10 月 16 日，国务院常务会议听取"人工智能+"行动进展情况汇报。会议在强调技术攻关、算法创新、算电协同与高质量数据供给的同时，特别提出，要立足我国产业体系完备、应用场景丰富、工程化能力强的优势，以落地应用牵引技术创新，并通过供需衔接、联合研发、中试验证和场景培育，推动人工智能技术更好地转化为现实生产力。

这意味着，国家推动人工智能发展的着力点，正在从技术能力建设进一步延伸到产业价值创造。

事实上，这一方向并非突然出现。

今年 4 月，工业和信息化部、国家数据局联合印发《关于联合实施 2026 年「模数共振」行动的通知》，明确提出到 2026 年底，基本形成「数据—模型—场景应用」良性互促的循环，推动人工智能高水平赋能新型工业化。

相比单纯鼓励模型研发，这一政策设计更值得注意的，是将数据、模型与应用场景放在同一个技术创新体系之中：利用行业数据形成模型能力，通过专业模型解决真实业务问题，再让场景应用产生新的反馈，反过来推动数据治理与模型能力持续优化。

场景不再只是技术研发完成之后的商业化终点，而开始成为技术创新的重要起点。

这一变化，也为观察中国 AI 企业提供了新的坐标。

在企业服务领域长期深耕财税数字化的百望股份，正在探索一条与这一方向高度契合的路径：依托真实交易数据和财税专业积累，推进财税垂直大模型建设，通过数字员工、专业 Skills 与开放平台生态，让 AI 持续进入企业实际经营流程。

从数据积累到模型建设，再到场景应用，百望股份的 AI-Native 转型，提供了一个观察中国专业领域 AI 如何实现产业落地的现实样本。

政策为什么反复强调应用？

对于企业而言，模型是否足够先进，并不等于业务问题能够得到解决。

一家制造企业更关心的是生产效率能否提升，一家医疗机构关心的是专业判断能否得到可靠辅助，而一家企业的财务和税务负责人，则需要知道 AI 能否准确理解交易背景、识别潜在风险，并在合规要求下完成专业任务。

这正是国务院强调「应用牵引」的产业逻辑。

中国拥有完整的产业体系、庞大的企业数量和丰富的业务场景。这些场景不仅构成 AI 应用市场，还能够不断向模型提供专业问题、真实数据和运行反馈，推动技术迭代。

从技术上看，数据决定模型能够接触怎样的专业世界，模型决定这些数据能被转化成怎样的理解和执行能力，场景则检验这些能力是否真正有效。

对于中国 AI 产业而言，这意味着一种新的竞争方式：企业不一定需要拥有全球参数规模最大的模型，但需要能够把自己的行业资源、专业知识与应用场景转化成持续积累的智能能力。这也正是财税等专业服务领域值得重新审视的原因。

从真实交易数据出发

与消费级 AI 不同，财税 AI 面对的是高度专业化、规则复杂且对结果准确性要求很高的企业经营场景。

通用大模型可以解释增值税政策，但一家企业真正需要的，是 AI 能够结合具体合同、订单、发票、资金流和适用规则，判断一笔交易是否存在税务或合规风险。

这两种能力之间，存在明显差距。

百望股份长期服务企业发票、财税及交易数字化业务，正是在这些领域形成了自身的产业基础。

根据百望股份此前披露的信息，公司累计处理发票 260.5 亿张，涉及交易总额 1088 万亿元，这些数字反映的，不仅是业务处理规模，更是百望长期接触真实商业活动的场景广度。

当然，接触大量交易数据并不意味着可以不受限制地用于模型训练。客户数据权属、使用授权、隐私保护与安全治理，是产业数据转化为模型能力必须遵守的前提。

百望真正需要建立的优势，是在合规治理基础上，将真实业务数据、财税专业知识、政策规则和业务关系转化成可信、可评估的模型能力。

这也是百望推进财税垂直大模型的重要逻辑。

王强宇出任百望股份联席总经理后，进一步强调企业应形成基于自身专业数据的模型能力，而不只是依赖外部通用模型和智能体。

在他看来，AI-Native 企业不仅需要模型，还应具备人机协作体系，以及通过业务反馈推动模型持续迭代的能力。

百望正沿着这一方向推进财税垂直大模型研发，目标是使 AI 不仅能够理解财税知识，还能在专业规则与真实交易信息的支撑下，逐步理解企业经营事实。

从传统发票数字化工具，到财税垂直大模型，再到连接交易、财税、信用、风险和经营决策，百望希望完成的，是从记录企业经营信息向理解经营信息的转变。

这一方向与「模数共振」所强调的数据和模型协同创新具有相通之处，也为百望后续AI产品的持续演进提供了技术基础。

50 万数字员工进入真实业务场景

但只有数据和模型，还不足以证明一家企业具备完整的 AI 产业化能力。

按照「数据—模型—场景应用」的逻辑，真正关键的一环，是模型能力能否进入企业业务流程，帮助用户完成实际任务，并形成可以持续验证和优化的应用体系。

这恰好是百望股份此前已经开始探索的方向。

2026 年 6 月，百望股份对外披露，上半年已成功交付超过 50 万名数字员工，付费客户数量同比增长。这一规模化进展表明，企业财税 AI 的应用正逐步从概念验证进入实际使用阶段。

