夜雨聆风
AI时代数据可信流通产业周期洞察报告 ( 2026 )
报告基于“E-Cycle 技术周期”框架，系统性分析了AI浪潮下，数据可信流通产业的发展脉络和演进趋势。
一、AI带来的创新价值与冲击挑战
1. 辅助式AI到自主式AI的变革式能力跃迁将推动“AI Agent Anywhere”的趋势发展，同时也伴随着“人对AI的失控、AI自身的失控、AI导致的数据泄露失控”三大冲击挑战
( 1 ) AI Agent Anywhere的发展趋势：以OpenClaw、Hermes Agent等智能体的落地应用为分水岭，行业便迈入了自主式AI的创新发展周期。相较于仅能被动响应指令的传统AI，以及以Copilot为代表、仅能辅助人工操作、缺乏自主闭环迭代能力的辅助式AI，自主式AI实现了能力范式的根本性跃迁。自主式AI以动态鲜活数据为核心持续优化自身决策与执行能力，向目标方向不断收敛，摆脱对人工干预的依赖，具备了目标驱动、自主规划、动态决策、工具调用、升级迭代的全链路自主作业能力。自主式AI智能体与前代AI产品形成了本质代差，它不再是依附于人类的辅助工具，而是能够独立承接复杂任务、自主推进目标落地的“硅基员工主体”，这种巨大的生产力变革将推动AI应用于千行百业，让AIAgent无处不在。
( 2 ) AI带来的三大冲击挑战：由于AI智能体存在无边界上下文暴露和开放动态命令执行的本源性风险，AI智能体的落地面临安全体系崩溃挑战，同时面临着“人对AI的失控、AI自身的失控、AI导致的数据泄露失控”三大冲击挑战。释放自主式AI创新效能的同时，构建与AI迭代收敛闭环相匹配的全链路数据治理、风控与安全体系，成为企业必须同步推进的核心战略议题。
2. 在“AI Agent Anywhere”的发展趋势下，自主式AI智能体导致的数据泄露失控是正在面临的新型数据安全问题，若不加以有效管控和解决，企业将会陷入“越用AI、数据风险越高”的危险递增循环
AI时代的数据安全问题愈发严峻：2025年，13%的数据泄露事件与AI系统直接相关 ( 预计2028年将达35% ) ，超过四分之一的AI安全事件和数据安全相关。
自主式AI的快速演进正面临着日益严峻的失控问题，由此带来了数据安全领域全新的增量风险。这类风险并非传统安全威胁的简单延伸，而是源于自主式AI在运行机制上的根本性变化。相较于传统技术攻击（如漏洞利用、病毒植入）以及人为泄露（如内部人员误操作、权限滥用）等常见安全隐患，此类风险具备更强的安全防护体系穿透能力。随着越来越多的企业开始采纳自主式AI智能体，由AI导致的数据泄露失控，成为业界需要亟待解决的问题。
3. 数据类场景的AI智能体开始逐步落地应用。这类产品能够提升数据治理及加工的效率，但也带来了更严峻的数据泄露风险。企业需优先确保此类智能体的可靠性与可控性，增强对高敏感数据的密态保护。
我们看到一些企业推出了数据分析、数据治理加工等数据类AI智能体产品。这类产品直接面对的是用户隐私、商业机密等高敏感数据。
由于自主式AI的自主决策与跨系统协同特性，使其可能因指令理解偏差、权限失控或外部攻击引发数据泄露，让原本可控的数据业务，新增了由AI带来的安全隐患，企业需构建更严密的全链路安全防护体系和数据密态保护措施来增强安全性，此外还可以结合行为控制、核验机制等手段，提高AI智能体的可控性和可靠性。
二、企业AI落地激发数据可信流通需求
企业AI落地所涉及的各类数据面临多种泄露风险，基于密态计算等数据隐私保护技术所构建的数据可信流通范式，将逐渐内化为企业AI落地的原生安全能力
企业AI落地过程中的AI就绪数据、AI生成或调用的各种数据，存在诸多数据泄露风险。而自主式AI无边界上下文暴露等问题，虽可通过AI架构设计、权限边界管控等方式前置防范，但伴随AI技术持续迭代，仍可能涌现新的安全问题。而基于密态计算的数据隐私保护能力，是数据安全兜底的终极护盾，其将逐渐内化为企业AI落地的原生化安全能力。下文以“基于密态计算的受控匿名化个人数据保护”做为典型案例展开描述：
周期概览
本研究定义的“AI时代的数据可信流通”产业周期，以“数据可信流通产业的发展”为主线，同时关注以大模型、自主式AI为代表的新一代AI技术对数据可信流通的机遇和挑战。
