随着模型能力持续提升，AI落地的卡点 ，正在从“模型够不够强”转向“数据能不能用 ” 。
《中国经营报》记者在近期举行的2026 Inclusion·外滩大会期间的多场论坛上了解到 ，上述问题正在存量端与增量端同时发生：在存量端，企业手里的数据没有被连接起来；在增量端 ，真正能让模型进步的数据还没有被生产出来 。
IDC中国企业软件市场研究经理王楠在“数智进化：让多模态数据成为AI核心燃料 ”见解论坛上给出一组预测 ，到2035年，中国AI数据基础设施市场规模将达到1548.3亿美元 ，相比2025年增长超过10倍；IIDC数据显示 ，2025年企业新生成的数据资产约90%属于非结构化数据，大量数据散落在NAS（网络附加存储）、对象存储等不同系统中。
在王楠看来，AI正在进入下半场 ，数据能力已成为企业AI落地的核心瓶颈 。
存量之困：九成非结构化数据难在连接与利用
“谁掌控了数据 ，谁就在AI竞争中获得了先机 。”华东师范大学原副校长 、教授周傲英在上述论坛上表示，数据已经成为重要的生产要素 ，高质量的AI决策离不开高质量的数据基础 ，“如果没有高质量的底层数据，任何‘本体建模’都是沙滩上的城堡 ”。
如今的企业并不缺数据 ，缺的是让数据被AI理解和使用的能力 。王楠判断 ，未来的竞争在于谁能最先形成覆盖“数据管理—数据智能—数据服务—Agent消费 ”的完整闭环 。路线上则是构建多模态数据底座，结合行业知识与场景数据 ，通过小模型微调实现可控的生产级AI落地。
OceanBase高级副总裁翁睿在论坛上表示 ，AI时代的数据底座需要向一体化 、多模态方向演进，让结构化、半结构化 、非结构化以及多模态数据能够被统一治理和关联使用。据翁睿介绍 ，客户诉求已经发生变化：“过去 ，客户要的是‘能存数据的库’，现在，客户要的是‘懂数据 、用数据、驱动智能的引擎’ 。”
数据能否被有效关联和调用 ，也开始体现在准确率 、运营成本等具体指标上 。
据OceanBase在论坛上披露的案例 ，一家国有大型银行通过引入语义层让系统理解业务意图，智能问数准确率从70%提升至98%；一家超大型财险公司 ，统一关联责任认定 、理赔、投保、路网 、气象 、交通流量等数据后 ，用于分析车辆事故高发路口及成因，推动事故发生频率、理赔成本与车险综合成本率同步下降。
随着AI进一步进入具体业务流程 ，数据还开始影响模型调用成本 。蚂蚁阿福技术负责人魏鹏在现场介绍 ，OceanBase已贯穿阿福从评测 、记忆构建到在线服务的核心数据链路，其中记忆与上下文共享可节省30%以上的Token ，降低60%—80%的对话成本 。这意味着数据的组织方式不仅影响效果 ，也开始直接影响其运行成本。
OceanBase CEO杨冰对这一变化的概括是：进入AI时代，企业关注的重点正从数据库本身的性能 、成本和可靠性 ，转向数据背后不同业务对象之间的关联 ，以及它们与真实世界之间的关系，“真正的商业价值，往往就藏在那些尚未建立连接的数据之间 ” 。
当智能体开始替用户执行任务 ，需要被校验的数据又多了一类——用户意图 。
蚂蚁集团风控安全负责人陈锣斌表示 ，相较传统支付风控，Agent场景增加了对智能体身份、运行环境 、委托链路和用户意图的校验 ，系统复杂度会有所提高；与此同时 ，AI也可以提升风险识别和策略攻防对抗的效率和能力，“我们会在保障安全的前提下 ，通过模型 、工程和分层管控持续优化整体成本与用户体验 ”。
蚂蚁大安全CTO陈亮则表示 ，其中的关键是让身份、意图 、授权和交易结果能够相互校验，金额明显异常相对容易识别 ，品类 、口味或偏好出现偏差 ，“则更考验Agent对用户意图的理解” 。
数据链路本身是否打通，同样构成约束 。Naughty Labs CEO杨天润对记者表示 ，当前很多任务Agent执行不通 ，原因在于“整个数字世界是给人类建设的”，界面与数据链路并非为Agent设计，Agent既难以获得一个人完整的上下文 ，也难以跨生态调用本应可用的数据。
增量之难：具身智能的数据飞轮尚未转起
如果说企业面对的是存量数据缺乏连接 ，那么具身智能面对的是能让模型进步的增量数据如何被生产出来 。
一家投资具身智能领域的创投公司相关负责人表示，相比大模型领域 ，行业对于“什么是优质的具身智能数据 ”尚未形成同等程度的共识 。在其看来 ，大模型领域对于何种数据能够有效提升模型能力已有较多实践积累，而具身领域仍需头部公司自行烧算力、堆科研人员去探索。
产业端给出的诊断更具体。蚂蚁灵波首席数据科学家黄用韬在具身智能论坛上表示 ，数据飞轮尚未真正转起来的一个关键原因 ，是进入真实生产和服务场景的机器人还太少，大量机器人仍用于科研 、数采或展示 ，真实工作中的失败与反馈没有充分回流 。
黄用韬将数据质量分为两层 ，他表示，掉帧 、画面异常、时钟不同步等属于工程底线；越过这条线之后 ，什么是“好数据 ”必须由训练目标决定 。关键在于把模型当前的问题转化为可量化的数据筛选条件 ，快速组合出相应数据集，再通过训练结果验证判断是否正确，“这种能力 ，无法靠买一批数据直接获得”。在他看来 ，数据飞轮真正转起来的标志，是行业开始“做减法 ”——能够判断不需要哪些数据 。
围绕如何让数据产生反馈 ，同场论坛的其他参与者给出了各自的路径 。光轮智能（北京）科技有限公司副总裁张建伟将评测放在闭环的关键位置：先用仿真评测规模化发现问题 ，针对问题定向补采与优化，再通过真实部署与反馈检验模型效果 ，并把新的失败案例带回训练。
觅蜂科技副总裁李茂青则主张对数据分级使用 ，精确标注的数据服务模仿学习，场景和语义丰富的数据帮助模型理解世界 ，判断一种数据是否有价值 ，最终要回到“它究竟能帮助模型学到什么 ” 。
（文章来源：中国经营报）
