來源於 《財新周刊》 2025年06月16日第23期
文｜財新周刊 羅國平 范若虹
2025年甫一開年，以DeepSeek為代表的生成式人工智能（AI）浪潮，吸引了能源資源企業“一把手”們的高度關注。
在年初密集的年度工作會上，紫金礦業（601899.SH）董事長陳景河專門新增內容談AI，稱大模型的智能程度超出認知，開源、低成本特性為滿足行業個性化需求提供了可能；中國燃氣（ 00384.HK ）總裁劉明輝也明確表態：“AI將顛覆整個行業，公司要更加全面、深入地投入AI應用研究。”
2025年2月以來，國務院國資委加快部署中央企業“AI+”專項行動。公開資料顯示，在油氣、化工、電網、煤炭、金屬等領域，包括“三桶油”（中石油、中石化、中海油）、國家電網、南方電網、國家能源集團等在內數十家央企，落地了至少66個AI大模型。另據國資委統計，能源資源、工業製造等重點行業央企，已在超過500個場景中布局應用AI。
管理諮詢公司麥肯錫（McKinsey & Company）認為，石油和天然氣、電力、礦產、材料等領域具有利用AI的先天優勢——它們極其依賴數據與分析開展創新，採用AI有望加速企業成長並降低成本。
中國石油集團經濟技術研究院院長陸如泉指出，AI有望成為繼電力之後，新一輪工業革命的核心驅動力。因為擅長預測、檢測、優化與仿真的AI，可以進入企業包括生產、營銷、安全、調度、規劃等整體業務系統。
事實上，AI在能源資源領域的應用幾年前已開啟，以優化能源與礦產供應、發電和輸電、能源與電力消耗等。德勤中國能源資源及工業行業主管合伙人呂岩告訴財新，能源企業推動應用AI聚焦增長與轉型、效率與成本四大主題。“當前AI正在快速滲透能源行業，但產業顛覆不會來得那麼快。”
在5月21日召開的“2025騰訊雲AI產業應用峰會”上，騰訊雲智慧能源首席行業專家孫福傑介紹，能源業AI應用可分為傳統AI與生成式AI：圖像識別等傳統AI已有成熟應用場景，如質檢、線路巡檢、設備預測性維護；生成式AI的應用可分為知識庫、多語種客服等行業屬性不強的通用場景，以及安全生產等與垂直領域關係密切的應用場景。
展望未來，南方電網公司（下稱“南網”）、中國燃氣集團（下稱“中燃”）的有關人士都認為，AI有望推動能源行業從“經驗驅動”邁向“數據智能驅動”，打造“未來能源體系”；而DeepSeek等大模型大幅降低了應用門檻，AI普惠時代加速到來。能源企業正在積極推進“AI+”——即利用AI重構現有系統，打造面向未來的競爭力。
當前，全球能源系統從集中式向分布式轉變，中國在構建接入更多新能源的新型電力系統。南網業務部門負責人對財新指出，面對新能源的間歇性與波動性以及更為複雜的電網架構，發展電力AI是一把“關鍵鑰匙”，藉此可提高電網的供需動態平衡和設備態勢感知的實時性與可靠性。南方電網覆蓋廣東、廣西、雲南、貴州、海南五省份，供電覆蓋2.72億人口，其中新能源裝機佔總裝機近40%。
在能源轉型的驅動之下，中國在油氣、電力、管網等領域的市場化進程顯著加快。中燃數字化與AI事業部總經理韓鵬認為，企業對利用新技術、提升競爭力的訴求日趨強烈，希望藉此構建自己的護城河。“大家都看到了機會窗口，但如果我們的採購策略、客戶服務比別人做得更好，有更好的反饋與收益，就會有更多資金與精力開展創新，也就能拉大跟競爭對手的差距。”他說，“但幾乎所有人都是同樣的想法。”
韓鵬回憶，僅在三年前，整個能源行業對AI能夠產生何種價值還持觀望態度；而現在，AI自帶加速器而來。“發展方向不可逆也不可阻擋，我們惟一能做的，就是快速用到工作中去，積極投入和擁抱新時代。”但他也提醒，要冷靜、客觀且審慎地看待AI在關鍵業務流程中發揮的作用。
