工信部将 Token 采购提上日程，但订单并无保证

尽管预算和采购规则尚未明确，中国工业和信息化部于 2026 年 8 月 31 日将 Token 采购纳入国家政策议程。此举覆盖大模型、AI 智能体，以及用于运行生成式 AI 系统的按量计费 Token 服务。

这项政策之所以重要，在于它将关注点从构建模型转向采购可重复使用的 AI 服务。工信部希望地方政府和工业组织开放真实运营场景，支持首次采购，并分担早期部署风险。

但这项通知并非向模型开发商开出一张空白支票。它为培育应用服务商建立了框架，而实际需求仍取决于地方项目、采购公告、技术评估和客户采用情况。

因此，核心竞争并非一家模型公司与另一家模型公司的较量，而是部署能力与低价模型访问之间的竞争。中国已经拥有许多价格极具竞争力的模型，但仅靠低推理成本无法打造可靠的工业系统。

工信部究竟改变了什么

工信部推出的是面向 AI 应用服务商的国家级发展计划，而非附带资金的 Token 强制采购令。

该部于 8 月 31 日北京时间上午 10:50 发布了其服务商通知。文件日期为 8 月 27 日，文号为工信厅函〔2026〕414 号。

这一日期消除了围绕最初新闻快讯的不确定性。相关事件是一份于 8 月 31 日发布的官方部委通知，而非日期不明的演讲或媒体报道的提案。

该通知将 AI 应用服务商定义为服务客户智能化转型需求的组织。其工作可包括咨询、实施、运营和安全治理。

这一界定很重要。工信部瞄准的是能够交付可运行系统的企业，而非将支持范围限定于基础模型开发商或云基础设施所有者。

工信部计划到 2026 年底在国家资源池中汇集超过 2,000 家服务商，并将目标提高到 2027 年底至少 3,000 家。

拥有国家人工智能产业创新应用先导区的省份还面临另一项目标。到 2027 年底，每个相关省份的地方资源池中应至少拥有 100 家企业。

这些是入池目标，而非采购总额。通知并未说明主管部门将在模型、智能体或 Token 消费上投入多少资金。

它也没有点名具体模型供应商。没有任何企业获得资源池中的保证席位，文件也未提供市场份额分配方案。

相反，该计划确立了四项相互关联的任务。地方主管部门必须梳理服务商、提升其交付能力、推动规模化应用，并强化配套基础设施。

资源池任务建立了一套发现与分类机制。省级主管部门必须调查辖区内的服务商，包括在当地注册的中央国有企业，并建立企业档案。

工信部将依据相关标准，把各地区提交的信息整合为国家级资源池。该部表示将在适当时候公布这一资源池。

第二项任务聚焦供给质量。鼓励服务商组建融合模型、数据、算力及其他能力的 AI 应用服务联合体。

通知将软硬件适配、多模型协同、安全和运营合规列为实际挑战，并鼓励与可信操作系统、数据库和 AI 推理芯片集成。

第三项任务涵盖规模化应用。服务商应将高频、可复用的功能打包为模块化、标准化产品，使客户无需重建每个组件即可部署。

在这项任务中，工信部要求各地探索首购、首用和风险补偿机制，随后提出加大对大模型、智能体和 Token 服务的采购力度。

这一表述为不同的地方实施路径留出了空间。一个省份可以支持试点采购方、补偿部分早期失败风险，或组织供需对接项目。

然而，通知并未规定每个地区都必须建立同样的机制，也没有设定统一的报销比例、采购额度或申报截止日期。

第四项任务关注服务商赢得客户后所需的资源。工信部鼓励其接入国家算力枢纽和中国算力平台。

文件还建议提供算力券、共享接口、试用通道、培训基地和一线部署工程师。这些措施表明，模型访问只是企业部署的一部分。

这一结构使得该政策比其 Token 标题所暗示的内容更为实质。政府正尝试组织一个应用交付市场，而采购则充当其中一种需求侧工具。

