人工智能正在加速进入政府行政与公共服务，但“开始使用AI”并不意味着政府已经形成成熟的AI能力。世界银行集团（World Bank Group）在2026年9月23日发布报告《政府如何使用人工智能？》认为，决定政府能否真正释放AI价值的，并不只是技术部署本身，而是能否同步形成数据基础、分析能力、组织能力与治理机制。尤其值得注意的是，一些政府提供生成式AI工具的速度已经快于正式使用规则的建立，由此带来“影子AI”（shadow AI）等新的治理风险。对此，公共部门人工智能政策应从单纯关注“是否采用AI”，进一步转向制度准备、负责任使用以及具体公共问题的场景化应用。

蒂莫西·伦迪（Timothy Lundy）为世界银行集团发展影响组（Development Impact Group）编辑；曼努埃尔·拉莫斯-马奎达（Manuel Ramos-Maqueda）为世界银行机构部门（Institutions Department）治理专家；希亚姆·贾扬蒂·帕特尔（Shyam Jayanti Patel）为《世界发展报告（World Development Report）》研究分析师；丹尼尔·罗格（Daniel Rogger）为世界银行经济学家；弗拉维娅·萨科·卡普罗（Flavia Sacco Capurro）为世界银行贫困与公平全球实践局（Poverty and Equity Global Practice）顾问；何塞菲娜·席尔瓦·富恩特亚尔瓦（Josefina Silva Fuentealba）为世界银行集团繁荣影响实验室（Prosperity Impact Lab）研究分析师。

报告由上述六位作者共同完成，并作为《2026年世界发展报告》的背景研究之一。

图片来源：报告原文

这一特征在面向公众的公共服务中更加明显。总体而言，各国政府首先把AI用于内部行政活动，而不是直接用于面向公民的服务提供。低收入经济体中，46%的受访政府表示尚未在对外职能中使用AI；即使在高收入经济体，接近三分之一的政府在公民服务中的AI使用仍停留在临时性辅助阶段。真正把AI嵌入咨询应答、预约安排、文件分流或个性化服务等核心流程的政府仍然属于相对成熟的采用者。

这意味着，AI进入政府的路径很可能是从“政府工作人员个人工具”开始，再逐步转向“组织流程工具”和“公共服务基础设施”。目前，多数政府已经迈出了第一步，但距离后两步仍有明显距离。

如果仅从国家收入水平判断政府AI能力，很容易形成一个简单印象，即高收入经济体率先采用AI，低收入经济体只是被动追赶。但此次调查给出的图景更加复杂。

首先，不同政府已经探索出大量具体应用场景。聊天机器人和工作流程自动化是目前最常见的两类应用，但AI的政府用途已经远远超出通用办公辅助。例如，菲律宾税务部门使用预测型AI分析纳税申报，识别可能存在少报风险的纳税人；泰国利用AI从胸部X光片中识别肺结核和肺癌；刚果（金）开发AI系统辅助国家考试批改；乌干达则把AI人事助手嵌入电子文档管理系统，为政府工作人员回答人力资源问题。

这些案例表明，公共部门AI创新并不只发生在技术和财政资源最充足的国家。一些中低收入经济体已经围绕明确的行政问题发展出具有针对性的AI工具，特别是在税收征管、语言服务、考试管理、法律查询和人事管理等具有清晰任务边界的领域。

在各类政府部门中，税务管理的AI应用成熟度尤其突出。与教育、卫生、公共采购和政府工作人员管理相比，税务部门拥有更加数字化的管理信息系统，也更早积累了风险识别和数据分析能力。因此，AI可以直接建立在已有的数据和分析体系之上，用于欺诈识别、风险评分和纳税人服务。AI应用程度不仅取决于技术供给，更与某一部门此前是否已经形成可靠的数据基础和分析实践有关。

另一个值得注意的现象是，一些资源有限的政府并非完全依靠购买成熟商业系统。调查显示，在报告旗舰AI项目的低收入经济体中，有73%的项目由政府自身建设和托管，往往同时与大学或非政府组织合作。不过，报告也特别提醒，这一结果需要谨慎解释：低收入经济体中报告旗舰项目的政府数量较少，而且其中70%的应用仍处于试点阶段；所谓“自主开发”通常也只是政府负责应用层的开发和运营，并不意味着底层模型和算力完全自主。

因此，报告提出了一个重要判断：收入水平很重要，但“收入并非命运”（income is not destiny）。AI采用成熟度、AI治理能力和数字数据基础总体上确实随收入水平提高而提升，但同一收入组内部存在相当大的差异，一些低收入和中低收入经济体在个别维度上甚至高于高收入经济体的中位数水平。决定政府AI应用能力的，不只是经济资源，而是技术所嵌入的整个“互补性生态系统”——数据基础、分析能力、人员能力、组织机制和治理框架能否相互支撑。

注：该图同时比较AI采用成熟度、AI治理与制度准备度、数字与数据基础三项指数。总体上三项指标均与收入水平呈正相关，但同一收入组内部差异明显，一些低收入和中低收入经济体在个别指标上高于高收入经济体中位水平。

