摘要：本文立足国家发展改革委等八部门联合印发的《关于加快招标投标领域人工智能推广应用的实施意见》新要求，分析央国企招投标领域人工智能推广应用现状，深入解析招标文件检测、智能辅助评标、围串标识别等重点应用场景典型问题并提出解决路径，展望“人工智能+”招投标的未来发展，助力央国企落实195号文要求，促进招标投标市场规范健康发展。

关键词：人工智能；招标文件检测；辅助评标；围串标识别

一、引言

自2024年以来，“人工智能+”已经连续三年被写入政府工作报告。2026年政府工作报告更是首次提出要“打造智能经济新形态”，以人工智能为核心引擎，驱动生产、分配、交换、消费等环节全面升级；报告还明确提出要“深化拓展‘人工智能+’”，将其作为推动经济高质量发展的核心战略之一。在政策法规方面，近年来，国务院《关于深入实施“人工智能+”行动的意见》、国家发展改革委等八部门《关于加快招标投标领域人工智能推广应用的实施意见》（发改法规〔2026〕195号，以下简称195号文）等一系列人工智能相关文件密集发布，加快推动人工智能推广应用已经成为央国企发挥功能使命，抢抓战略机遇，培育新质生产力，推进高质量发展的必然要求。

二、央国企招投标领域人工智能推广应用现状

当前人工智能从“感知智能”向“认知智能”乃至“决策智能”跃进，“AI智能体”迈入规模化落地阶段，成为人工智能技术研究与产业应用相链接的主导角色，市场呈现爆发式增长。‌2025年，我国人工智能核心产业规模据估算已突破1.2万亿元，企业数量超6000家‌。

在招投标领域，广大央国企积极响应国家政策导向，在“人工智能+”行动中走在前列，率先开展试点应用，并形成了许多具有示范效应的实践模式。如国家电网聚焦电力供应链在招标采购、仓储配送等关键环节中存在的突出问题与现实挑战，围绕全链智能管控、合规风险保障、全息透明运行等核心技术特征和管理要求，创新构建电力行业光明大模型，系统开展能源电力供应链专业元素增强训练和全参数微调，在招标采购环节打造多种智能体，支撑公司万亿级交易规模。中国铁建针对平台采购全流程信息处理低效、决策薄弱、风控滞后等痛点，构建“国有大模型+五维规则库+采购智能体”技术架构，部署11个智能节点贯穿全链路，通过招投标文件五维规则检查、动态风控引擎实时预警围串标等功能实现效率跃升、风险可控、决策升级与生态协同的突破。中国移动针对传统开评标过程中流程标准化程度不足、评审过程合规监督耗时耗力、评审现场合规问题咨询缺乏权威问答等痛点，开发“开评标现场合规数智人”，实现评标流程指引、现场合规问答、评审现场行为言论智能捕捉等功能，推动评标流程与评标现场管理自动化、智能化转型，确保评标过程的效率和规范性，提高评审环节的透明度和公正性，成为提升企业评标现场合规管理有力抓手。

据统计，2025年央国企招标投标领域人工智能应用覆盖率达到38%，较2024年全年提升15个百分点；其中，招标文件智能编写、辅助评标、围串标识别三大场景的应用覆盖率分别为42%、39%、35%，较2024年分别提升18%、16%和14%。采用AI采购系统的企业采购效率提升超30%，采购周期缩短50%以上，不仅实现“降本增效”，更增强了企业供应链在复杂环境下的韧性与响应能力。

三、央国企招投标领域人工智能推广应用共性问题分场景解析

195号文对推进人工智能在招投标领域的应用分两个阶段设定了目标，其中招标文件检测、智能辅助评标、围串标识别三项被列为第一阶段重点应用场景，要求在2026年底前实现部分省市全覆盖应用。本章将人工智能推广应用共性问题融入具体业务场景进行深入解析。

（一）招标文件检测场景：AI智能体开发受限于数据安全刚性约束

央国企的业务性质决定了其招投标工作具有极高的信息敏感性，常涉及企业核心战略、商业秘密乃至国家经济安全。招标文件正是这些敏感信息的集中载体。在招标文件检测中引入人工智能检测时必须严格遵守数据使用的保密、合规等要求，因此其AI智能体的开发普遍采用本地化部署模式。这种对数据安全的刚性约束导致了AI智能体开发落入“资源孤岛”。