关于E-Cycle曲线对周期的定义，请点击文末的“阅读原文”来查阅完整版报告。
周期解读一共分为三个部分：历史回顾（ 2021—2024 ）、现状洞察（ 2025—2026 ）、趋势推演（ 2027—2036 ）。
历史回顾（ 2021—2024 ）部分，此文章不进行展开介绍，想了解详细内容的读者，请点击文末的“阅读原文”来查阅完整版报告。
现状洞察
周期用例1 ｜ 可信数据空间建设热潮
可信数据空间 – 简要介绍
可信数据空间是基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施，是数据要素价值共创的应用生态、支撑构建全国一体化数据市场的重要载体
国家数据局于2024年推出《可信数据空间发展行动计划（2024—2028年）》，提出分类施策推进企业、行业、城市、个人、跨境可信数据空间建设和应用，数据可信管控、 资源交互、 价值共创是可信数据空间须具备的三类核心能力。在此基础上，国家数据局还指导全国数据标准化技术委员会秘书处，组织地方政府、科研院所、高等院校、企业等160余家单位，编制了《可信数据空间 技术架构》并于2025年4月发布，从技术功能、业务流程、安全要求等方面对可信数据空间进行了规范。此后陆续出台的《可信数据空间 能力要求》《可信数据空间标准体系建设指南》等多项文件，为可信数据空间落地建设提供标准规范。
安全能力的集成补充：通用可信数据空间架构主要包含可信数据空间服务平台、接入连接器。隐私计算/密态计算并不是这个架构中的原生化必选能力，但供应商为了满足客户对高敏感数据的隐私保护需求，会在接入连接器的扩展能力中集成隐私计算（如洞见科技、安恒信息）来提供数据隐私保护的能力，或是在通用可信数据空间架构中增加密态计算底座（如蚂蚁密算）实现基础设施安全能力的内生化。
可信数据空间 – 试点推进情况
2025年是可信数据空间建设的元年，国家及省市区域联动推进可信数据空间试点建设
顶层规划：国家数据局发布的《可信数据空间发展行动计划（2024—2028年）》提出，到2028年，可信数据空间要在运营、技术、生态、标准、安全等体系上取得突破，建成100个以上可信数据空间，形成一批数据空间解决方案和最佳实践，基本建成广泛互联、资源集聚、生态繁荣、价值共创、治理有序的可信数据空间网络。
国家和省市区域上下联动、分层推进，构建全国可信数据空间试点体系：国家数据局2025年7月启动首批63个可信数据空间创新发展试点，涵盖13个城市、22个行业和28个企业三类可信数据空间。一些省市区域也同步推出了可信数据空间试点项目，和国家层面形成上下联动、分层推进的协同发展。
可信数据空间 – 项目落地情况
一、当前城市可信数据空间项目数约占五分之一，项目金额相对较大
很多此类项目金额集中在千万级到几亿元区间，同时也有一些城市可信数据空间项目的金额在百万级别。招标单位多见于城市数据集团、地方数字产业集团等类型的企业。
城市可信数据空间是很多供应商的主要目标市场，典型供应商包含三大运营商、中国电子云、浪潮云等央国企背景的公司；蚂蚁集团等大型科技背景的公司；以及垂类技术赛道背景（如隐私计算、区块链、安全等）的供应商；还包括一些地方性平台企业等，一些城市可信数据空间项目会优先于地方公司参与建设。
二、行业和企业可信数据空间项目数量占比最高
因为各行业/企业拥有差异化的数据应用场景和逻辑，因此这两类平台建设会有更多样化的定开需求。两类项目在部分情况下会存在一定的边界模糊性，例如一些领域的头部企业更偏向以行业可信数据空间进行立项，但在落地过程中，主要是和其供应链上下游企业之间进行跨主体数据流通，更符合企业可信数据空间的用途定位。
此类项目的建设方多见于行业主管部门、行业头部企业、各领域的代表型企业等各类主体。
从公开的招投标信息来看，行业类可信数据空间项目投资规模和场景范围相对更大，企业级项目则更聚焦于其供应链上下游或特定应用场景，这两类项目类型丰富度较高，难以简而概之。同时市场也充斥着一些预算高但实际服务内容与可信数据空间关联度低的项目。
