采购大模型、搭建 AI 平台、打造智能应用展厅，试图靠 AI 概念完成二次自救。

但现实很残酷：AI 只是工具，不是特效药。结构性矛盾不解决，再多 AI 项目、再多算力投入，也救不了绝大多数央国企数科公司。

一、幻象：把 AI 当成数科公司的 “翻盘解药”

过去几年，不少数科公司的生存模式高度依赖集团内部订单。营收来自母公司项目，利润靠内部结算，对外市场化获客艰难，产品大多是定制化项目，很难标准化复制。一旦集团压缩数字化预算，业绩立刻承压。

大模型风口到来，给了行业一种错觉：只要上马 AI，就能完成身份蜕变。 于是我们看到大量相似动作：采购通用大模型 API，组建 AI 小组，开发智能问答、文档解析、厂区视觉检测等试点项目，搭建 AI 展厅，接待参观汇报。项目上线，宣传稿一发布，仿佛一夜之间就完成科技升级。

但剥开光鲜的样板工程，真相是：大量 AI 项目是 “盆景式试点”。只能在固定场景演示，很难规模化复制；投入巨大，却算不清真实 ROI。项目做完，展厅落地，很难嵌入核心业务流程。一线业务部门不用、不愿用、不敢用，AI 项目沦为汇报道具。

很多数科公司以为，引入 AI 就能从 “系统集成商” 变身 AI 科技企业。可本质上，只是在原有项目外包业务上，多加了一层 AI 外壳，底层矛盾完全没有解决。

二、四大底层矛盾，AI 无法抹平

1、定位悖论：既是集团成本中心，又被要求做市场化利润中心

这是央国企数科公司与生俱来的矛盾，AI 解决不了定位冲突。

数科公司诞生的初衷，首要任务是承接集团内部数字化建设，保障内部系统稳定、安全、可控。对内，它是集团的成本单元；但集团又给它下达市场化盈利指标，要求走出集团，对外卖产品、赚外部客户的钱。

两个目标天然打架。 做内部项目，要压低报价、优先保障安全稳定，利润空间薄；想对外市场化竞争，就要投入研发打磨标准化产品，承担试错风险。一旦投入资源研发 AI 产品，短期很难产生收入，考核压力马上显现。

很多数科公司最终陷入两难：对外市场打不过大厂，只能回头继续承接集团内部项目，长期依赖集团输血。哪怕接入 AI，业务根基依旧没有变化。脱离母公司订单，基本没有独立生存能力。

2、技术空心化：AI 大多是 “拿来主义”，没有自主内核

绝大多数中小数科公司，本身没有底层 AI 研发能力。算力、基础大模型、算法框架全部向外采购，自身只做二次集成、微调、项目实施，本质是 AI 方案的中间商、集成商。

没有底层模型能力，没有行业模型底座，没有沉淀可复用的 AI 产品。每一个 AI 项目都是定制化开发，一厂一方案，项目交付完成，能力很难沉淀成标准化产品。

大厂可以依靠海量数据持续迭代模型，快速优化缺陷。而数科公司做 AI 项目，项目做完迭代就停滞。客户需求一变，就要重新开发。这种项目制模式，天然不具备 AI 产品规模化的基因。AI 只是叠加在项目上的功能模块，不是自有技术壁垒。

3、体制机制冲突：AI 创新需要试错，国资体系容错空间有限

AI 研发、产品迭代的底层逻辑，是快速试错、小步快跑、允许阶段性失败。大模型应用落地，大量场景需要反复验证、持续调优，周期长，不确定性高。

但央国企的考核、风控、薪酬体系，和科技创业逻辑存在天然错位：年度考核、任期制管理，倾向短期见效的成果；创新项目一旦大额投入没有产出，面临国资流失的风险；高端 AI 人才薪酬天花板受限，很难留住顶尖算法、大模型人才。

高薪招不到顶尖 AI 人才，现有人才激励不足；重大 AI 项目决策链条冗长，市场窗口期转瞬即逝。就算拿到预算上马 AI 项目，团队也倾向选择稳妥、可演示、低风险的样板项目，不敢去啃真正能改变主业、高价值但高风险的核心场景。最终落地的 AI 项目，大多是观赏性强、业务价值有限的应用。

4、数据孤岛顽疾：AI 落地最核心的原料，卡在组织墙里

AI 想要产生真实业务价值，前提是高质量、打通、可治理的行业数据。

很多央国企集团内部，各子公司、各业务部门系统独立，数据标准不一，数据孤岛遍地。数据归属、数据安全、数据脱敏、数据流转，层层都是部门壁垒。数科公司作为二级主体，很难推动跨部门的数据打通。

没有高质量、贯通的业务数据，再好的大模型也只是无源之水。哪怕采购最先进的模型，只能在局部小范围做浅层应用，无法训练出适配主业的行业智能体。数据问题是组织、管理问题，不是靠采购一套 AI 系统就能解决。

三、关键追问：重新定义角色，数科公司就能活下来吗？

很多人会有一个乐观推论：只要理顺定位，不再 “既要支撑内部、又要对外赚钱”，找准角色，数科就能走出困局。答案是：重新定位只是 “活下去” 的必要条件，绝非充分条件。

