工信部发布《人工智能+软件》专项行动实施方案：双阶段目标与企业落地路径解析

工业和信息化部于2026年9月发布《“人工智能+软件”专项行动实施方案》，并于9月11日举行专题新闻发布会。文件提出，到2028年软件和信息技术服务业智能化水平显著提升，推广应用覆盖2万家规模以上软件企业，累计组织实施100项软件企业智能化技改项目，并在重点行业打造100个智能体软件标杆应用。对企业而言，这不是单纯增加人工智能功能，而是推动软件产品、研发流程和交付服务系统性重构的重要政策信号。

政策核心：以2028年为明确落点

《实施方案》由工业和信息化部印发，文件编号为工信部信发〔2026〕209号，成文日期为2026年9月2日，相关发布会于9月11日举行。政策背景是人工智能正在重构软件产品形态和开发模式，传统软件及信息技术服务加速智能化升级，智能体软件等新业态开始出现。

从公开信息看，方案最明确的时间节点是2028年，主要目标包括：

需要注意的是，公开发布信息重点披露了2028年总体目标，暂未在已公开摘要中完整呈现所谓“两个阶段”的逐年量化表。因此，企业不宜把内部推进节奏直接等同于政策文件中的正式阶段划分。更稳妥的做法，是围绕2028年目标建立“先验证、后规模化”的两步实施路径：第一步完成场景验证、技术改造和产品化准备；第二步扩大应用覆盖，形成可复制的行业方案和标杆项目。

对软件企业的直接影响

研发模式从辅助提效转向体系化重构

政策提出培育智能编程工具和智能开发平台，意味着人工智能在软件研发中的作用将从代码补全、文档生成等单点功能，逐步扩展到需求分析、架构设计、测试验证、运维支持和知识管理等环节。

软件企业需要重新评估研发流程中的可自动化环节，重点关注：

• 需求是否能够结构化表达并被模型准确理解；
• 企业代码、接口、文档和测试数据是否形成可治理的知识资产；
• 智能编程工具是否支持权限管理、代码审查、测试追踪和审计；
• 生成内容能否纳入现有的质量管理与安全责任体系；
• 工具应用是否真正缩短交付周期，而不是增加审核和返工成本。

对于产品型软件企业，人工智能能力还将影响产品竞争力。未来的比较重点可能不再只是功能模块数量，而是软件能否理解业务上下文、调用企业数据和工具，并在授权范围内完成连续任务。

智能体软件将从概念展示走向业务闭环

方案提出在重点行业打造100个智能体软件标杆应用，释放出较为清晰的产业信号：智能体应用需要进入实际业务流程，而不是停留在问答演示或独立试用阶段。

企业在评估智能体项目时，应重点判断其是否具备四类能力：

1. 任务理解能力：能够识别业务目标、上下文和约束条件；
2. 工具调用能力：能够在权限控制下连接业务系统、数据库或专业工具；
3. 流程执行能力：能够完成多步骤任务，并在关键节点请求人工确认；
4. 结果追溯能力：能够记录输入、调用过程、输出结果和责任链路。

例如，面向企业服务的软件，不应只提供智能问答，而应进一步连接客户工单、知识库、合同信息和交付流程，形成从问题识别到任务分派、处理建议和结果归档的闭环。是否能够嵌入原有系统、减少重复操作并改善业务指标，将比模型参数或演示效果更能体现项目价值。

技术改造将成为软件企业的新经营议题

100项软件企业智能化技改项目，意味着政策关注的不只是新产品研发，也包括现有软件企业的技术改造。企业需要把人工智能升级纳入经营和资本预算，而不能仅由创新部门以试验项目方式推进。

技术改造通常涉及四个层面：

• 数据层：清理业务数据、文档、代码、日志和知识资产；
• 平台层：建设模型接入、智能体编排、权限控制和运行监控能力；
• 应用层：选择研发、客服、销售、交付、运维等高频场景进行改造；
• 治理层：建立数据安全、输出审核、模型评估和异常处置机制。

其中，平台建设不宜脱离业务场景单独推进。没有明确的流程、数据和责任边界，企业容易形成新的技术孤岛。

企业应如何安排2028年前的落地节奏

第一阶段：完成场景验证与基础能力建设

企业可以先选择一个业务价值明确、数据条件相对成熟、风险可控的场景开展验证。软件研发辅助、客户服务、知识检索、运维分析和交付文档生成，通常更适合作为初始切入点。

这一阶段应设置可核验指标，例如：

• 单个研发任务的平均处理时间；
• 测试用例生成和缺陷发现效率；
• 客服首次响应时间与人工转接率；
• 知识检索准确性和答案采纳率；
• 智能体任务完成率与人工干预比例。

企业应避免只用模型调用次数、用户访问量等表面指标评价项目。人工智能项目能否带来交付效率、服务质量或成本结构变化，才是决策层需要持续关注的结果。

第二阶段：扩大覆盖并形成产品化能力

经过验证后，企业再将成熟能力扩展到更多部门、产品线或行业客户，并逐步沉淀为标准化平台和解决方案。

这一阶段重点不只是增加场景数量，还要解决规模化带来的问题：

• 多模型和多工具如何统一管理；
• 不同客户的数据和权限如何隔离；
• 智能体输出如何纳入产品服务等级协议；
• 复杂任务失败时如何回退到人工流程；
• 交付项目如何从定制开发转向可复制产品。

对于软件供应商而言，能够沉淀行业知识、流程模板、连接器和评估体系，将比单纯集成通用模型更容易形成长期竞争力。

软件选型需要从“有没有AI”转向“能否落地”

企业采购智能编程工具、智能体平台或人工智能软件时，可以从以下维度进行评估：

业务适配性

产品是否理解企业所在行业的业务术语、流程和角色权限，能否与现有系统连接，是否支持企业自定义知识和规则。

安全与治理

需要核查数据是否用于模型训练、企业数据如何隔离、权限是否细分到角色和任务、操作是否留痕，以及是否支持输出审核和异常追踪。

集成与开放能力

平台是否提供标准接口、插件或工具调用机制，能否接入企业已有的办公、客户关系、研发管理、生产经营和数据平台。

可运营性

企业不仅要看首次部署效果，还要了解模型升级、提示词管理、知识库更新、智能体评测、成本监控和故障处理机制。

投入产出关系

采购评估应同时计算软件许可、模型调用、数据治理、系统集成、培训运维和安全建设成本，并与节省的工时、缩短的交付周期、增加的服务能力进行对照。

管理者需要提前建立三项机制

首先，建立由业务、技术、安全和采购共同参与的评估机制。人工智能项目既不是单纯的软件采购，也不是单纯的技术实验，业务目标和风险边界必须在立项阶段明确。

其次，建立分级授权和人工兜底机制。涉及合同、财务、生产控制、客户权益或敏感数据的任务，不宜直接交由智能体自动执行，应设置审批、复核和回退流程。

最后，建立持续评估机制。模型和平台能力会变化，企业需要定期检查准确性、稳定性、成本、安全事件和业务成效，避免项目上线后失去管理。

总体来看，“人工智能+软件”专项行动将软件产业的竞争重点进一步推向智能化研发、智能体应用和行业解决方案。对企业来说，政策目标提供了方向，但不会替代具体的业务设计和项目管理。2028年前，最具现实价值的路径不是盲目追逐大而全的平台，而是从真实业务痛点出发，先完成可衡量的场景验证，再将有效能力沉淀为可治理、可复制、可持续运营的软件产品。