崔晓波

"【提示】2026 第六届数智化颁奖典礼将于 8 月 5 日在北京举行颁奖丨此次人物榜单 / 奖项的评选依然会进行初审、公审、终审三轮严格评定，并会在国内外渠道大规模发布传播欢迎申报。

大数据产业创新服务媒体

——聚焦数据 · 改变商业

过去半年，我几乎每周都会收到同一个问题——来自各行各业的 CEO、CIO：" 大模型我们试了，智能体也在看，但到底怎么才能真正用起来？"

这不是技术问题，这是判断力问题。

我始终相信：数据是一切商业决策的基石，但前提是它必须被激活、被加工、能被 AI" 读懂 "。过去十五年，我们做的所有工作，本质上就是在做这件事。大模型时代，这件事变得比任何时候都更关键。

大模型出现后，数据需求彻底变了——从 " 做报表 " 变成了 " 训模型 "，从静态的日志变成了动态的轨迹、思维链和合成数据。需求井喷的同时，企业落地的门槛却比想象中高得多。

我的判断是：2026 年企业数智化转型的真正瓶颈，不是算力，也不是模型，而是数据——高质量、可流通、能被 AI" 读懂 " 的数据。

从 " 算力焦虑 " 到 " 数据觉醒 "

过去两年，我见证了一个完整的认知过山车。

2024 年到 2025 年上半年，几乎所有人都在焦虑算力—— GPU 够不够、模型参数大不大、能不能追上 OpenAI。当时的一种普遍心态是：只要算力跟上，AI 能力自然就来了。

但现在回头看，这个判断正在被市场修正。

一个朴素的道理正在被验证：模型能力的边界，在很大程度上取决于数据质量。

AI 落地进展较快的企业，不少并非算力最强的，而是数据治理更扎实的。一家金融机构、一家零售巨头、一家车企，它们的核心竞争力从来不在于 " 用了哪个大模型 "，而在于 " 有没有一套能让大模型真正理解业务的数据体系 "。

数据，正在从 AI 的 " 燃料 " 变成 AI 的 " 硬通货 "。

企业 AI 落地的 " 最后一公里 "

卡在哪里？

过去一年，我们和大量企业客户深入合作，发现了一个普遍存在的 " 卡点 "。

很多企业已经完成了数据中台建设，数据在系统层面已经 " 连起来 " 了。但当大模型接入后，问题暴露了——模型能读懂互联网语料，却读不懂企业的业务术语、行业黑话、内部流程逻辑。

表面上看是模型能力不够，但实际上是企业数据没有为 AI 做好准备。

我们观察下来，有几个错位特别明显。

数据与场景的错位。企业有海量数据，但大多是为 " 记录 " 而生的，不是为 " 决策 " 而生的。大模型需要的是经过清洗、标注、对齐的训练数据，而不是原始的日志和表单。

模型与业务的错位。通用大模型像一个智商超群但不懂行的 " 外来者 " ——它能写诗、能编程，却看不懂供应链的异常波动，读不透客户的隐性需求。

投入与回报的错位。大量 AI 项目困在 " 基层提效 " 的浅层应用中，还没真正作用于营收、风控等核心经营指标。

这几个错位指向同一个问题——数据体系的完整性。

数据飞轮：AI 项目真正的分水岭

服务各行业客户的过程中，我发现了一个挺有意思的规律：效果好的 AI 项目，背后都有数据与模型的闭环在转。

这就是 " 数据飞轮 " ——一个行业数据集，用的人越多，反馈越多，质量越高，模型效果就越好。反过来，那些 " 一次性 " 的 AI 项目，上线即巅峰，然后快速衰减。

这个逻辑正在被行业验证。

今年 6 月，在火山引擎 FORCE 大会上，我分享了一组数据：通过云原生数据底座升级，综合资源成本下降 30% 以上，资源扩展效率提升 100%，数据加工速度提升 215%。

数据加工速度提升 215% 是什么概念？就是数据能更快地被治理、被标注、被模型 " 读懂 "，模型的迭代速度自然就上来了，业务反馈回流也更快——整个飞轮越转越快。