孫福傑強調，能源資源領域對可靠性要求很高，AI預測準確度仍待市場考驗，因此企業對在核心業務上使用AI態度謹慎。多家能源企業的業務負責人向財新坦言，目前“絞盡腦汁”想出的場景實際有限，還未出現可以顛覆商業模式的業務場景。
“對煤礦來說，未來肯定是最危險的工序最應該被AI替代，但最危險的部分也是最難被替代的。”中國煤炭工業協會信息化分會秘書長王丹識表示。此外，對央國企而言，快速推進AI應用可能導致某些崗位用人需求的削弱甚至消失，勢必波及員工就業問題，態度也頗為審慎。
“目前，AI已融入必和必拓的每一個業務領域，而這僅僅是一個開始。AI的潛力究竟有多大，我們仍在探索之中。”全球最大礦業公司必和必拓（BHP，NYSE：BHP）首席執行官（CEO）韓慕睿（Mike Henry）稱。
“保持積極、穩健的態度，不低估AI的長期價值，也不高估它的短期價值。”央企中國化學五環公司科數部副主任張科在上述產業峰會的發言頗具代表性：要對AI做好準備，但也要穩步推進。
呂岩認為，AI在能源領域進入大規模鋪開、可實現商業化閉環的平價階段，或還需大約五年時間：一方面，產業側的驗證周期較長，“AI+能源業”被信任需要時間；另一方面，能源資源領域是國民經濟發展基礎，意味着其體量、模式、技術都要相對穩定。在企業意願提升的同時，算力、算法供給端能力提高並持續降低成本，代理服務等新商業模式出現，最終有望引領AI平價並大規模應用。
AI 滲透氣與電
過去五六年，隨着深度學習在計算機視覺（CV）、自然語言處理（NLP）、語音識別等領域的應用取得突破，AI在產業端落地提速，聚焦於提升效率與安全。
孫福傑總結稱，當前主要從兩方面考慮大規模應用場景：一是巡檢等這類在核心業務中可顯著帶來價值的小場景；二是客服等知識密集、容錯率較高的場景。
中燃在2020年開始規模化使用AI，最初目標是預測用氣情況。“初衷是用AI技術，對城市天然氣的用氣負荷進行相對精準的預測，因為這是業者一直希望突破的技術難題。”韓鵬告訴財新。中燃是國內五大燃氣集團之一，燃氣供應覆蓋城鎮人口超過2億。
“我們的訴求和AI技術實現的效果比較接近。”韓鵬進一步稱，此前公司的預測絕大多數依靠經驗，而AI可復盤歷史情況，再充分考慮天氣、價格、地緣政治、經濟走向等多種因素，推演之後提供預測數據。
2021年至2022年，中燃嘗試在安全生產中使用計算機視覺技術，通過部署大量採用邊緣計算技術的AI攝像頭，以此發現並規範員工不戴安全帽等行為。2023年後，中燃又將自然語言處理技術應用到客服、市場銷售、內部信息查詢等業務中，結合生成式AI進一步優化；其中又以客服應用最為成熟。
中燃與南網都部署了智能客服業務場景，先用AI接聽，利用AI多語言、方言支持，將客戶語音轉變成文字，分析客戶所處的狀態、情緒以及訴求，並準備客戶基本情況再轉到人工客服專員——相當於給人工客服配備了一個AI助理。
韓鵬補充稱，AI還廣泛植入到了重複性的標準化流程中，如招投標的合同審核等，在提升效率與準確率的同時，避免人為因素干擾。截至目前，中燃AI審批通過率提升90%，自稱規避潛在損失超千萬元。中燃還大範圍應用照片識別技術，以分析人工抄表存留的海量圖片數據。此前傳統照片審核方式依賴人工肉眼識別，後端人力成本巨大，效率也低；而圖片識別技術可以對單張圖片快速給出審核結論，發現用戶在天然氣使用過程的錯誤行為等。該業務使得人工審核成本減少七成。
此外，韓鵬介紹，AI還可以感知巡檢，並對設備開展預測性維護。AI結合歷史數據與實時上傳的數據，可以分析設備運行波動，24小時監測隱患設備的不安全狀態，由此減少大修頻次、減少資本投入，設備故障率也降低了30%；而以前設備維護主要依靠經驗與定期檢查。