与此同时，谨慎的措辞同样重要。工信部要求各地“探索”采购和补偿模式，并未披露已获批的全国采购预算。

这一差异应指导企业如何解读这则消息。眼下的变化是政策认可和制度组织，而非可量化的已完成订单激增。

为什么 Token 采购是政策信号

将 Token 服务明确写入政策，意味着 AI 推理被视为可采购的运营投入，而非附属于软件项目的非正式实验。

Token 是 AI 系统处理文本、代码、图像、音频或其他机器可读内容时使用的计量单位。服务商通常通过输入和输出 Token 数量对模型使用量进行计费。

采购 Token 不同于购买传统软件许可证。其消耗量会随用户活跃度、提示词长度、智能体复杂度、文档数量和重复工具调用而增长。

一个智能体在完成一项业务任务时可能消耗多次模型调用。它可能检索记录、分析文档、调用软件工具、检查自身工作并准备答案。

这种模式使预算制定变得困难。成功的部署可能大幅推高消耗量，而不可靠的智能体也可能在未产生有用结果的情况下浪费 Token。

通过将 Token 与大模型和智能体并列，工信部承认了这一运营层面的现实。该政策认识到，采用 AI 不仅需要获得模型检查点，还需要持续的推理能力。

这一信号契合中国更广泛的“人工智能+”战略。国务院的“人工智能+”政策提出，到 2027 年要推动 AI 在六个重点领域实现更广泛融合。

早先的政策为新一代智能终端和智能体设定了超过 70% 的普及率目标，同时强调科学、产业、消费、公共服务、治理和国际合作。

工信部的新计划将这一宏观方向转化为实施结构，明确了预期将模型与行业工作流连接起来的服务组织。

首购支持针对的是技术采用中的一个常见障碍。当产品缺乏运营记录、可比部署案例或既定责任规则时，买方往往会犹豫。

客户可能理解智能体的潜力，却仍拒绝首次生产环境部署。其潜在损失包括集成失败、数据泄露、工作流中断和难以预测的推理成本。

政府支持的首次使用可以提供一个参考客户。这一案例可帮助服务商向后续买家证明其交付能力。

中国已经拥有协同创新采购的正式机制。财政部的采购规则于 2024 年 6 月生效。

这些规则将符合条件的项目分为订购阶段和首购阶段。采购方可与供应商共同开展研发、分担研究风险，并采购最终成功产出的产品。

这一机制并不会自动适用于每一个 AI 项目。符合条件的项目须具备实质性技术创新，并遵循预算、评审、谈判、披露和合同程序。

工信部的通知并未明确将其 AI 计划与上述规则的每一项细节合并。但现有框架表明，首购措辞可以如何转化为实际采购流程。

风险补偿针对的是一个相关问题。客户可能因首次实施成本更高、结果不确定，而回避技术前景良好的系统。

分担部分风险可使受控部署更容易获批，也能鼓励买方测试服务商，而不将全部失败成本转嫁给单一部门。

然而，在绩效要求仍然模糊时，补偿可能产生薄弱的激励。买方可能因为损失被分担而批准项目，供应商则可能优先追求资格而非可衡量的价值。

因此，健全的计划需要结果衡量指标。这些指标可包括任务完成率、错误率、人工审核时间、正常运行时间、安全事件，以及每项完成工作流的总成本。

仅有原始消耗量并不够。采购更多 Token 容量，不能证明一个组织变得更高效或更智能。

因此，对该政策最有力的解读并非“中国将购买 Token”。而是按量计费的 AI 消费已进入工业采购的政策语汇。

这一变化可能影响供应商打包服务的方式。服务商或需将 Token 用量与明确任务、服务水平、部署支持和合规控制关联起来。

制造商关心的将不是低廉的单位价格，而是可靠的检测、维护、排程或工程工作流。公共机构同样需要明确的责任边界和审计轨迹。