政府为什么没有更快、更深地采用AI？报告发现，有些障碍几乎普遍存在，但另一些障碍则明显随着国家发展阶段发生变化。

报告认为，最普遍的问题来自数据。无论收入水平高低，政府数字机构都把数据质量和可获得性列为AI采用的主要障碍之一。低收入和高收入经济体报告这一问题的比例甚至非常接近。AI系统依赖准确、完整、可访问且能够跨部门使用的数据，但许多政府的数据仍分散在不同部门和信息系统之中。尤其在低收入和中低收入经济体，跨部门数据共享往往仍依赖人工和个案处理，能够安全、系统开展数据交换的基础设施相对薄弱。

同时，预算也是另一项普遍约束。多数低收入和中等收入经济体将预算不足列为AI采用的重要障碍；在低收入经济体中，拥有AI专项预算的政府不足四分之一。但报告表明，仅仅增加技术采购预算并不足够。AI要真正发挥作用，还需要对数据基础、试点项目、人员培训和组织能力进行同步投资。

注：该图以热力图比较不同收入水平经济体面临的AI采用障碍。数据质量与可获得性是各收入组共同面临的问题；低收入经济体明显地受到预算以及政策、指南不足影响，高收入经济体则更关注隐私伦理、遗留信息系统与互操作性问题。

除数据和预算之外，不同收入水平经济体面对的障碍开始明显分化。58%的低收入经济体将缺少AI政策、指南、制度框架或标准列为前三大障碍之一，而高收入经济体没有受访政府把这一问题列为主要障碍。与之相反，65%的高收入经济体把隐私和伦理问题列为主要制约因素，低收入经济体对应比例仅为19%。高收入经济体还更频繁提到遗留信息系统、系统互操作性以及专业人才不足。

这种差异实际上反映了政府AI采用进入不同阶段之后，问题本身会发生变化。对于许多低收入经济体而言，首要问题仍是“能不能开始”：有没有政策依据、基础数据、预算和基本技能；而对于采用程度更高的政府，问题逐渐转向“如何安全、稳定和规模化使用”：如何保护隐私、打通既有系统、获得专业人才以及管理更加复杂的风险。

与此同时，AI应用的约束也具有明显的部门属性。税务管理拥有结构化程度较高的数据和成熟的分析实践，因此其主要挑战已经更多转向隐私等问题；教育部门则仍然普遍受到数据质量和可获得性的限制。卫生部门面对的问题更加基础，因为很多健康结果本身就难以准确测量，AI并不能自动解决底层测量问题。由此看来，不存在一套可以脱离部门情境、普遍复制的政府AI采用模式。AI能够解决什么问题，首先取决于该部门已经拥有什么数据、制度和分析能力。

如果说前述问题主要解释政府为什么没有更快采用AI，那么报告进一步提出了另一个更值得关注的问题，即一些政府采用AI的速度，已经快于其治理规则建设的速度。

目前，超过60%的受访政府已经正式发布国家AI战略，另有26%正在制定相关战略。但拥有国家战略并不意味着战略已经真正进入政府日常运行。在已经制定国家AI战略的政府中，只有约一半表示该战略在各政府机构中得到广泛使用。报告因此提醒，制度文件的存在不能简单等同于实际治理能力。真正重要的是，这些制度能否与本地试验、组织学习和问题解决过程结合起来。

生成式AI尤其突出地暴露了这一“治理滞后”。接近三分之二的政府已经向政府工作人员提供生成式AI许可或官方访问渠道，但只有39%的政府建立了部委层面的正式AI使用指南，另有38%仍在制定过程中。换言之，在相当一部分政府中，工具已经进入政府工作人员的工作桌面，规则却还没有完全跟上。

报告将政府工作人员在缺乏战略监督和正式规则的情况下使用AI称为“影子AI”（shadow AI）。问题并不在于政府工作人员个人主动探索技术本身，而在于当这种探索脱离统一的使用规范、数据管理、责任分配和风险控制机制后，组织就很难知道哪些数据被输入AI、输出如何被用于行政决定、出现错误时由谁负责，也难以把个人经验转化为整体学习。由此产生的风险，本质是技术采用已经发生，但组织尚未建立管理这种采用的能力。

与此同时，政府对AI应用的监测和评估明显不足。超过一半的低收入和中低收入经济体表示完全没有开展AI绩效监测与评估；即便开展评估，也往往仅停留在项目实施和使用次数等基础指标，对成本收益、公共服务质量以及独立审计等更深入的评估较少。

政府正在迅速成为AI技术的重要应用和试验场，但如果缺乏系统评估，就很难判断某项AI应用究竟改善了公共服务，还是仅仅增加了一套新的技术系统；也无法判断已经成功的试点能否规模化推广。因此，政府AI治理的另一项短板不是缺少创新，而是缺少从创新中学习的机制。