这背后，是 TalkingData 与火山引擎的深度合作。双方把数据能力和大模型技术能力进一步打通，推动行业智能体从 " 能演示 " 走向 " 能执行、能交付 "。

这个方向是对的。高质量数据和现代化的数据底座，正在成为行业智能体走向真实业务场景的关键支撑。

数据流通：一个正在打开的新空间

过去，企业做数据工作，采集和标注这类环节可以外包，但数据怎么治理、怎么形成知识库、怎么变成可用的资产——这些核心工作基本靠企业自己摸索，每家企业都在重复建设同样的能力。

但到了 2026 年，这个局面开始松动。

政策层面正在推动高质量数据集从 " 企业内部资产 " 走向 " 可流通的要素 "。当一个行业的高质量数据集可以在合规框架下被多家企业复用，整个行业的智能体落地门槛都会降低。

今年 5 月，TalkingData 受邀参加了国家数据局召开的民营企业座谈会，大家围绕数据科技创新、AI 时代数据价值释放这些议题一起探讨，也介绍了 TalkingData 在 AI 数据基础设施、高质量数据集建设、词元交易等方面的实践探索。

这里面有谈到高质量数据集正在从 " 企业内部资产 " 走向 " 可流通的要素 "。当一个行业的高质量数据集可以在合规框架下被多家企业复用，整个行业的智能体落地门槛可能都会降低。

当然，流通的前提是合规。2026 年，数据跨境流动、个人隐私保护、行业数据分级等方面的合规要求只会更加严格。AI 训练数据合规的核心问题，不是 " 数据是否已经公开 "，而是企业能否证明其取得、处理和使用该等数据具有合法来源、正当目的、合理边界和可追溯的治理措施。这确实是一个硬约束，绕不开。

几点行动建议

基于过去一年的观察，有几个方向想分享。

重新审视你的数据资产。数据不再是 IT 部门的 " 成本中心 "，而是决定 AI 能否真正产生价值的 " 价值中心 "。那些沉睡在服务器里的日志、记录、客户画像，潜在价值可能比想象的更大——前提是它们能被 AI" 读懂 "。

从 " 选模型 " 转向 " 建体系 "。模型会不断迭代，今天最强的模型明天可能就被超越。但一套能让数据持续流动、持续优化、持续适配业务的数据体系，才是长期竞争力的可靠来源。

关注 " 数据飞轮 " 而非 " 一次性项目 "。AI 的价值不在于 " 上线那一刻 "，而在于 " 持续运行中 "。建立数据与模型的闭环迭代机制，让每一次 AI 的使用都成为数据优化的机会。

结语

站在 2026 年年中回看，趋势已经越来越清楚了：AI 的竞争，正在从 " 拼模型参数 " 转向 " 拼数据体系 "。

谁的数据更干净、更专业、更新更快，AI 更能 " 听得懂 "，谁的 AI 就更能派得上用场。这与其说是技术判断，不如说是一个商业判断。

更早意识到这一点的人，会走在前面。

· 申报人 " 崔晓波 " 简介：

崔晓波，TalkingData 创始人兼首席执行官，国内大数据与 AI 领军专家，拥有 25 年行业经验。曾历任 Oracle、BEA 亚太区高管，贯通企业软件、互联网全产业链。2011 年创立 TalkingData，带领企业十余年间从移动数据分析先行者发展为国内头部 AI 数据服务平台，长期深耕数据要素市场建设与 AI 数据标准落地，多次于国家级数据论坛、行业峰会分享观点，是数据要素赋能 AI 产业的核心践行者与倡导者。曾任全国工商联大数据运维委员会委员，连续四年获评世界互联网大会大数据领军人物，兼任清华五道口、南开大学产业导师。拥有南开大学本科、清华五道口金融 EMBA、美国明尼苏达大学全球管理博士学位。

★本文由 TalkingData 创始人兼 CEO 崔晓波撰写并投递参与 "2026 第六届数智化转型升级大型年中选题策划活动—— 2026 中国数智化转型升级先锋人物榜单及奖项 " 评选。