模型开发商也面临类似调整。其最强的渠道可能是了解特定工厂、医院、公用事业单位或政府流程的服务合作伙伴。

这为中间服务商创造了空间，但也带来了问责问题。客户必须知道模型供应商、应用服务商、系统集成商或买方分别承担哪些运营风险。

工信部对服务商的定义，试图将交付责任置于清晰可见的位置。国家资源池可能使这些组织更容易被识别和评估。

然而，通知尚未定义通用的评分卡。它承诺依据相关标准建立资源池，但公布时间仍未确定。

在这些标准出台前，入池的商业价值仍不明确。企业不能假定进入名录就会带来合格的销售线索或采购承诺。

政策信号是真实存在的，但其经济力量取决于实施。招标文件、地方预算和消耗报告将揭示 Token 采购是否会转化为持续性需求。

真正的竞争是部署能力与低价模型访问之间的较量

中国 AI 的瓶颈正从“能否获得”转向“能否执行”，在这一阶段，集成能力和运营纪律比低 Token 单价更重要。

中国模型提供商之间的竞争，使能力强大的系统日益触手可及。企业无需自行训练基础模型，就可以测试多种通用模型和专用模型。

这种充裕供给改变了应用市场。服务商可以将不同任务路由到不同模型，在成本、延迟、语言、安全性和领域表现之间进行选择。

工信部特别将多模型协同列为一项技术挑战。这一表述表明，政策制定者并不预期由单一模型供应商满足所有工业需求。

一家务实的服务商可能会将通用语言模型与检索、专用分类器、内部数据库以及确定性的业务软件结合使用。对于敏感操作，人工审批仍可作为强制要求。

这种架构降低了对单一模型的依赖，但也增加了集成工作。服务商必须测试模型变更、监测故障、保护数据，并维护连接器。

低成本推理并不能免除这些责任。若团队衡量的是实验量而非已完成的业务成果，它甚至可能鼓励不必要的使用。

因此，竞争分野将出现在那些能够在客户环境中运营的服务商，与那些主要转售模型访问权限的服务商之间。

工信部正是出于这一原因鼓励建设一线部署工程师团队。这些工程师在客户现场工作，将 AI 系统连接到真实数据、工具、政策和员工日常流程。

这一概念类似于其他市场中以重部署为核心的企业 AI 策略。服务商通过贴近运营来赢得信任，而不是交付一个通用界面后便离场。

对于工业客户而言，这种方式可能不可或缺。工厂系统可能涉及老旧设备、隔离网络、专用数据库以及严格的停机时限。

模型的基准测试分数，几乎无法说明它能否检索到正确的维护记录。它同样无法显示，智能体能否在软件工具发生故障后恢复运行。

标准化产品包则具备相反的优势。它们通过面向众多客户中高频、必要且可复用的功能，减少定制需求。

工信部希望服务商打造符合这些特征的紧凑型产品。目标是避免将每一次部署都视作量身定制的咨询项目。

这带来了不可避免的张力。复杂客户需要深度集成，而可规模化的服务商需要可重复的产品和可预测的支持。

成功的供应商必须决定哪些层级应当标准化。模型路由、评估、权限、日志记录和工作流控制可以构成统一的平台。

行业数据结构和运营规则可能仍需本地化适配。对一切都进行定制的服务商将难以规模化，而过于僵化的产品则可能无法在真实组织中发挥作用。

全国资源池可能会加剧这一筛选过程。数千家入选服务商将争夺数量有限、具有可信度的标杆部署项目。

大型科技集团携云基础设施、模型、销售关系和广泛的合作伙伴网络入场。较小的专业服务商则可以凭借行业知识和更快的现场交付能力应对竞争。

传统软件公司同样拥有机会。它们已经掌握着员工创建订单、审核记录、管理设备或批准交易所使用的系统。

这些既有厂商可以将模型和智能体加入成熟工作流。它们的优势在于分发渠道和客户场景，而非前沿模型研究。