除了市场主流的可信数据空间供应商外，具备产业KnowHow的供应商同样是重要的参与者，他们在金融、医疗、能源等专业领域积累了丰富的数据治理及应用经验而更加受到客户青睐。
三、跨境可信数据空间已在探索中，世界数据组织的成立有望推进其发展；个人可信数据空间需要稳慎落地
跨境可信数据空间已在探索中：江苏省、无锡市推出了跨境可信数据空间试点项目。珠海市国资数字科技有限公司《粤港澳大湾区跨境及企业可信数据空间珠海枢纽建设项目》总投资1亿元对跨境及企业可信数据空间展开落地探索。
世界数据组织正式运行，将开启全球数据治理新格局，推动中国跨境数据可信流通的发展进而推动跨境可信数据空间的建设。
个人可信数据空间的落地需要稳慎探索，即便当前已经看到运营商等企业机构在探索其落地范式，但其价值场景和法律合规等诸多问题让其落地面临不确定性。
四、可信数据空间项目发展走势
项目收敛，优胜劣汰：虽然目前市场的项目数量较多，但这其中不乏一些套用可信数据空间概念的低质量项目，长期来看，市场必将向着高质量、可落地运行的项目进行收敛。因此，未来的市场项目将呈现动态增减的趋势，新项目涌现的同时，也同步伴随着既有项目的优胜劣汰。
在未来四年的市场化项目上，企业类可信数据空间由于目标受众基数大而将获得明显的增长，这也和国家数据局提出的“积极推广企业可信数据空间”的指导方向一致。世界数据组织会成为推进跨境可信数据空间发展的关键力量。此外，行业可信数据空间将得到重点培育而获得高质量发展，推进数据的产业化价值落地。城市可信数据空间将推动公共数据资源开放。长期来看，在数据资源统筹规划和集中管理的背景下，各类可信数据空间的部署建设方式和数量，需要基于这四年发展探索的经验沉淀再进一步适配最优方案。
五、扩展研究——其他数据可信流通产品的市场发展
本报告定义的数据可信流通产品包括：增加密态底座的可信数据空间（密态可信数据空间）、在接入连接器中集成隐私计算的可信数据空间、隐私/密态计算平台、可信数据沙箱等一系列能够让高敏感数据实现可信流通的产品或技术解决方案。各类产品的定位、目标受众、需求场景会有所不同。可信数据空间之外的其他产品发展情况，现进行概述说明：
目前金融、政务等领域，依旧很多企业在采购密态计算/隐私计算平台、可信数据沙箱等产品，用以支持高敏感数据流通共享的隐私保护以及满足合规需求。相比于在初步探索期(2021—2024)，企业采购需求集中在可信联邦建模服务、基于密码学的数据可信流通解决方案，现阶段(2025—2026)，可信数据沙箱的采购占比在提升，我们还发现一些供应商推出了TEE+数据沙箱的软硬协同解决方案，也间接带动了TEE的使用占比。
站在隐私计算供应商的视角，他们的隐私计算平台销售不仅来源于终端企业客户，还有一些可信数据空间项目的集成商，需要在接入连接器中集成隐私计算时，也会与隐私计算厂商合作，对项目进行分包。
此外，大模型训练及AI智能体应用也在产生对密态计算的应用需求，我们已经看到此类项目的落地，例如通过密态计算支持医疗大模型训练保护患者个人隐私及医疗信息安全。
六、扩展研究——数据可信流通产品应该支持多元化的计算能力
为适配数据的多元应用需求，数据可信流通产品必须具备多类型计算支撑能力，这是适配企业复杂业务场景、应用落地的前提。尤其是在企业级AI落地场景中，唯有支持AI计算与大数据计算能力，才能让数据要素的价值得以充分释放。而目前业内部分可信数据空间或企业数据可信流通平台仅支持通用计算。
周期用例2 ｜ 自主式AI：重新定义数据价值、治理及安全
企业AI采纳率和AI应用成熟度
自主式AI的突破，驱动企业AI采纳率持续走高；但目前的企业AI应用呈现“浅层繁荣、广而不深”的特点，未能在专业场景中实现规模化可靠的落地
AI正在走进“千家万户”的企业中，企业AI采纳率持续高位。尤其是以OpenClaw为代表的自主式AI在2026年Q1这段时间集中爆发，让企业的AI采纳率进一步攀升。目前新一代AI在企业中的应用成熟度主要集中在L1、L2级别，主要是在通用辅助场景中快速普及，尚未在核心业务领域实现规模化复制，其落地深度与业务价值兑现远未达预期。
企业应该如何应用自主式AI
一、安全是首要问题