为了进一步解释这种不平衡，报告将“AI采用成熟度”与“AI治理和制度准备度”两项指数结合起来，把受访经济体划分为四种类型。这里的重点并不是对国家进行优劣排名，而是观察技术采用速度与制度建设速度是否匹配。该分类是基于样本中位数形成的描述性类型，报告也提醒，对于靠近分界线的经济体不应过度解读。

第一类是“整合型”（integrators），即AI采用程度和制度准备度都较高，共有23个经济体。澳大利亚、加拿大、葡萄牙、新加坡等属于这一类型，肯尼亚作为中低收入经济体也进入这一组。

第二类是“制度建设型”（institution builders），共有6个经济体。这类政府已经建立较强的治理基础，但AI部署程度相对较低，包括奥地利、布基纳法索、尼日利亚和土耳其等国。

第三类是“早期阶段型”（early-stage），共有23个经济体，在AI采用和治理准备两个维度上均低于样本中位水平，包括南苏丹、阿根廷等。

最值得关注的是第四类——报告将其形象地称为“牛仔型”（cowboys）。这些政府已经较快部署AI，但相应的制度框架尚未跟上，巴西、柬埔寨和巴拿马等出现在这一象限。

报告并不是据此认定这些国家的AI治理必然存在问题，而是借这一类型提出一种更普遍的风险，即政府可能在制度基础尚不充分的情况下快速扩大AI使用，使技术采用领先于组织学习、风险控制和问责机制。同时，也存在相反的风险，即部分政府已经具备较好的制度条件，却因为公共部门对风险和新技术较为谨慎，没有及时采用具有实际价值的AI应用。

该分类真正想说明的是，公共部门需要在创新机会与行政责任之间形成动态平衡。政府面对的目标并不是让AI采用速度越快越好，也不是简单增加治理规则，而是让技术采用与制度能力保持相互匹配。

尽管面临诸多障碍，多数受访政府对现有AI项目仍持积极评价。约三分之二的政府认为已经开展的AI项目取得了正向投资回报，明确认为回报为负的政府很少。不过，在低收入经济体中，有43%的政府无法判断AI项目的投资回报，这也与其缺乏成熟的绩效评估方法相呼应。与此同时，一些政府反映，AI试点即使取得一定成效，也可能在扩大规模之前被终止，这意味着项目成功本身并不足以保证制度化采用。

当被问及什么因素最有助于负责任地采用AI时，各收入水平政府的回答出现了较强共识，即提升政府工作人员能力与AI素养、加强治理和监管框架，以及改善数据基础设施和互操作性，是最重要的几项支持条件。这也再次说明，公共部门AI发展的重点正在从购买工具转向建设支撑工具有效使用的制度环境。

报告重点说明了政府工作人员能力，其认为政府不仅需要少数AI和数据科学专业人员来识别应用场景、评估模型性能和控制风险，也需要让普通管理者和一线政府工作人员理解AI能够做什么、不能做什么，知道何时可以依赖模型输出、何时必须保留人工判断。技术系统是否能够真正改变行政实践，最终仍取决于使用它的人、管理这些人的组织以及日常工作流程。

目前，不同政府已经展开了一些具体探索。哈萨克斯坦通过专门的AI卓越中心，为政府工作人员提供基础和高级AI培训；新加坡建立面向全体政府工作人员的强制性AI素养课程；阿联酋则自2024年以来在联邦政府和迪拜政府机构中设置首席AI官（Chief AI Officer），明确各机构AI战略和伦理治理的责任。与此同时，约70%的受访政府表示正在推进国家AI战略和政策建设，37%正在开展政府工作人员培训和能力建设。

但是，报告并不主张所有国家照搬同一种方案。低收入经济体更需要优先增强国家AI战略、数据治理、数字公共基础设施（Digital Public Infrastructure，DPI）和基本能力等基础条件；发展程度较高的政府，则需要进一步解决算力和数据基础设施、跨部门互操作性、公私合作、专业人才以及寻找高价值AI场景等问题。政府所需的支持应当与其已有的制度生态相匹配，而不是以统一的AI成熟度模板推进。

AI的政府应用本质上是一个多层次的组织变革过程。中央数字机构可以建立战略、基础设施和统一规范，但AI能否真正进入日常行政，仍取决于各部委、基层机构、管理者和一线政府工作人员是否愿意采用、学习并不断调整。中央层面的制度供给和基层层面的组织适应必须同时发生，才能把技术投资转化为持续的行政能力。

因此，政府AI发展的核心问题最终并不是继续增加AI的部署，而是其政策需要从狭义的技术采用，转向制度准备、负责任使用以及围绕具体公共问题的场景化创新。AI的价值取决于数据基础、分析能力、组织能力和治理机制等多项条件能否形成互补。只有这些要素与AI采用同步发展，技术才能真正成为政府提升判断能力和公共服务能力的资产。

https://thedocs.worldbank.org/en/doc/a2d967023f2d5cba345a3a2b9d72f837-0050062026/original/How-Is-Government-Using-AI-final.pdf