系统集成商也占据另一项有利位置。它们了解采购、基础设施、定制化以及漫长的实施周期，尤其是在公共部门和工业客户中。

不过，既有关系并不保证具备 AI 能力。集成商必须证明自己具备模型评估、数据治理、智能体控制和持续监测能力。

模型创业公司面临不同选择：直接销售用量、构建自己的应用，或依靠服务合作伙伴完成交付。

直销能够维持更紧密的客户关系。通过合作伙伴分销可以覆盖更多行业，但可能削弱对实施质量和客户反馈的控制。

该政策并未选定其中任何一种商业结构。其对服务商的定义足够宽泛，可以涵盖咨询机构、实施方、运营方和安全专家。

这种宽泛性支持试验，但也可能模糊比较标准。模型供应商、本地集成商和合规咨询机构，可能会以截然不同的能力进入同一个资源池。

客户需要能够反映实际职责的分类。否则，庞大的名录可能沦为目录，而不是可靠的资质认定机制。

该计划中的安全表述表明，工信部认识到了这个问题。服务商应在开发和运营的全过程中嵌入网络安全、数据安全、伦理和业务合规要求。

中国现行的生成式 AI 规则已经对面向公众提供的服务施加了义务，包括数据保护、内容控制、可靠性，以及特定情形下的安全评估要求。

企业和工业部署可能适用不同的监管情形。尽管如此，客户仍会期待服务商在试点转入生产环境前，识别出哪些义务适用。

因此，Token 采购涉及的不只是计费问题。每个用量单位都可能涉及客户数据、生成内容、模型决策以及自动化软件操作。

企业采购方必须了解提示词在哪里被处理和留存。它还需要针对个人信息、机密记录以及外部工具访问制定规则。

智能体提高了风险等级，因为它们能够采取行动，而不只是回答问题。控制不当的系统可能发送消息、修改记录，或触发运营流程。

服务商需要设置权限边界、日志记录、人工审核和恢复程序。这些要求会增加成本，简单的按 Token 对比无法反映这一点。

最佳服务包将把用量与业务层面的控制联系起来。采购方应能看到哪些工作流使用了这些容量、产生了什么结果，以及谁批准了敏感操作。

这种模式也使风险补偿更易评估。地方项目可以支持具有可衡量里程碑的明确部署，而不是补贴一笔未明确范围的推理资源池。

由此产生的竞争将奖励运营证据。服务商必须证明，其系统能够在客户的数据、安全和延迟约束下持续稳定地运行。

这正是标题背后更深层的转变：模型访问已广泛可得，而可靠的应用交付仍然稀缺且高度依赖人力。

工信部 Token 采购并不保证什么

该通知为通过需求支持开展试验创造了条件，但并不保证预算、合同、使用量或 AI 项目的成功结果。

最大的不确定性在于资金。工信部提出了服务商数量目标，但没有公布用于模型、智能体或 Token 采购的全国支出额度。

文件也没有设定最低地方投入比例。工业基础和财政条件不同的地区，可能以不同速度实施该计划。

这意味着，标题性的措辞不应被转化为收入预测。服务商无法仅凭全国资源池的目标数量计算预期订单。

到 2026 年底前，可能有超过 2,000 家企业进入资源池。入选可能带来曝光，但也可能形成一个拥挤的市场，而差异化需求有限。

时间线带来了另一重压力。通知发布时距离首个全国服务商数量截止日期仅四个月。

地方主管部门必须在这段时间内识别企业、建立档案、应用标准并提交信息。速度可能与细致的技术评估产生冲突。

快速入选流程可能更青睐于容易核实的企业资质。它未必能够反映原型构建者与拥有成熟生产经验的服务商之间的运营差异。

工信部未来的全国线上平台可能提升透明度。但通知没有给出发布日期，也未确认将公开哪些数据字段。

采购方需要的不只是公司名称。有用的档案应说明服务行业、模型依赖、安全能力、部署情况、评估结果和支持覆盖范围。