大模型與用氣預測數據結合，幫助中燃優化了另一核心業務——涉及複雜決策的天然氣採購。韓鵬介紹，燃氣企業要在上游供應商中開展不同類型、價格與用量的採購，下游發貨到不同區域，在多變且“多對多”的約束條件下，AI可通過算法進行匹配，優化資源配置與輸配路徑，以降低採購成本、提高銷售收益，增強供應鏈的穩定性。“只有AI能幫我在第一時間算出最優解，並且觸發下單等實際動作。”他說。據中燃預計，AI助力合同外採購減少50%，節省費用數千萬元。
另一家燃氣公司新奧股份（600803.SH）技術委員會主席張軍在5月底召開的世界燃氣大會（WGC）上表示，AI在改變着燃氣領域的商業模式。以往燃氣企業拿到經營區域與氣源，做好區域運營即可；而現在，AI幫助企業更好地理解客戶需求，在此基礎上聯通管網、上游等環節的變化，再在供給端做系統化配置，藉助AI可打造跨越本地運營乃至全國、全球的生態聯動模式。
能源行業的思路逐漸打開：AI不僅可以預測用氣量，也能預測用電、風功率、氣象數據等等，而這些領域相對精準的預測，能優化採購、平衡供需，乃至減少棄風限電，最終提高供氣供電的效益與安全。
南網從2020年開始利用AI的時序預測、科學計算能力，負荷預測全面實現了“機器代人”，智能評估電網供需充裕度，智能校核分析安全穩定性，並智能生成運行控制策略。到2024年，全網調度計劃業務人員工作效率提升10倍以上，全網平均預測準確率達到98.4%。
南網也在推廣輸變電設備缺陷隱患識別，目前典型缺陷識別準確率超過90%，輸電巡檢效率提高了約80倍。在南網旗下的廣東電網，超過八成輸電線路缺陷由AI發現。AI平台Ultralytics指出，改造原有電網系統是打造穩定可靠能源系統的關鍵部分，而通過訓練模型可以識別圖像和視頻中的物體與模式，並在檢查、監控和管理等多個業務場景派上用場。
2024年前後，ChatGPT等大模型產品的出現推動AI應用爆發，而到2025年初DeepSeek爆火，韓鵬認為這給行業帶來了本質的改變：DeepSeek不只降低了AI應用的成本，而且其開源策略打破了市場使用的瓶頸限制以及生態的固有圍牆，倒逼其他廠商跟進。“我們都在摩拳擦掌、躍躍欲試。”
大模型擅長語言能力，企業內部知識庫、方案生成、辦公輔助等場景在快速鋪開。負責知識庫籌建的張科介紹，2023至2024年，高層和一線公司希望在AI方面有所作為，但不可能像大廠一樣自己開發大模型，因此走了一條務實路線：先以知識庫的建設作為重要試點，為後續AI場景落地提供經驗。
南網在2023年9月發布了電力行業首個自主可控的大模型“大瓦特”，不僅賦能生產、營銷、辦公和調度等業務，還可生成配電網規劃方案。接入DeepSeek後，不僅客服、辦公等通用領域AI能力提升，還在推動電力系統分析、複雜故障處理、設備異常溯源等專用領域AI模型的發展。
南網相關負責人認為，電力作為最複雜的工業系統之一，具有獨特的運行特性和工業控制體系，對數字化、自動化技術的需求和應用一直走在能源工業前沿。在數字化發展過程中，電網已經積累了很好的數據基礎。
國家能源集團旗下國能數智科技公司科技研發中心主任聶志勇則介紹，該集團的財務管理在應用AI以後，原本員工出差報銷填報需要20分鐘完成的事情，目前只需要30秒。
“向地下更深處找礦”
資源領域也是AI應用的積極探索者。洛陽鉬業（603993.SH/ 03993.HK ）在洛陽欒川縣運營的鉬礦，是國內最智能的礦山之一。其多金屬多目標生產管控系統的核心，就是智能配礦系統與智能卡車調度系統。
洛陽鉬業富川公司經理賈寶珊向財新介紹，上房溝鉬礦屬於多金屬共伴性礦床，礦石岩性分布不均勻，開採後要供給多個選廠，而選廠要添加藥劑、控制流程，因此前端必須對礦石進行配礦。為此，公司在測量上藉助無人機航測、圖像識別技術等，先確定礦山品位、成分等分布，再利用數字化礦山管控平台實現多目標複雜配礦。