报告前文分析了自主式AI对数据的机遇和挑战，重点描述了因无边界上下文暴露、开放动态命令执行两类AI智能体的本源性风险所催生的三大失控问题。本次的208家企业调研显示：失控问题导致对AI的信任缺失、数据隐私与安全顾虑已成为影响企业AI落地的三大核心问题的其中两项。风险敏感领域，如金融行业更是将安全列为采纳自主式AI的底线。
二、企业采纳AI的三大核心需求
可靠性是企业采纳AI最为关注的方向之一。企业核心关注的是AI能否按照业务要求可靠地解决专业领域的问题，例如在金融和医疗领域，业务决策的准确度直接关乎资金安全与生命健康，AI可靠性必须达到99%以上。因此，AI需要具备专业领域的KnowHow。本次企业调研显示，AI缺乏专业场景Know-How是影响AI落地的首要影响因素，也验证了上述观点。但目前企业AI面临着业务知识转化挑战：专业场景的核心Know-How多为资深业务专家掌握的隐性、非结构化经验，如果需要专家以大量的人工标注的方式进行知识注入，成本高且专家参与意愿低。
失控的AI无法被企业采纳。本次调研发现，“失控问题导致对AI的信任缺失”是制约企业采纳AI的第二位因素，这其中90%以上的受访者表示AI导致数据泄露失控让他们对是否应用自主式AI产生迟疑。企业AI的落地需要以决策受控、行为受控为前提。
受欢迎的专业AI背后一定有敏捷的迭代机制。本次的208家企业调研发现，38.5%的企业会认为静态模型难适配动态业务是影响企业落地AI的原因。企业核心业务场景会随着市场、政策、流程持续动态变化，AI能否动态自适应业务是评估其效能的关键影响因素。企业需要AI能够通过鲜活动态数据进行不断地迭代优化、不断向任务目标收敛的自适应AI。形成越用越可靠、越用越专业的AI业务系统。
三、企业应打造“数据 – 知识 – 智能体”自驱式增长飞轮，建立可靠、可控、可敏捷迭代的自主式AI系统
我们需要跳出传统只依赖模型训练、从沉淀的静态数据中寻求规律和经验的思维框架，而是在数据可信流通能力的保障下，构建“以智能体动态挖掘数据价值，通过闭环迭代的知识治理能力，来动态优化和沉淀业务知识，并持续对AI智能体执行结果进行核验”的自驱式增长飞轮。建立可靠、可控、可敏捷迭代的AI系统。
自主式AI让数据产生哪些变化
数据价值：自主式AI依托动态鲜活数据实现闭环收敛的自主迭代，重新定义了数据的时效价值与流动价值
传统模式下，数据多为静态采集、被动使用，价值释放高度依赖人类加工与场景匹配。而自主式AI的发展下，数据不再仅通过作为燃料用来训练模型而提升AI能力，更是可以通过在AI自主交互、推理、迭代过程中持续产生新数据和新知识，形成“数据训练AI→产生新数据”的自循环价值链条，让AI实现自主进化。数据由此从单一的业务支撑资源，升级为驱动自主式智能体决策与迭代的核心燃料。在未来，或将会影响数据价值的评估、流通与应用规则。
数据治理：自主式AI推动数据治理从传统静态管控，转向静态与动态并重的综合治理模式，传统的人工治理方式将无法满足需求，企业需要构建利用AI进行数据治理的新范式
在自主式AI落地之前，数据治理更多面向结构化、存量型的静态数据，治理上侧重数据标准、质量校验、资产目录等内容维度，难以适应实时变化的数据场景。新一代数据治理应建立双轨体系：一方面，延续对存量静态数据的规范管理，保障基础数据资产稳定可靠；另一方面，需要面向动态数据流构建实时治理能力，适配智能业务发展。传统的人工数据治理模式无法满足需求，数据治理智能体的应用将成为重要趋势（详细内容见趋势推演的Forecast01）。
数据安全：自主式AI需要在不影响其自主运行前提下，在密态环境中使用数据完成自主作业，确保原始明文数据不出权属主体、不泄露，规避数据被反向溯源的风险
自主式AI的数据密态可信流通需求，与传统多方数据共享、联合建模模式存在差异：传统模式下的数据处理多以静态数据为主，多需人工参与调度；而自主式AI可以在无人工干预的情况下，实时处理外部输入、运行中间数据与自主生成的衍生数据，动态性与全流程闭环特性更强。而这些动态数据涉及用户隐私、企业商业机密，一旦随意流转就触犯合规条例或引发商业/信誉危机。
对此，企业应根据自主式AI的不同业务场景与数据敏感度，选择差异化的数据隐私保护技术方案，例如可信联邦学习、密态计算等，在保障AI自主运行效率的同时，平衡数据安全性。