第二个不确定性涉及“增加采购”的含义。该表述可能涵盖政府直接采购、国有企业项目、对私营采购方的激励，或地区试点补贴。

这些渠道遵循不同规则。它们的预算、披露要求、评估方式和采购周期不可互换。

现有协同采购框架提供了一条可能的路径。它仍要求具备合格项目、获批预算、结构化流程和合同里程碑。

因此，“首购”不应被理解为对未经验证产品的自动性偏好。该机制旨在支持具有实质意义的创新，同时管理采购风险。

风险补偿同样需要精确设计。项目必须明确符合条件的失败情形、覆盖成本、补偿上限和证据要求。

规定不清的补偿可能掩盖需求疲弱。采购方或许会完成一项获得补贴的试点，但在支持结束后拒绝持续使用。

持续的 Token 消费是一个有用信号，尽管需要结合背景理解。更高的用量可能反映成功采用、低效提示词、重复失败，或浪费性的智能体循环。

结果指标必须与用量指标相伴。每个已解决案例、已审核合同、已完成设计任务或避免停机的成本，能提供更清晰的视角。

独立评估将十分重要，因为服务商有动力以有利方式呈现试点结果。客户应在具有代表性的数据和困难的边缘案例上测试系统。

采购团队也需要退出方案。在多年部署期间，服务商可能改变其模型、定价方式、数据处理做法或支持条款。

多模型架构可以降低锁定风险，但切换仍然代价高昂。提示词、评估体系、检索系统和工具连接器往往依赖模型行为。

因此，可移植性要求可能影响未来招标。采购方可能要求可导出的日志、已文档化的接口、模型替换测试，以及明确的数据返还程序。

安全风险仍处于核心位置。工信部要求服务商在开发、部署和运营环节中，从被动响应转向主动预防。

这段表述承认，合规不能等到智能体进入生产环境后再追加。数据边界和操作权限必须在广泛使用前就完成设计。

服务商的全国资源池身份不应取代客户尽职调查。入选可能表明其具有政策相关性，却不能证明每项服务都符合每个行业的要求。

医疗、金融、能源、制造业和公共行政各自承担不同的运营风险。一款成功的办公助手，并不能证明其已具备面向安全敏感型工业控制的准备度。

该政策也未解决模型性能问题。它鼓励与安全可靠的国产软件、数据库和推理芯片集成，但并未规定唯一的强制技术栈。

这种灵活性可以支持多样化解决方案。但它也可能增加测试工作，因为服务商必须在不同硬件、模型和客户环境中验证行为。

经济环境又增加了一项约束。工信部的软件产业数据显示，2026年前七个月，软件业营收增速快于利润增速。

软件业务收入达到8.9785万亿元，同比增长9.2%。利润总额达到1.0396万亿元，同比增长1.3%。

这些数据涵盖整个软件和信息技术服务业，而非仅限于AI供应商。不过，这一差距说明，交付经济性值得关注。

供应商可能赢得项目，却因过度定制和现场支持而损害利润率。低模型价格并不能消除高昂的工程工作成本。

因此，一个成功的国家级计划必须产出可复制的解决方案，而不只是供应商登记和补贴试点。持续性的商业使用将是更艰难的考验。

文件中关于海外拓展的表述也引入了另一项不确定性。鼓励符合条件的地区通过国际合作机制支持中国AI应用项目。

跨境部署会增加数据、本地化、合同和监管方面的复杂性。一个在国内场景获批的产品，在海外可能需要进行重大调整。

这些缺口并不意味着该政策无效。它们表明，8月31日的通知应被视为一个市场建设框架，而非已经完成的需求。

三个信号将显示该政策是否创造了真实需求

接下来的证据应来自供应商资源池规则、获得资金支持的地方采购，以及与可衡量结果挂钩的持续使用。

第一个信号是全国资源池的遴选标准。工信部表示，将依据相关标准形成资源池，并在适当时候予以发布。

这一标准将揭示政府重视什么。营收、专利、模型所有权、交付历史、安全控制和行业专业化程度，会使不同供应商群体受益。