众所周知，AI智能体强大的功能更多来自于足够的算力支持和数据训练。相较于AI头部企业通过公网海量数据、分布式算力集群以及庞大算法工程师团队持续迭代出的通用大模型，央国企内部本地化部署的AI智能体在训练数据的量级、算力的扩展能力以及专业技术支持人员的配置上均存在指数级差距。这种差距直接体现在本地化模型往往在处理复杂语义理解、生成内容的丰富度以及多轮交互的流畅性等方面与公网AI智能体差距明显，如长文档解析、向量检索等能力显著落后，“AI幻觉”显著增加（“AI幻觉”是指大模型因训练数据受限等原因，生成的内容看似合理、流畅，但实际与事实不符、偏离用户指令或上下文逻辑甚至完全虚构的现象）。而专网使用、数据分区分域管理等安全要求会进一步加大AI智能体工程化的复杂度，开发周期同步上升。在如今人工智能技术飞速发展的时代背景下，企业投入大量人力、物力、财力开发的AI智能体甚至可能与公网AI智能体功能出现代际差，陷入“开发完成即淘汰”的窘境。

（二）智能辅助评标场景：AI智能体在执行高精准工作要求时有明显缺陷

首先，评标业务的开展与各行业法律法规和企业管理制度的约束高度相关，对条款选取的准确性、文字表述的严密性以及数据处理的精确度要求复杂而苛刻，然而当前主流AI大模型基于概率生成内容的本质特性与评标所需的精准执行之间存在根本性的冲突。当前AI智能体在评标工作中仅能遵循若干简单、标准且固定的逻辑进行判断，难以高标准执行跨专业、多项条款要求交叉出现的复杂工作要求，容易在逻辑推演和细节处理上出现偏差。

其次，评标业务应用场景细分差异极大。工程、物资和服务的招标投标文件要素差异显著，不同评标内容在结构、颗粒度与抽取逻辑上完全不同。而招标组织方式不同（公开招标、邀请招标、竞争性谈判、询价、单一来源等）则流程节点、判定规则与所需证据链各异。这要求AI智能体的评标能力随流程切换稳定适配，否则容易在不同品类间出现效果波动。实际应用中，经常出现AI智能体在试点业务领域实施取得良好效果，但在规模化复制和推广时效果衰减甚至失败的情况。

此外，“AI幻觉”会导致业务人员不得不投入大量的精力对AI智能体的判断结果进行详尽的准确性复核与来源追溯，导致后期人工修订和审核工作量陡增，抵消前期AI智能体生成内容对工作效率的提升效果。

（三）围串标识别场景：数据治理成本高于AI带来的直接受益

围串标识别依赖多维数据碰撞。要发现主体关系、投标行为和中标概率异常等隐蔽性问题，需要对企业长期招投标活动中积累的海量文档和数据进行深度搜索，通过技术方案语义相似性分析、商务标关键报价特征比对等，挖掘疑似围串标线索。由于各企业、各部门乃至不同时期的信息化建设标准不一，历史数据呈现出典型的多源、异构、多模特征。数据格式千差万别，不仅包括结构化的Excel表格，更有大量非结构化的PDF扫描件、图片、手写批注的文档等。这些数据在作为AI智能体训练的基础语料前，需要进行标注、清洗和归一化处理。而数据标准的不统一，如项目名称的简称与全称混用、关键指标的定义不一致，进一步加剧了数据清洗的复杂度。当前各企业没有成熟高效且适用性强的数据清洗工具，需要付出高昂的时间和人力成本，导致数据治理成本甚至高于AI智能体的开发成本，成为制约AI智能体开发的另一个瓶颈问题。

结合195号文提出的实施要求，本文从技术、业务、政策三个维度针对前述共性问题提出解决路径，为央国企进一步推动招投标领域人工智能推广应用提供策略参考。

（一）技术维度：构建安全可控、高效协同的智能应用底座

1.探索AI智能体混合部署范式，破解数据安全与功能受限两难困境

以‌知识蒸馏‌（Knowledge Distillation）与‌联邦微调‌（Federated Fine-tuning）为核心技术路径，探索AI智能体的“公网+本地”混合部署范式，在保障敏感数据不出域的前提下，实现公网大模型能力的本地化迁移，缩小本地化模型与先进通用模型的能力差距。

如构建三层技术架构。第一层为公网能力层，对接国内主流大模型服务商的API接口，承担通用知识推理、自然语言理解、文本生成等基础能力供给，该层数据交互仅限于脱敏后的通用语料和任务指令，不涉及企业核心招投标数据。第二层为安全隔离层，部署数据脱敏网关、隐私计算节点和模型蒸馏引擎，对公网返回的中间结果进行本地化加工处理，通过差分隐私、同态加密等技术手段确保原始数据不出域。第三层为本地应用层，基于蒸馏后的轻量化模型和联邦微调形成的领域专用模型，承载招标文件编制、智能辅助评标、围串标识别等核心业务场景，该层模型参数规模可根据硬件条件灵活配置，在满足实时响应需求的同时保持对企业内部知识的深度理解，提高对高精准工作要求的执行效果。