在《数据安全法》《个人信息保护法》的法律法规框架下，自主式AI的数据隐私保护已是刚性刚需。目前已有不少率先应用自主式AI的技术领先型企业，开始关注自主式AI的数据可信流通价值场景，其关注的方向如下图所示：
周期用例3 ｜ Data+AI：阶段性的生态格局形成
产业图谱
本产业图谱并非基于公开信息的简单汇编，而是基于对厂商的基本评估后，确定的入围企业。
入选图谱的供应商，需在对应能力领域满足任一条件：拥有成功中标的商业项目、与生态伙伴开展过创新实践。此外，图谱亦会收录甲方企业结合项目招标过程中和厂商的接触经验而推荐的代表性企业。
面对AI时代的数据使用需求，目前的数据治理加工出现了供给断层，成为场景用数的鸿沟，产业生态仍在不断完善中
一、基础设施建设市场活跃
可信数据空间成为兵家必争之地。供应商包括央国企背景厂商、综合型科技公司/科技大厂、垂类技术背景厂商、地方性平台厂商、垂直产业背景供应商。厂商之间呈现竞争合关系：因目标客户一致而产生竞争，但也有集成合作。地方性平台厂商、垂直产业背景厂商相对分散。除技术公司争夺标的外，也发现有极个别的行业可信数据空间项目由院校背景科研单位中标。
目前仍有很多企业会采购隐私计算平台、可信数据沙箱等产品来满足数据可信流通需求，这些同样是数据可信流通市场的一个重要的组成部分。提供这些产品的供应商主要是上述提及的可信数据空间供应商中的“综合型科技公司/科技大厂、垂类技术背景厂商”
二、数据治理加工是数据价值落地的动力引擎，传统依赖人工的治理加工模式无法满足AI时代的数据使用需求，出现了市场供给断层的表现，成为场景用数的鸿沟
传统依赖人工的数据治理成本高、效率低，难以满足当下的数据治理需求，目前可以提供AI数据治理的厂商数量有限，这是场景用数的核心阻碍。本次调研中，很多厂商宣称自己拥有数据治理智能体产品并计划在年内发布。
三、国家数据局等部门提出：培育数据流通服务机构
数据流通服务机构包含三类：数据交易所（中心）、数据流通服务平台企业、数据商。上文提及的数据治理加工属于数据商范畴。
部分传统的数据流通服务机构（如数据交易所等）或将被清退和整合( 例如武汉长江大数据交易中心退场 ) 。同时还会培育出一批能够提供数据治理、数据场景应用、数据运营等多元化能力的优质数据流通服务商。
此外，我们发现基础设施建设供应商中，一些企业的未来增长战略为经营“数据运营、数据治理、场景数据应用”等业务。因为平台建设市场空间的天花板较低，而各类数据流通服务具备可持续增长的特点。
一些厂商期望基于可信数据空间建设，能够和数据集团相关单位建立信任，进而承接公共数据运营业务。
一些厂商的优势在于产业KnowHow的积累，他们期望在数据治理、场景价值挖掘方面获取更多市场份额。
四、关于AI服务
面向AI时代，越来越多的数据业务环节会采纳AI智能体来提升效率，对此各类AI服务商也应属于生态的一部分。亦或是目前生态的既有玩家通过自身的AI能力或集成AI厂商的产品来实现能力交付。
产业规模– 基础设施部分
中国数据可信流通基础设施的市场呈现“前高后稳”的增长特征，2034年市场规模将达到606.6亿元
当前我国正处于数据可信流通基础设施的集中建设期，在《可信数据空间发展行动计划（2024—2028年）》的政策牵引下，全面推进以可信数据空间为核心的新型数据基础设施布局。本次市场规模核算采用全口径统计：除了增加密态底座、在接入连接器集成隐私计算能力的可信数据空间产品外，同时纳入了隐私/密态计算平台、可信数据沙箱等具备数据隐私保护能力的软硬件平台，覆盖数据可信流通的核心供给品类。
市场整体呈现“前高后稳”的增长特征：
2025—2028年为重点基建周期，行业整体保持在55%—90%的增速区间，可信数据空间增速区间为60%—110%，高于行业整体水平。
重点基建期之后的市场增长，主要集中在新增需求的平台建设、既有客户的节点扩展部署、功能更新迭代，以及日常运维保障等方面，市场增速逐步放缓至平稳增长区间。
产业规模– 整体
中国数据可信流通产业有望撬动万亿市场规模，早期实践探索对未来市场发展会产生关键影响
