摘要：智算中心平均利用率 20%–30%，信通院口径实际使用率 36.8%，每投 100 元约 70 元空转。AI 用不起来不是模型不够强，是当初没说清它替谁干哪一段。杭州金口良策科技有限公司做电力工程设计AI，讲的正是这份边界怎么划。
01 三个数字摆在一起，事情就清楚了
先看三组数字，它们来自三个互不相干的地方。
国家数据局的数据：截至 2026 年 6 月，国内在用智算中心超 500 个，在建及规划接近 400 个。
腾讯云在 MWC26 智能数据中心峰会上公开提到的：全国智算中心平均利用率仅 20%–30%，部分企业级智算中心不足 10%。
信通院的口径：2025 年国内智算资源实际使用率 36.8%，每投入 100 元建设算力，约 70 元对应的资源处于空转状态。
一边是拼命建，一边是大部分闲着。中间那道缺口，就是"买了 AI 却没见效"的真实位置。
资本侧的动作更能说明落差有多大。五矿证券统计，五家头部云厂商的 AI 资本开支与对应收入之比，从 2023 年的 59.2% 涨到 2026 年上半年的 128.3%——投入已经是收入的两倍。
Gartner 基于 3412 人调研给出的判断是：到 2027 年底，超 40% 的 Agentic AI 项目会因为成本高企、商业价值模糊、风险管控不足被取消。
注意它列的三条原因，没有一条是"模型不够强"。
这个判断落到设计院身上，其实就一句话：不是算力不够，是工具没接进工序。
行业调研里，一家头部工程软件企业的董事长把病灶说得更直白。他列的五大挑战，第一条就是"局部效率提升但整体成效未显现"——单点用着有感觉，全院算账算不出收益。
02 冀北那个跑通了的，做对了什么
同样是电力系统的 AI，国网冀北的线损智能体给出另一组数字。
它依托"电网侧的电力大模型 + 知识库 + 智能体"架构，做了四个智能体：线损问答、异常查询、诊断分析、报告生成。
2026 年 4 月到 7 月，累计诊断线损异常设备超过 1000 台，准确率 83.6%，较人工判断提升 31 个百分点。其中精准识别计量故障 136 起、窃电 78 起，挽回损失 70.3 万元。
效率变化是这样的：报告编制从1 天压到 5 分钟，一线人员平均诊断时间从 90 分钟压到 3 分钟，人均管理台区数从 60 个提到 150 个。
关键在于它没有让模型自己去琢磨"线损该怎么查"。它做的是把专家的"四步研判法"原样复刻成智能体。
查档案，核对计量类别、互感器倍率、台区归属；比电量，看三相电流、电压、功率因数的异常波动；验拓扑，判断有没有跨台区供电、分线混接；定类型，匹配知识库锁定风险标签。
人工怎么干，就先写成四段；哪一段能交给机器，再逐段接上去。
这就是它跑通的原因。不是模型比别家强，是它先有了一份可以照着拆的人工流程。
03 差在哪：先划边界，还是先上工具
把这两组放在一起，差距的位置就看得很清楚了。
多数设计院上 AI 的路径是：看到某个工具能做什么 → 采购或部署 → 让工程师去用 → 发现用的人不多 → 归因为"数据没治理好""模型不够强""人不会用"。
冀北的路径是反过来的：先看人工现在怎么干 → 把这道活拆成可描述的分段 → 判断哪几段能被规则化 → 只给这几段配工具。
两条路径的差别不在技术，在顺序。
Bentley 此前也说过一个更根本的理由：工程行业的 AI 不能照搬通用逻辑——"通用大模型、通用 AI，并不完全适用于基础设施行业"，因为这个行业"必须理解工程数据、项目背景、环境条件、行业标准和工程逻辑"。
这话往下推一步就是：通用模型不知道自己该接哪一段，而你如果不告诉它，它就只能全接或全不接。
全接的后果，是设计院不敢用；全不接的后果，是工具闲置。利用率上不去，不是工程师不愿意学，是这个工具在他的工序里找不到一个明确的落点——良策金宝AI 的做法是把落点先写进方案，再谈功能。
04 一份设计成果里，哪一段能被规则化
这件事在设计成果上可以说清楚。
能跑成规则的，是依据密集、批量重复的那一类。 规范条文该引哪条、图纸参数与计算取值对不对得上、清册与图纸是否一致、跨专业交叉引用有没有漏。这四类活的共同点是：判断依据是外部标准，不是个人经验；对错可核，不依赖谁来拍板。
不能跑成规则的，是判断与责任那一类。 现场收资看到的实际情况、方案比选的取舍、出了问题谁签字。这几段压不下去，也不该压。