以部署证据为核心的标准将强化政策对应用的关注。它会奖励能够在客户环境中运营系统的公司。

主要以企业资质为核心的标准则会削弱这一解读。它可能形成一个庞大的名录，却无法区分生产能力与展示质量。

资源池的类别结构同样重要。采购方需要区分模型供应商、平台厂商、集成商、领域专家、运营商和安全服务商。

公开更新程序将提供另一项有用线索。一个活跃的资源池应当吸纳新供应商、移除不活跃条目，并反映能力的重大变化。

第二个信号是获得资金支持的地方采购。应关注招标公告、首购协议、风险补偿规则、算力券和具名试点场景。

最有力的证据将包括预算来源、资格要求、里程碑和公开结果。这些细节会将国家层面的方向转化为实际采购活动。

地域分布与公告总量同样重要。拥有AI试验区的省份面临明确的供应商目标，但其产业需求差异很大。

制造业中心可能优先考虑质量检测、维护、设计和供应规划。其他地区则可能聚焦软件服务、公共管理或能源运营。

这些差异可以检验标准化产品包能否在不同客户间复制。一套在多个相似环境中成功的解决方案，比单个展示性部署提供更有力的证据。

风险补偿条款值得密切关注。要求可衡量结果和客户共同投入的计划，更有可能检验真实需求。

若计划承担大部分成本，却没有试点后的承诺，可能会暂时抬高活动量。供应商可能会优化补贴申请，而非打造可持续的产品。

招标措辞还将显示采购方购买的是原始算力，还是完整服务。仅有Token配额几乎不会对业务结果形成问责。

将算力与工作流、服务水平、评测集和安全责任相连的合同，将表明市场更趋成熟。

第三个信号是持续且与结果挂钩的使用。供应商和客户应说明，在试验及外部支持结束后，使用是否仍在继续。

原始Token总量无法回答这个问题。报告应将消耗与已完成任务、错误率、人工审核和总运营成本关联起来。

续约尤其有价值。客户在衡量结果后扩大部署，比供应商宣布又一个试点更能证明问题。

模型多样性也能提供另一项采用线索。服务供应商针对明确任务使用多种模型，表明应用层掌控着客户关系。

反之，当某一个模型发生变化时便崩溃的应用，说明集成脆弱。采购规则最终可能要求进行替代测试或连续性规划。

安全记录也会影响需求。涉及机密数据或未经授权的Agent操作的严重事件，可能会拖慢多个行业的采购。

透明的事件处理将有助于建立信任。供应商需要监控机制、明确记录的责任分工，以及限制受影响系统的清晰流程。

一线工程能力应随合同增长。如果入选供应商开始招聘部署专家，这将表明它们预期的是实际运营工作，而不只是名录资格。

未来一到三个月将提供早期证据，但不会形成完整结论。工信部必须迅速行动，才能接近其2026年底的供应商目标。

地方机构也需要时间，才能将国家层面的表述转化为合规项目。没有立即支出并不意味着失败，但缺乏采购细节的模糊公告会削弱需求论点。

对于开发者而言，这项政策更青睐可衡量的可靠性，而非演示质量。产品在进入关键工作流前，需要具备评测、权限控制、使用报告和恢复路径。

对于企业采购方而言，它提供了在不降低技术标准的前提下考察受支持试点的理由。补偿应降低采用风险，而不应取代尽职调查。

对于知识工作者而言，当Agent嵌入获批准的工作流时，实际影响才会显现。更多采购可能扩大可及性，但实用性取决于可信的信息和可问责的行动。

持久的问题不在于公共项目购买了多少Token，而在于每一个单位是否帮助供应商完成一项客户愿意再次出资的、可重复执行的任务。

关注首批公布的供应商标准、首批获得资金支持的地方合同，以及首批经验证的续约。这些信号将共同显示，工信部关于Token的表述究竟创造了一个运行中的市场，还是仅仅制造了一条政策头条。