产业规模主要由三大板块构成：一是报告上文界定的数据可信流通基础设施；二是数据的治理加工，作为数据价值挖掘的核心动力引擎，是实现数据价值释放必不可少的环节；三是数据价值落地的场景应用，也是整个产业最核心、最具规模前景的部分。
未来，数据的场景应用将是9～12倍于数据的治理加工市场规模，数据的治理加工将是8～10倍于数据可信流通基础设施市场规模，这个规模比例将在产业未来的持续发展中动态体现。
数据的场景应用是数据价值释放的直接体现，其规模依托基础设施完善与治理加工成熟而持续扩大。未来规模将达到万亿级，将极大摊薄百亿级的基础设施投入成本。
数据价值释放依赖数据治理与加工，该环节直接决定数据能否接入、是否可用、以及能否充分释放价值。且经过治理加工的数据是否能够发挥预期的落地价值也需要经过进一步的实践验证。这些都是市场投资信心的影响因素。下述市场规模是站在早期市场实践取得成功且未来持续保持高增长的战略假设而展开的推演。
趋势推演
核心摘要 @趋势推演 ( 2027–2036 )
影响AI时代的数据可信流通产业周期的发展因素有很多，例如法律政策制度、基础设施建设、数据源生态开放、数据治理运营等一系列数据流通服务。然而，一切技术发展均要归于价值的收敛，我们认为AI时代的数据可信流通流通，最终要收敛闭环到对场景价值的挖掘，我们将以此为主线，展开趋势推演。
该周期用例位于E-Cycle曲线的敏捷实践期。以场景价值挖掘为导向：数据治理加工是数据价值落地的动力引擎，其将决定数据能否有效接入，以及能否被有效使用。面向AI时代的数据使用需求，目前数据治理加工出现供给断层，因此我们认为这是现阶段最值得关注的趋势。
传统依赖人工的数据治理加工方式，效率低、成本高，难以适应AI时代对数据的需求。目前很多领先的企业为了解决传统数据治理加工效率低和成本高的问题，开始探索AI智能体的解决方案。一些供应商也在规划或准备推出相关的产品，以及部分供应商开始将数据治理加工Agent嵌入在既有产品中。
1.企业的数据安全顾虑 ——数据隐私保护成刚需
由于目前AI导致的数据泄露问题正在日益凸显，企业中需要治理的数据多是用户隐私、商业机密等高敏感数据，无法承担数据泄露带来的风险。对此，技术前瞻的企业逐步开始探索如何将数据隐私保护技术和数据治理Agent结合。
2.企业对AI智能体的专业性和可靠性顾虑——高阶智能体成最佳推荐方案
数据治理要贴合业务，才能找准数据治理的关键点、避免无用治理，需对齐业务目标，梳理数据标准，落地数据质量与安全管控，支撑业务决策。这本质上是对业务KnowHow的掌握，企业需要专业智能体（而非通用化），需要智能体可控、可靠、可敏捷迭代。
技术市场调研中，我们发现了一种创新技术方案：高阶程序 ( HOP，High-order Program )，而构建于HOP之上的高阶智能体，是目前能够满足“企业对AI的可靠、可控、可适应业务敏捷迭代”需求的最佳方案。目前高阶智能体的能力已经在企业级场景中得到了验证，是一种可行的技术方案。
高阶智能体可以从工程化视角解决数据治理加工问题，可以将数据治理加工进行逻辑程序化显性表达，流程可编排、动作可追溯，工具调用与执行全程受控；通过将复杂任务原子化拆解、融合程序精准执行与多层核验机制，规避AI幻觉，提升数据治理加工任务产出的准确率，让结果稳定可验证。数据治理加工经验可沉淀为知识图谱与可复用模板，快速适配新规、新场景，迭代高效且成本低。
该周期用例位于E-Cycle曲线的敏捷实践期。该趋势是基于上一个趋势的延伸，高阶智能体完成数据治理的闭环，而数模一体则将治理范畴拓展至模型的层面，这是面向Data+AI时代的基础能力，是所有产业参与者值得关注的技术趋势。
数模一体是以密态计算为安全底座，将数据与模型视为一体两面的技术范式，核心是打破数据治理与模型应用的割裂状态，在统一安全框架下实现数据全生命周期治理与模型应用的全流程可控的深度融合。在AI规模化落地的关键期，基于密态计算的数模一体架构成为必然趋势有三重驱动力：
数据安全与模型可靠的双重诉求：传统模式下数据泄露、模型幻觉等问题频发，亟需统一安全框架保障和模型可靠性提升。