“以前都是手工算，列個電子表格，這裡調幾車、那裡調幾車，看各有多少噸礦，品位、成分如何，加權平均再看行不行。現在採用智能礦山數字化平台，AI直接把目標數據算出來，在此基礎上進行人工優化。”賈寶珊說，早期人工配礦偏差率在11%—15%，智能配礦將偏差率降至3%以下。
在必和必拓，韓慕睿向財新介紹，公司已將AI應用在勘探、採礦、礦車調度，以及選礦廠、冶煉廠等礦石加工環節，再到招聘、設備維護等公司各個環節；不止於此，AI還應用在優化高度耦合的供應鏈端到端流程，以此提供公司產量等整體表現。
在勘探領域，必和必拓正在應用AI技術找到更深層的銅礦資源。韓慕睿解釋，新發現的銅礦往往規模更小、品位更低，或者埋藏更深；銅礦的密度差較小，一旦超過一定深度，就很難識別其存在。而通過結合新的探測技術和AI數據分析，公司就能不受傳統勘探深度限制，“有了向地下更深處找到銅礦的機會”。
他舉例稱，在南澳，公司幾年前即利用AI技術發現了新銅礦Oak Dam。此前，該區域的勘探結論一直是“無礦床存在”。必和必拓主要採取了兩項關鍵措施：首先運用機器學習算法對歷史勘探數據進行了深度挖掘；同時組建新的研究團隊對區域成礦系統進行重新解析。這兩方面結合起來後果然發現了潛在礦體，首鑽驗證即成功發現銅礦化現象，但礦體埋深顯著增加：同區域的奧林匹克壩銅礦（Olympic Dam）礦床平均深度約400米，而Oak Dam礦床深達約800米。
在全球最大銅礦埃斯孔迪達（Escondida），必和必拓也在通過AI技術提高選礦廠的處理能力，以抵消礦石品位自然下降帶來的部分影響。
韓慕睿認為，必和必拓作為全球最大的礦業公司，擁有非常龐大的數據資源，而AI能夠幫助公司挖掘數據，進行提煉、再利用，並優化迭代。“由於我們是高利潤率的企業，AI帶來的改進具有非常高的價值。對礦業來說，擅長應用AI的公司可以建立競爭優勢。”
福德士河集團（Fortescue）金屬業務首席執行官狄諾（Dino Otranto）認為，隨着大規模、優質的礦床越來越少，AI變得至關重要。“我們必須比以往更深入地理解數據，‘外科手術式’地投放資本。要做到這一點，就得清楚地知道在哪個位置鑽探、在哪裡建設下一個礦山和選礦廠。未來對數據的依賴會大大超出當前水平。”他說。
生成式AI最強大的優勢之一，是製造業急需的推理與模擬仿真。在油氣領域，由於圍岩和油氣資源之間的密度差相對較大，油氣領域通過模擬地震——即“給地球做CT”來識別地下油氣資源情況。博眾智合（Agora Energy Transition China）發布的報告介紹，油氣資源正在向超深層、非常規區塊轉移，傳統勘探技術在應對信號衰減、複雜構造等領域面臨瓶頸，而可提高精度和效率的地震AI大模型的應用，有助於解決這一難題。
“不見兔子不撒鷹”
AI發展速度極快，能源企業須在過度投資與謹慎投資之間取得平衡，核心關注的是ROI（Return On Investment，投資回報率）。
“很多企業首先強調投入產出，‘不見兔子不撒鷹’，所以他們還很糾結：AI發展這麼快，是重度投入跟上腳步，還是先觀察，等待應用更成熟後再跟進？”騰訊雲副總裁曹磊如此描述企業心態，而傳統行業應用大模型還有數據安全、模型私有化等系列訴求。
孫福傑指出，能源資源領域對可靠性、準確性、安全性的要求非常之高，而大模型是“黑箱子”，可解釋性較差，落地過程中還可能出現幻覺、不準確、速度跟不上等問題，因此企業對核心業務使用AI仍較謹慎。
“大模型demo（示範）往往酷炫，但企業應用時擔心的是不能有漏洞、風險，注重避坑與補齊能力的下限。”騰訊雲智能製造與智慧能源行業首席專家邴金友稱，當前普遍屬於“試水”狀態。