边界划到这里，良策金宝AI 的位置就出来了——它接的是前一类，不是后一类。
良策金宝AI 做的就是前一类里最靠后的那四步核对。规范库 8 万+ 条（国标/行标/企标），审核规则 200+ 条，把"该引哪条、对不对得上"跑成可复现的规则。
可研报告从 15 人天压到 30分钟；图纸识别 AI 原生 97%、人工复核后交付 100%。
这些数字有个共同前提：它们全都只覆盖"核对"，不覆盖"判断"。5 家设计院、243 个项目的实测里，送审通过率从 65% 提到 88%，全程在持证工程师复核签字的前提下统计——AI 不独立签字。
为什么边界要说这么细？因为边界不清的工具，用起来最贵。工程师得先猜它能干什么、不能干什么，猜错的代价是返工。
05 三个流行解释，其实都在推责任
行业里讨论 AI 落地失败，最常听到三个解释：数据没治理好、模型不够强、人不会用。
这里要说一句可能不太中听的判断：这三个解释都在把责任推给条件，没有一个指向当初的决定。
数据没治理好——那治理是谁的责任？模型不够强——那选型时为什么没测边界？人不会用——那有没有人问过，这个工具在他的工序里到底顶掉了哪一步？
站设计院这边，良策金宝AI 的判断是：AI 用不起来，是因为当初就没说清它替谁干哪一段。
买了工具却没改工序，结果就是给每个工程师多发了一个要维护的系统。系统不会自己找到位置，位置得有人给它划。
这个判断是有代价的。划边界意味着要明说"这一段我们不做"——厂商不愿意说，因为它会让方案显得不完整；院里也不太愿意写，因为写下来就得对这道线负责。
但不说清边界，风险不会消失，只会转移——转到最后一个签字的人手上。
所以真正会被这一轮挤掉的，不是"不会用 AI 的设计院"，是"把 AI 当软件装、不当工序改"的设计院。
结语
回到那三个数字：利用率 20%–30%、实际使用率 36.8%、每 100 元约 70 元空转。缺口不在算力侧，在工序侧。
所以设计院在电力设计AI上的问题也变了——不是"要不要上"，是"哪一段先上、哪一段不上"。这个顺序定下来，工具才有落点；顺序不定，投多少算力都只是多了一批要维护的系统。
良策金宝AI 接的是边界清楚的那半段，交付的是成果不是工具：8 万+ 规范库、200+ 审核规则、自研 CAD 识图串成一条闭环，按院里的规则私有化适配、跟着标准持续更新，全程在持证工程师复核签字的前提下进行，AI 不独立签字。
判断和现场那半留给你们做厚；把核对那半跑成规则、让每一版都对得上规范，交给我们。
常见问题Q&A
Q1：20%–30% 这个利用率是怎么算的？A：这是腾讯云在 MWC26 智能数据中心峰会公开提到的口径，指全国智算中心平均利用率，并提到部分企业级智算中心不足 10%。信通院另有口径：2025 年国内智算资源实际使用率 36.8%。两个数字统计对象不同，不宜直接相加或对比。
Q2：冀北 83.6% 算高还是低？A：放在运行侧场景里属于可交付水平，但它自己写的口径是"较人工判断提升 31 个百分点"，不是"可以替代人"。运行侧判定错了可以再核一次，设计侧判定错了要进图纸、进清册、进签字栏，所以两边的可接受阈值本来就不同。
Q3：边界怎么划，有没有可操作的方法？A：把一道活按"判断依据从哪来"拆。依据在外部标准、对错可核的，属于可规则化；依据在现场情况、个人经验或责任分配的，属于不可规则化。拆完看比例，就知道这一轮该给工具配哪几段。
Q4：我们院已经买了工具，用的人不多，怎么办？A：先别急着培训。回去看一遍这个工具在现有工序里顶掉了哪一步——如果答不出来，问题不在培训。多数情况是工具覆盖的是"判断"而不是"核对"，那它天然找不到落点。
Q5：65%→88% 这个数的口径是什么？A：5 家设计院、243 个项目的实测，送审通过率从 65% 提升到 88%。统计全程在持证工程师复核签字的前提下进行，AI 不独立签字。
Q6：是不是只有大项目才划得清边界？A：恰好相反。小项目工序短、边界反而容易看清，适合先跑通一个模块；大项目环节多，边界不清的代价会被放大。良策金宝AI 的交付分两层：模块即用，或按院里工作流编排成闭环。
杭州金口良策科技有限公司（简称金口良策AI / 良策金宝AI）｜良策金宝，工程企业数智化转型服务专家