产业效率提升的现实需求：数据作为生产要素需通过模型赋能释放价值，而模型迭代又依赖高质量数据供给，二者协同方能最大化生产力。因此，数模一体架构的推广和普及，也在一定程度上将促进国家数据要素战略和“人工智能+”行动计划的落地。
技术可行性：高阶智能体能力的演进，将为模型治理提供支撑。经过我们的调研，目前该技术的能力已经在企业级场景中得到验证。
该周期用例位于E-Cycle曲线的“敏捷实践期”和“规模扩展期”的交界点。说明该节点是影响产业能否迈入规模扩展期的影响用例。一切技术发展均要归于价值的收敛，在敏捷实践期，哪些场景的价值应用能够抽象出可规模化推广的范式，将优先迈入规模扩展期。
国家数据要素市场化价值化的规模发展是一项复杂的系统性工程，离不开多维度法律政策体系的搭建，需要推进基础设施建设，还要厘清数据源开放路径，建立科学的数据价值衡量标准；公共数据开放需要完善的绩效评估机制，破除数据开放的内生阻碍。解决上述问题的基础上，各类服务机构需具备高效盘活数据资源、打造专业数据产品、建设专业领域的高质量数据集、提供优质数据流通服务的核心能力。
从场景价值出发的市场化驱动，才是产业自身生长的根本动能 (价值原动力)，这也应该是数据要素产业发展的关键路径和方式。
各类数据服务商需要基于产品思维，来思考提供的各类数据服务解决了企业的痛点（没有不行）、痒点（有了更好）还是爽点（实现价值增长）。另外值得注意的是，68%的企业不清楚哪些数据对自己的业务有帮助、不了解市场中有哪些数据可以接入等问题。因此在数据要素流通的发展初期，更加需要拥有产业KnowHow、能给企业提供可以精准解决业务问题，带来业务增长的服务商，这将更有助于沉淀可以规模化推广的范式方案，对产业能否迈入规模扩展期起到推动作用。
该周期用例位于E-Cycle曲线的规模扩展期。在上一个趋势的基础上，如果产业在敏捷实践期探索出了场景价值的规模化范式，并成功迈入规模扩展期，那么服务商的企业经营表现将是市场发展的晴雨表。
任何技术在每个周期阶段都会发生市场格局的变化甚至是重塑。在这个阶段：一些传统的数据流通服务机构（如数据交易所等），会进行清退和整合。此外，还会涌现能够提供数据治理、数据场景应用、数据运营等一系列多元化的数据流通服务商。
包含直接面向场景价值解决方案的服务商，以及支持场景价值化实现的服务商。这其中也会包含在基建期提供技术服务的供应商，因为这些供应商中，原本就有一些是具备产业KnowHow背景并将未来的企业增长战略聚焦在数据流通服务市场。
与此同时，随着高阶智能体的逐步应用和普及，AI将会更加可靠、可控地应用在数据治理、数据产品开发等环节，场景应用层的价值将被不断释放，也会有一些AI背景或者相关能力的厂商加入市场，他们会提供AI的技术支持，AI安全及合规服务等内容，同样成为生态的参与者之一。这些厂商也可能会和数据服务商绑定生态合作，共同为客户提供服务。
此阶段，基础设施的“供数”能力增强，跨主体、行业和区域的数据获取会逐渐走向普惠。
此阶段的客户在选择合作伙伴时，应该尽量选择能够给出明确价值衡量和评估标准的服务商以确保项目回报和预期偏差在可控范围。如果企业计划展开规模化的投资，需要重点关注AI时代的企业TCO结构变化。
该周期用例位于E-Cycle曲线的规模扩展期。在上一个趋势的基础上，企业对Data和AI的不断采纳和落地应用的过程中，企业的TCO结构也将发生变化。
首先是三类技术成本的显著变化：
数据相关成本持续攀升：数据是AI的核心燃料，数据打通、治理、合规保护的需求日益提升；同时，数据的敏感性与智能体价值高度绑定，数据的稀缺性与重要性直接推高了数据获取、管理与保护的成本，数据成本将成为未来的核心成本项。
安全成未来企业的一项重要投资：企业未来会接入海量数据，既包括支撑业务运营的常规数据，也包含支持AI应用的就绪数据，而依托这些数据训练出的智能体，更是企业的核心资产。数据和智能体的安全保护将推动企业安全成本的提升。
IT及软件开发成本快速下降：企业开展场景化数据应用开发时，AI可全面赋能开发流程，极大提升研发效率。以往专家提出业务需求后，软件开发与落地周期漫长，如今借助AI能够快速响应、高效实现需求落地，不仅大幅缩短开发周期，也持续降低企业IT与软件开发成本，成为行业发展的明确趋势。