“企業明白，要量入為出。”呂岩表示，“任何一項技術走向產業化，最關鍵在於平價、跑通商業邏輯。”但目前企業使用AI仍然“太貴”，受制於算力、電力等配套能力的跟進；此外在企業層面，從釐清AI應用邊界，到算完賬、申請預算再到落地都需要時間。
上述南網相關負責人士就坦言，在目前階段，AI屬於資源投入型產業，AI應用對資金、技術依賴度極高。
韓鵬則強調，國內仍處在大模型技術落地產業的早期階段。“AI植入產業是簡單的，但融合需要漫長的過程。”他解釋，一方面，訓練模型需要高質量數據，這有賴於此前的積累和沉澱；另一方面，大模型採用全球數據，不能完全適配垂直或專業領域，因此企業更傾向於部署專有小模型。“企業相關數據要在小模型里訓練，再與大模型能力整合。中燃自建了算力中心，也部署了多套模型，未來會是一個小模型與大模型百花齊放的時代。”他說。
韓鵬進一步解釋，小模型調用成本較低，對硬件與算力資源要求不算高，但企業須基於大模型做研發與前端訓練。“這個難度很大，人力資源和資金投入都是挑戰。”
近兩年，企業在加速構建專屬小模型。比如，中燃構建了基於大數據智能分析的數據用能模型，以及針對天然氣的圖像識別模型等；南網則在不斷推進電網故障診斷、預測性維護、電力負荷預測等方面的專業模型建設。
多家企業告訴財新，當前的算力成本依然不低。“我們以市場化的經濟效益為標準，但也會考慮自主可控，因為自主可控是未來AI持續發展、自我掌控的核心要素。”韓鵬稱。
此外，當前很多應用場景的收益無法保證，也難以量化。“如果考核AI應用，往往講不清楚ROI，也講不清楚對原有業務模型帶來了什麼樣的本質改變。”新奧股份的張軍坦言，AI從演示到落地有大量細節問題需要打通和解決，在此過程中，如何對AI客觀評價是個系統性難題。
中國化學五環公司的張科介紹，公司領導層也在觀察AI項目的成效，為此還上線了專門的項目定期評估AI發揮的作用，同時積極探索市面上相對成熟或有潛力的應用場景。
“現在給AI算賬，要看是省了人、省了時間，還是提高了效率。”邴金友認為，計算投資收益要分場景，也取決於技術成熟度。在比較成熟的AI檢測等場景，一台機器可以覆蓋六個人的成本，投入效果就比較明顯。
騰訊雲能源資源行業總經理宋芳進一步表示，“從0到1”的成本很高，計算ROI還要看是否具備規模效應。騰訊的策略是優先選擇標準場景及規模可複製場景，再從局部替代滲透到深度業務應用。
2023年7月，山東能源集團聯合華為公司發布了全球首個能源行業商用AI大模型——盤古礦山大模型，致力於破解礦山AI應用場景深度廣度不足等瓶頸問題，目標是減人提效、降低勞動強度、提高安全水平等。雲鼎科技（000409.SZ）是山東能源集團旗下負責AI業務的公司，其AI技術專家高楨介紹，該礦山大模型先在集團內部五座礦進行驗證，效果不錯，隨後進行大規模推廣複製。現在這個大模型已覆蓋山東能源集團45座煤礦，以及在國家管網集團、皖北煤電集團、陝煤集團、華能煤業等30餘個央國企能源企業規模化落地，覆蓋了山東、內蒙古、山西、陝西等13個省份。
AI大模型應用於煤礦防治衝擊地壓環節是一個典型場景。該環節涉及安全生產，原本需要大量人工審核工作。“衝擊地壓”是指在煤礦開採過程中，煤岩體因發生彈性形變而具有大量勢能，進而產生突然、劇烈破壞的動力現象，可能導致設備損壞及人員傷亡，監管部門對此有明確的責任和防範措施。山東能源集團在李樓煤礦等下屬多個煤礦引入了AI大模型視覺識別技術，對卸壓鑽孔施工質量進行智能分析，大幅降低了人工審核工作量，實現防沖工程100%驗收率，工作效率提升了85%。
張科進一步認為，能夠大規模推廣應用的場景要規則比較明確，數據收集和採集比較便捷，數據真實性也能得到保障，且行業屬性壁壘沒有太高。