同时，建立模型能力持续迭代机制，定期将本地化模型与公网先进模型的性能基准进行对标测试，通过持续的联邦微调缩小能力差距，避免陷入“开发完成即淘汰”的窘境。

2.强化数据治理能力，打造高复用型数据底座

将数据治理提升至与AI智能体开发同等战略地位，用AI赋能数据治理。采用文档智能解析技术自动提取PDF、图片等非结构化文档关键信息，通过实体识别、关系抽取技术建立数据关联，降低人工标注成本。考察市场上相对成熟可靠的数据清洗工具，结合企业实际情况适时引入，推动数据清洗从“劳动密集型”向“智能决策型”跃迁。

同时在企业内部建立数据标准动态维护体系。从新建项目开始严格执行统一的数据标准与接口规范，避免历史问题重复累积，对新产生的数据实行“源头治理”，生成企业高复用型数据底座，降低未来智能体迭代后的数据治理成本，从而从整体上降低整个企业的数据治理成本。

（二）业务维度：推动业务与技术深度融合，实现价值闭环

1.集团化统筹AI智能体开发，形成规模化应用优势

大型央国企总部应做好“人工智能+”的统筹与规划，一方面联合外部同类型企业建立协作关系，另一方面连通企业内部各职能业务条线统一需求，打破企业和部门数据壁垒，实现“统一规划、集约开发、协同应用”。通过规模化资源投入、集约化数据训练、敏捷化功能开发，减少重复建设，合力建设规模更大、功能更强的AI智能体。

2.强化业务人员参与开发全过程，提升AI智能体训练质量

改变传统“业务提需求、开发实现”模式，将业务专家深度融入AI训练全过程。业务人员需将招标投标业务逻辑、经验规则转化为结构化训练数据，使AI智能体能够真正理解业务场景，大幅减少所需训练数据量，提高模型精准度。

3.实施“数据资产化”工程，夯实AI训练基础

在企业内部制定招标投标数据资产专项规划，从战略高度重新审视数据资产的价值定位。按照“急用先行、分步实施”原则推进数据治理工作，采用“场景驱动”而非“全量治理”的务实路径。优先围绕195号文明确的招标文件检测、智能辅助评标、围串标识别三大重点场景梳理所需的核心数据字段与关联关系，集中资源进行针对性治理，避免陷入“为治理而治理”的泥潭，为AI智能体提供针对性更强、质量更高的训练数据。如针对围串标识别场景，重点治理供应商工商信息、投标IP地址、文件制作机器码、历史投标行为等关键数据；针对辅助评标场景，重点构建评标标准知识库、历史评分数据、专家评标意见等结构化数据集。

（三）政策维度解决路径

1.建立行业数据共享机制，实现资源的行业化复用

由行业协会牵头，组织同行业央国企建立数据共享联盟，制定数据共享与使用规范性文件，明确数据分级分类标准、共享范围、使用边界和安全要求。通过建立行业数据池，为AI智能体训练提供更大体量、更高质量的数据资源。

2.构建统一标准体系，促进AI生态健康发展

联合央国企、技术厂商共同编制招标投标人工智能应用技术相关标准文件，统一数据治理标准、模型评估标准、安全防护标准。统一解决招标投标领域数据跨企业共享使用时格式不统一、模型能力评估不客观、安全边界不清晰等问题。未来还可推动上下游企业间、行业间的数据标准互认，为后续更大范围的AI应用生态构建奠定基础。

招投标业务是供应链管理中的重要一环，“人工智能+”推广应用将为央国企提高供应链韧性与柔性提供越来越大的帮助，为企业应对经济全球化受阻、贸易保护主义抬头及全球治理体系变革等复杂形势提供助力。作为国家经济建设的主力军，央国企也有责任和义务系统性推进招标投标业务与人工智能深度融合，为构建公平高效、规范透明的招标投标市场提供坚实支撑。

最后，必须引起高度关注的是：人工智能与央国企业务的融合，对企业数据资产的保护工作提出了前所未有的高要求。过去企业的知识产权和数据资产存在于庞大的档案库里和员工的头脑中，分散在各种不同载体和格式的文件中，即便发生一次泄密事件，也很难导致企业商业秘密的全部流失。但为了推进人工智能与业务融合，企业的数据资产被清洗为标准化易读取的数据、知识产权被传递给AI智能体学习，一旦疏于对数据资产的保护，一个u盘的插拔或者一个读取权限的放开，就有可能导致一个企业的商业秘密被全部窃取。因此，对数据资产的保护工作必须得到每一个企业的高度重视。