定位调整，解决的是战略方向的内耗，让公司不再同时追逐两个互相冲突的目标；但它无法自动补齐技术、产品、人才、市场的短板。重新定义角色之后，数科公司会分化成三种截然不同的结局：

结局 1：回归集团数字化底座，安稳生存（最高概率）

如果放弃 “对外做大科技公司” 的幻想，明确定位：集团内部数字化服务商、数据安全与基础设施运营主体，不以外部市场化盈利为核心考核指标。它不需要和华为、百度抢外部 AI 订单，核心 KPI 变成：保障集团系统稳定、降低内部数字化综合成本、打通集团内部数据、落地能量化降本的 AI 场景。

这种模式下，可以稳定活下去，但不是 “科技独角兽”，本质是集团数字化职能的专业化实体。它的生存根基依旧依托集团，营收来自集团预算。一旦集团数字化预算收缩，依然要收缩业务。它解决了 “定位矛盾”，但没有获得独立造血能力，属于依托主业的稳态生存，不是市场化独立生存。

结局 2：深耕垂直场景，实现有限市场化（少数能跑通）

只有同时满足这 3 个附加条件，才有可能在重新定位后，走出集团、实现市场化：

1. 母公司主业拥有独有、高价值的行业工艺 know-how 和闭环产业数据（能源、冶金、轨道交通这类重资产行业最具备条件）；
2. 放弃通用大模型幻想，聚焦行业垂直场景，把行业知识沉淀进标准化软件 / 行业 AI 产品，从 “做一次性项目” 转向 “卖可复用产品”；
3. 配套改革：单独的容错机制、市场化人才激励、简化的项目决策流程，留住懂工艺 + 懂数字化的复合型人才。

宝信软件就是典型。它不是单纯靠 AI，而是依托钢铁行业几十年工艺积累，把工业软件、行业模型做成标准化产品，向外行业客户输出。如果只有定位调整，没有行业 know-how 沉淀、产品化能力、机制配套，这条路走不通。 只改定位，不改产品与激励，最后依旧只能做定制项目，利润薄、无法规模化。

结局 3：定位理顺，但依旧持续失血，最终整合关停（大量中小数科的归宿）

很多数科就算重新明确角色，依然逃不过收缩命运。原因很现实：

1. 集团数字化需求有限，内部盘子太小，团队规模、人力成本和内部业务体量不匹配，人力成本持续高于业务价值；
2. 没有独特行业壁垒，就算做内部数字化，也面临外部集成商比价竞争；集团预算收紧时，集团完全可以直接招标外部厂商，不一定必须交给自家数科；
3. 母公司主业本身增长乏力，数字化预算长期压缩，没有持续资金供养。

也就是说：就算不要求它对外赚钱，如果它服务内部的成本太高、交付能力一般，集团依然会评估：把 IT 服务外包出去，可能更省钱。 定位理顺，只是消除了内部目标冲突；但交付能力、成本竞争力不行，一样会被淘汰。

一句话：重新定位，是停止 “左右互搏”，减少内耗；但能不能活，取决于三件事：有没有不可替代的行业能力、成本能不能可控、母公司主业是否稳定。

四、少数跑通的数科，从来不是靠 AI 风口赌出来的

当然，并非所有央国企数科公司都陷入困局。国网数科、宝信软件这类成功案例，给了清晰的参考：

它们不是先成立公司，再到处寻找 AI 赛道。而是根植于集团主业场景，深耕行业数十年，在产业数据、工艺理解、工业 know-how 上建立壁垒，AI 只是放大主业价值的工具，不是公司的主业本身。

简单来说，成功的数科，是主业数字化能力外溢，衍生出标准化产品对外输出；而不是凭空成立一家公司，寄希望靠 AI 概念寻找新赛道。

很多失败的数科，逻辑刚好反过来：脱离主业工艺理解，跟风追逐 AI 热点，试图靠通用大模型打造通用产品，和百度、阿里、华为等头部厂商正面竞争，几乎没有胜算。

五、放下 AI 幻想，重新定义数科

AI 不是救命稻草，而是放大器。它只会放大原本就存在的优势，而不会凭空创造竞争力。

对于无法实现产品化、长期依靠集团输血、对外没有竞争力的中小数科，合并、整合、关停，将是行业大趋势。国资委的导向也越来越清晰：没有量化业务收益的数字化、AI 试点，不再持续拨付专项资金。盆景式数字化项目，不再被鼓励。

AI 是新质生产力的重要工具，但它无法拯救定位错位、机制错配、技术空心化的企业。

很多数科公司的困境，根源不是缺少 AI，而是从诞生之初，就背负了相互矛盾的使命。指望靠一个新技术风口，绕过组织、考核、人才、数据的结构性难题，本质上是一种投机。

数字化转型的终点不是 AI 展厅，而是真实业务价值。

重新定义角色，只是第一步。选 “内部服务商路线”，能换取稳定，但很难成长为科技巨头；选市场化路线，则必须同步补齐产品、人才、激励、行业 know-how 全套能力，门槛极高。如果仅仅调整定位，其他短板不变，依旧难逃萎缩、整合的结局。

当热潮褪去，行业会慢慢认清：能活下来的数科，不是最先上马 AI 的那一批，而是真正扎根产业场景、理顺组织机制、能持续交付可量化价值的那一批。