日本地方政府正在测试一件事:1,050个自治体、约55万名公务员,能不能共用同一套AI知识库,而不是各自买各自的系统。做这件事的公司是Polimill,工具叫QommonsAI,底层用OpenAI的GPT模型和Codex。
这些数字来自OpenAI与Polimill联合发布的客户案例,不是独立第三方审计。但规模本身已经能说明问题:这不是某个部门的办公软件升级,而是一次关于地方政府能否共享AI基础设施的大规模试验。它的上限不取决于模型多强,取决于数据能不能标准化、权限能不能审计清楚,以及老公务员脑子里的经验能不能被写下来。
从各自采购到统一知识库:QommonsAI怎么覆盖1050个自治体
QommonsAI于2024年10月上线,覆盖议会答询、社会福利、法律检索等场景。Polimill的起点不是这个产品,是Surfvote——一个让市民参与公共讨论的平台。
团队做Surfvote时发现,公务员被日常事务缠住,根本没时间消化市民意见。想让公民参与真正起效,得先让政府内部转得快一点。
日本地方政府过去的常规做法是各自采购、各自维护。议事录、福利政策、法律解释散落在互不联通的系统里。Polimill先做的不是调模型,是把全国议会记录标准化、加元数据,建成一个跨自治体、跨时间段可检索的知识库。
两种模式的差别不难看出:
| 模式 | 数据形态 | 规模效应 | 治理难度 |
|---|---|---|---|
| 各自治体分散采购 | 各自维护、互不联通 | 无法叠加,小城镇吃亏 | 风险局限在单一部门 |
| QommonsAI统一知识库 | 跨自治体标准化、可检索 | 小城镇能用上大城市级别的检索精度 | 权限、标准出问题会波及上千个自治体 |
对地方政府管理者来说,这张表决定了采购判断。统一知识库能省下的,是每个自治体自己建库、自己维护的重复成本。但一旦权限设计或数据标准出问题,影响不再是一个部门的事,而是全国性的。这也是为什么Polimill反复强调审计追踪和权限管理,不只讲模型能力。
Codex把开发提速3-5倍,公务员的经验却还没学会
Codex接管了Polimill内部从需求定义、代码一致性检查到测试的大部分环节。工程师主要负责审核AI生成的方案,不再手写代码。开发速度因此提到原来的3到5倍,原型做出来、拿给地方政府团队看、收集反馈的周期明显缩短。
这只是工程侧的加速。它不等于行政决策质量跟着同比提升,也不等于地方政府能省下同等比例的财政开支。Polimill自己的测试结果更谨慎:让经验较浅的公务员借助AI和知识库起草政策方案,评分能接近资深官员,但资深官员的方案依然拿最高分。
差距在哪?在那些没写进手册里的判断——比如一项政策落地要走哪些程序、居民可能有什么顾虑。这些经验目前没有被结构化进系统。Polimill计划记录资深公务员怎么指挥AI检索、怎么修改AI输出,把这些经验转成组织知识,但这还是计划,不是已经跑通的能力。
对一线公务员更现实的意义是:QommonsAI能省下检索和起草的机械劳动,让人少花时间翻旧文件、找法律条文。但方案最终能不能落地,判断权仍然压在有经验的人身上。想把资深公务员直接换成"新人+AI"组合的地方政府,目前拿不到这个结果。
Qommons ONE:2026年秋天才能验证的下一步
Polimill计划在2026年秋季推出Qommons ONE,一个允许第三方公司为地方政府提供应用的平台。核心设想是一个能调用多个专用AI和第三方应用的代理:公务员说出目标,系统自动调用需要的工具产出结果。
这仍然是路线图,不是已经上线的产品。能不能兑现,要等到明年秋天才有答案。
对正在评估政务AI采购的地方政府管理者,现在能盯的不是这个设想有多大,是QommonsAI已经落地的几件事:数据权限怎么分,审计记录留不留,出了错谁负责,公务员培训怎么跟上。这几项决定了共享基础设施的红利最终分给大多数自治体,还是被少数标准制定者拿走。