另外是业务人才结构的变化：未来企业人力结构将向高级专家集中，初级人员占比持续下降。高级专家负责制定规则与提出需求，由高阶智能体直接执行，大幅削弱初阶人员价值，推动整体人才结构升级。
该周期用例位于E-Cycle曲线的规模扩展期。在前两个趋势的基础上，密态原生的价值将在实践中不断被认可，进而逐渐演进为企业的核心技术战略。
密态/隐私计算等数据隐私保护技术的价值早已被行业认可，但对很多企业来说，这些技术并不像AI、云计算等技术占据着企业技术战略的核心位置。其将受到下述两类因素的驱动而逐渐演进为企业的核心技术战略：
数据可信流通驱动密态原生成为AI的标配：当前企业在搭建AI应用时，多将密态化隐私保护能力视为附加功能，而非核心组成部分。随着数据可信流通产业持续成熟，跨组织、跨行业、跨区域的多源数据融合，将成为AI规模化应用的重要基础。在多方数据协同、数据价值外溢的趋势下，密态计算等数据隐私保护技术不再是附加选项，而是支撑数据安全流转和AI可靠落地的关键支撑。未来，密态能力将深度融入AI架构设计，成为企业构建AI应用时不可或缺的原生组成部分。
AI自身安全风险推动密态原生能力内生普及：AI在快速发展中，也带来一系列安全风险。例如AI智能体的无边界上下文暴露导致敏感信息泄露，开放动态命令执行使权限被滥用；Prompt注入攻击可劫持模型行为逻辑，这些架构级漏洞已突破传统安全防御边界。基于密态计算构建的原生安全范式，能让数据、模型、计算全链路实现全程密态化的安全防护。这种“主动防御”举措，将从可选方案升级为企业AI落地的必选配置，成为抵御智能体失控风险、保障业务连续性的核心安全能力。
该周期用例位于E-Cycle曲线的规模扩展期。在前面所述的趋势之上，如何满足差异化的客户需求，提供多元化的商业模式，同样是市场功能的关键。
未来，企业对数据密态可信流通服务的价值期望，将从“合规安全保障”转向“数据价值落地和业务增长”。然而，一些客户在采购相关服务时却对ROI与落地效果产生担忧，以结果交付为核心的模式（RaaS, Result as a Service）将成为一种值得选择的方案。
RaaS模式曾被应用在一些新兴技术落地初期，或是需要深度业务认知（如金融）的行业中。此模式的可持续性，需要厂商能够为客户提供难以复制的价值增长解决方案。相比于产品销售模式，RaaS虽然理论上拥有更广阔的市场空间，但落地难度同时存在。
支持这类服务模式的厂商，需要在数据可信流通、数据治理和应用场景价值挖掘等方面拥有KnowHow，厂商需能够建设与客户共识的项目价值衡量标准及合理的收益分配机制。这种模式将改变密态可信数据流通市场的竞争范式，标志着一些厂商从产品供应商，转变为数据价值实现的共创伙伴，其收入直接与为客户创造的收益呈正向关联。
这一趋势的提出，源于一些前瞻企业反馈对未来的数据流通服务是否能提供可靠的业务价值表示顾虑。对此，我们探索性地询问了RaaS模式的接受程度，调研结果如下：
该周期用例位于E-Cycle曲线的规模扩展期。是站在“看十年”的视角所展开的趋势判断。
密态智能网络生态，是在城市、行业、企业、跨境、个人可信数据空间深度互联互通的基础上，以密态安全为底层保障搭建的生态级数据流通体系；2036年，企业AI应用成熟度已达到 L4（行业内赋能应用）至 L5（跨行业创新应用），企业开始将AI智能体对外输出并进行业务交互，以企业AI智能体跨主体协同交互为纽带，同步构建了起分布式智能体协同网络，两大网络融合联动、持续沉淀行业知识体系，成为实现数据要素生态化高效配置、产业间智能协同升级的核心产业基础设施。
该网络的建设遵循点、线、面、体的发展逻辑。在这个网络中，企业获取跨主体、跨区域、跨行业数据的效率将极大提升。目前很多企业尚不明确可使用的外部生态数据范畴，以及哪些数据能为自身业务创造价值，企业在该网络中可高效获取答案，推动数据智能服务普惠化。另外，“生态级知识网络”沉淀了大量可借鉴、可复用的行业KnowHow与解决方案，其价值远高于直接获取数据本身。
👇欢迎关注艾瑞数智获取更多内容
👇点击阅读原文
免费查看及下载更多PDF高清完整版报告