与传统财税软件主要依靠用户操作功能菜单不同，数字员工将部分专业能力组织为可以独立调用、协同执行的业务任务。

例如，在日常财税管理中，企业员工可能需要核验发票真实性、查询交易伙伴信息、识别潜在经营风险，或者根据具体交易情况判断适用的财税规则。过去，这些工作通常需要人员在多个系统之间切换，分别查询数据、理解规则并作出判断。

通过专业智能体与 Skills 的结合，百望尝试将这些任务转化成可调用、可执行的标准化服务，让 AI 在明确的业务范围和权限约束下参与工作。

50 万数字员工的意义，不应仅仅理解为一个产品规模指标。

它更重要的价值，在于为专业 AI 提供了大量实际业务入口，让技术能够面对复杂、多样且高频的企业任务，也为后续模型研发、产品迭代和专业评测积累应用经验。

当然，数字员工交付规模并不直接等同于持续活跃规模，也不能证明相关业务已经全部形成自动化闭环。真正衡量应用质量，仍然需要考察任务完成率、处理准确性、客户使用频率和实际业务效益。

但从产业化路径来看，百望已经具备一个重要基础：不仅拥有财税专业能力，还在不断探索如何将这些能力转化成企业可以直接使用的 AI 服务。

更值得注意的是，百望并没有将所有应用局限在自己的产品体系之内。

今年 6 月，百望智能发票专家团正式进入腾讯 WorkBuddy 生态，将发票管理、交易伙伴识别、供应链风控和财税合规等专业能力封装成 Skills，使企业用户能够在已有智能办公平台中调用相关服务。

10 月 14 日，百望股份又联合国机数字科技有限公司，将智能发票专家团上线巧工智能体系统，进一步将财税 AI 能力延伸到工业制造企业的业务环境。

这些合作反映了一种值得关注的 AI 应用方式：专业能力提供者不必独立建设所有用户入口，而可以通过开放平台，将垂直领域的能力嵌入更广泛的企业办公和行业场景。

对于百望而言，这种模式既能够扩大专业 AI 的应用范围，也使其有机会接触不同规模、不同行业客户的真实需求，推动标准化财税能力向更多业务环境延伸。

它与政策强调的供需衔接、场景培育和可复制应用形成了呼应。

从数据到模型再到场景，建立持续进化的能力

如果将百望股份目前的布局放在同一个框架中观察，可以看到一条逐步清晰的技术与业务演进路径。

在数据端，依托长期积累的发票、财税和交易数字化业务，百望拥有真实业务场景与专业知识基础；在模型端，公司正推进财税垂直大模型研发，希望将数据、知识和规则进一步转化为专业智能；在应用端，超过 50 万数字员工的交付，以及 WorkBuddy、巧工等平台合作，则为专业 AI 进入实际经营流程提供了具体载体。

这三个环节并不是彼此独立的业务布局，而是有机会形成相互促进的能力体系。

真实场景提出需求，专业数据与知识支撑模型，模型通过数字员工和 Skills 进入业务，应用过程中的评测结果与合规反馈，再推动模型和产品持续优化。

这也是「数据—模型—场景应用」良性互促循环最值得产业界关注的内涵。

对于行业而言，这条路径的参考意义同样值得重视。

中国拥有大量长期深耕细分领域的企业，它们未必能够参与全球基础大模型的正面竞争，却拥有独特的行业知识、业务数据、客户关系和应用经验。

如果这些资源能够通过专业模型和应用体系转化为持续积累的智能能力，就可能形成不同于通用大模型公司的竞争优势。

这或许也是国家持续强调「应用牵引技术创新」的深层逻辑：中国 AI 的发展，不仅需要不断提高通用智能的技术上限，更需要依托完整的产业体系，让专业智能深入千行百业，并在真实应用中持续进化。

从这个角度看，百望股份的财税 AI 实践所呈现的，不仅是一家企业的战略转型，也是一条中国 AI 产业从技术创新走向产业价值创造的可观察路径。

来源：互联网