化工領域專業程度較高，張科指出，行業希望重點突破核心生產過程的自動設計，但短期內突破較難。一方面，當前的小模型準確率不夠高，而化工行業容錯率非常之低；另一方面，不同化工企業生產路線多元，針對一個場景開發出的AI應用難有大面積推廣的可能性，對應成本就非常高；此外，部分數據涉及企業核心商業機密，企業決策層會擔心供應鏈數據泄露等問題。
不過韓鵬強調，AI在推動管理調整上的重要性往往被忽視了。對於一家大體量公司，集團層級與規模往往帶來管理上的巨大投入，而“AI會讓管理和企業變得更輕，所有流程跑得更快”。
應用AI的意願和行業周期密切相關，下行周期中的企業更希望借新技術“搏一把”。狄諾指出，在利潤率極低或負利潤率產業，企業會更積極採用技術去盈利，“當企業被逼着另闢蹊徑，技術就這樣促成了應用”。
能源行業數據密集，對安全要求高，數據往往是應用AI的初始挑戰。南網相關負責人表示，一切AI算法的學習都離不開訓練樣本數據，而數據的全面性、完整性對學習效果至關重要。目前，南方電網在輸配電、營銷、人力資源、安監、數字化等7個業務域構建了28個企業級AI數據集。
紫金礦業地勘院總工程師康旭向財新介紹，公司部署AI的成本主要在前端：需要野外工作獲得第一手資料，並進一步整理與測試數據。但在數據處理中，往往無法保證歷史數據100%可靠，關鍵的“地物化遙”（地質調查、地球物理勘查、地球化學勘查、遙感技術）、地質工程等數據不一定齊全，而不同單位的資料由於口徑不一致等也存在差異。
“部署AI主要是找到好礦，並解決生產中的一些技術問題，對地質災害、環境問題等進行預測。”康旭認為，“AI+”的最終目的是實現經濟合理地開採與利用礦產資源。儘管當前地質調查機構與公司都在研發AI大模型，但仍處在效果評估與完善階段，主要作為專家診斷的輔助系統。未來，公司規劃給到AI自主深度學習功能，減少人工干預，不斷提高資源預測的可靠性和準確率。
漢威科技集團股份有限公司副總裁李春蕾建議，應建立適合行業管理的數據標準，建立長期有效的基礎數據採集和更新機制，做好制度化保障，提升數據治理能力，“這樣才能更好地擁抱AI”。
在能源領域，國企和央企在大模型應用中，需要做好數據開放共享與隱私保護的平衡。在AI應用過程中，數據收集、存儲、標註等環節存在一定的安全性和隱私保護風險，需要完善數據管理制度與標準。部分企業為保障數據安全，也存在數據孤島現象。
山東能源集團的AI訓練中心就是基於內部網絡私有化建設的，即完全應用集團內部數據，不與外部網絡連接。據高楨介紹，該訓練中心一次性投入近1.5億元，包括了AI大模型的底座、算力服務器等，私有化模式旨在保障數據安全、嚴防數據泄露。
如何平衡AI技術需求與數據保密之間的矛盾，高楨認為，需要從技術保障、管理制度與生態協同三個方面入手：一是對生產數據進行脫敏，或通過隱私計算技術實現數據“可用不可見”；二是在應用層面通過私有化部署，保障數據不出園區；三是在生態協同方面，積極構建行業聯盟，推動安全技術與數據資源的共享。“為保障用戶能自己優化模型，我們打造了可調整升級的模型部署方案，用戶可以在邊緣自主進行模型迭代，不需要把數據交給建設廠商。”高楨舉例稱。
“AI+”缺什麼？
“AI是個好東西，但在能源領域的發展仍有不確定性，要穩步推動。”呂岩建議，AI是高度數據依賴的轉型驅動技術，要從上至下通盤看待AI，從何處起步、耗資多少、怎麼使用，需要全盤規劃、耐心求證、小心起步。
“AI發展之快遠超世人想象，帶來的隱患也會很快出現。”韓鵬預判，伴隨AI發展而來的是數據安全、AI治理、衝擊就業、IP（知識產權）侵權等諸多問題。
博眾智合能源轉型中國區總裁塗建軍提醒，要謹防“AI幻覺”：一方面，AI可能並不具備市場期待的諸多能力；另一方面，如果過度依賴AI，也將影響企業從下至上乃至下一代的決策能力。“這裡面潛伏着巨大的危險，從政府監管到行業利用，應提前思考在什麼樣的邊界條件下應用AI。”
“任何技術應用都是伴隨着成熟度的增長，在不同階段應用不同場景。”孫福傑認為，AI雖有幻覺、難解釋，但不能求全責備，更不能因噎廢食。
麥肯錫在調研後也發現，當前，企業部署AI仍在早期階段，而對企業利潤最顯著的影響因素在於是否制定了明確的AI部署路線圖。
韓慕睿表示，必和必拓在董事會層面高度重視AI技術發展，並制定了明確的AI戰略，目的是建立競爭優勢。他稱，公司也在構建與AI相關的組織能力，包括業務管理層的知識和能力建設，以及為支持AI而設置的內部結構。5月27日，必和必拓宣布在新加坡建立其首個行業AI中心。
福德士河的狄諾介紹，AI部門是公司核心業務之一，直接向自己（CEO）彙報。他認為，相比消費級AI，工業AI更具潛力，“現在我們正從半自動的高級智能邁向完全的高級智能”。
羅盛諮詢（Russell Reynolds）在2025年5月發布的報告中指出，2022年下半年以來，領導者對技術變革的擔憂一直在上升。到2025年上半年，有52%的受訪領導者將技術顛覆視為對組織的主要威脅因素，但只有48%的受訪領導者認為已經做好應對這一威脅的準備；且有82%的受訪領導者認為，對AI的深刻理解將是未來高管的必修課。
在張軍看來，人才和組織能力是企業向智能化轉型的基礎。而當前“AI+行業”的複合型人才急缺，還要打通從產業到技術的跨界人才組合。高楨表示，當下，複合型人才短缺且培養機制不健全，加之現場業務人員對AI技術的理解程度有限，導致AI在化工、新能源等專業領域難以產出高價值的應用場景，限制了廣泛應用與產業深化發展。
“現在我跟招聘團隊基本是兩天一開會，關注信息發布的進度，關心人員簡歷的進度。”韓鵬說。中燃AI團隊約有200人，在原有數字化轉型團隊基礎上，補充技術和專家團隊，包括算法與算力技術人才、數據治理專家，以及大量的業務專家。中燃正在打造一個虛擬化團隊，成為現有業務與技術之間的橋樑。
南網相關負責人則表示，公司應用“柔性團隊”等機制，以促成專家、業務人才與技術人才的融合。為促進“AI+業務”複合型人才隊伍的培養，南網制定了專項措施，推動產學研聯合。
張科認為，技術只是工具，更大的挑戰是人才與組織的變革。“人的觀點、理念、習慣改變，不在一朝一夕。”他說，數智化轉型涉及打破原有組織架構和業務範圍，甚至涉及權責調整，這要靠高層推動，並與業務層面深入結合。
此外，高楨表示，高質量數據未得到有效採集與治理，是當下AI落地的痛點。當前，企業自動化、信息化基礎參差不齊，在數據採集過程中容易造成來源不明、格式不規範、質量不高等問題，導致數據的可用性和可信度不足。他建議，針對不同行業特性，量身定製數據質量與管理規範，明確數據融合共享過程中的質量標準與要求，確保數據的準確性、完整性和時效性，為智能化決策提供可靠依據；出台統一的大模型行業標準，並配套支持AI發展的政策體系，以加速技術迭代與產業升級。
能源等工業企業“AI+”，會否帶來顛覆性場景？目前大部分AI應用場景還只是提高個人效率，而企業更關注群體效率。呂岩進一步認為，具有顛覆性可能的業務場景或有兩類：一類在於人眼難見的物理世界，比如勘探、鑽井優化；另一類則在於化工等流程類製造業，因為流程性生產過程如同“魔盒”，與AI結合有望產出顛覆性材料。“魔盒的不可預測性，恰恰也是最美妙的部分。”她認為，在研發新材料上，AI有望大大縮短從實驗室到產業化的進程。
國際能源署（IEA）指出，在生物醫學領域，AI使蛋白質結構圖譜繪製速度提高了4.5萬倍；而新能源技術的創新周期通常長達數十年，縮短周期對實現能源行業的可持續發展等目標至關重要，AI有望顯著加快尋找、測試有前景的新材料、電池化學等進程。但目前AI優先的創新方法在能源領域尚未充分體現，應制定政策支持AI主導的發明，並加速其商業化。