安筱鹏:AI时代,数据如何构筑企业的护城河

在数据要素主题的论坛上，我们不谈流通、不谈确权、不谈入表，而是回到企业视角，思考AI时代数据对于企业的竞争力到底意味着什么？这本身就是一个判断。相比于制度设计层面的热闹讨论，企业端对数据价值的体感仍然模糊。把议题锚定在竞争力与护城河上，可以把数据要素从政策概念拉回商业现实。

那么答案在哪里？把目光转回到云上，其实并不远——就藏在三个反直觉的案例里。

第一个案例是某养猪企业。在很多人的印象里，养殖是第一产业中最“传统”的行当之一；但它的日Token消耗已达百亿量级，超过绝大多数第二产业企业——包括那些销售额几千亿、上万亿元的企业。正是在这个行业，数据、Token与AI咬合在一起，帮助企业的生猪养殖核心场景完成了从“人盯猪”到“AI盯猪”的转变。

第二家是美国公司Harvey。它基于100亿tokens的案例法内容和250多个知识源，训练出法律专业垂直模型，服务超过50%的美国百强律所，估值超过百亿美元，年化收入近2亿美元。

第三家是OpenEvidence。它基于医疗领域专业而独有的数据构建医疗垂直分析能力，覆盖40%以上的美国医生，估值120亿美元，成为全球生命科学领域最大的独角兽之一。

把三个案例摆在一起，共同逻辑其实只有一句话：不是“谁的模型更强”，而是谁率先构建了行业独有的数据资产，并完成了Token化。养猪行业身处第一产业，Token消耗却超过绝大多数第二产业——这恰恰是“数据护城河”命题最有说服力的反直觉证据：数据竞争力的密度，与行业的“高低”无关，而与数据的排他性、实时性和嵌入业务流程的深度正相关。

还有一组数据值得放在一起品味。麦肯锡前段时间的报告给出了一组对照：AI落地效果不好，是80%的任务中，AI无法获取上下文。这个数字指向的不是AI能力不足，而是企业数据准备度不足——这才是当前AI落地的真正瓶颈。读懂私有数据，正在成为企业的核心竞争力。

图1｜从三个案例，看AI时代数据创造的“真金白银”的价值

要谈数据竞争力，有一对概念绕不开：数字化与数智化。很多人把它们看成同一条路上的先后两段，事实上，它们是两种不同的范式。

我们把它们极度简化：数字化，是把人类所能认知的原子世界转换为比特，核心关键词是Digitalization；数智化，是把已经比特化的信息转换为可被AI加工的Token，核心关键词是Tokenization。

举一个例子。你掏出手机拍一张照片，摄像头里的CMOS芯片把电磁信号转换成0和1——原子的信息变成了比特；比特再经算法描述、诊断、预测、决策，最终打印出来、装进相框。这是数字化。Tokenization则是在比特化之上再进一步：把一个概念变成一组向量，让大模型可以加工处理——一张照片可以被延展成一段视频、重构成一段声音，被AI加工后再还原出来。这就是从数字化到数智化的价值跃迁。

所以，数字化与数智化不是一条延长线上的先后关系。在“原子→比特→Token→大模型→Token→比特→原子”的完整链路中，比特只是忠实记录，Token才赋予数据“可被推理、可被生成、可被决策”的能力。中间那段“Token→大模型→Token”，恰恰是今天大多数企业尚未跨越的价值增量区间。

这个区分的战略含义很直接：过去十年在数字化上的投入——建系统、采数据、做报表——不会自动转化为AI时代的竞争力。数据的“量”不是问题，数据从比特到Token的“转化率”，才是企业之间真正的分水岭。过去十年的投入是门票，不是护城河。

图2｜从数字化到数智化的完整链路：比特→Token

我们追问一个问题：私有数据究竟通过什么路径转化为竞争力？从我们一线的观察看，有五种：

第一，把数据转化为模型预训练阶段的智能；第二，在预训练之上通过后训练和微调，使模型能力进一步增强；第三，用企业数据、行业数据构建基于RAG的知识库，可以检索、可以调用；第四，把数据、经验、流程、SOP变成企业和行业自己的Skills；第五，更重要的是，让所有数据构建起模型使用时所需的上下文。

这五种路径，构成一个递进的壁垒阶梯。用医学打个比方：第一层像“考上协和医学院的学生”，第二层像“协和医学院毕业的博士”，第三层像“医学文献和病例库”，第四层像“专科医生的执业经验”，第五层则是“了解某个病人的既往病史”。前两层的能力差距，正在被开源模型的涌现快速拉平；真正拉开企业间差距的是后三层——RAG提供外挂知识，但仍可被竞争者复制；Skills封装了流程经验，但需要长期积累；上下文工程深度绑定业务背景，几乎不可迁移。

这里要特别说一点。今天很多人讲模型不能用、效果不好——很多时候不是模型本身的问题，甚至也不是算法的问题，而是没有准备足够丰富的上下文。模型的竞争已经充分，上下文的竞争才刚刚开始。企业AI投入的重心，应当从“选模型”转向“建上下文”。

图3｜Token转化为企业核心竞争力的五种途径与壁垒阶梯

Token消耗的主体正在发生一次静默的替换。全球顶级投资机构a16z在2026年8月的报告中测算：今年2月，AI智能体的Token消耗首次超过人类用户；到8月，已达到人类用户的5倍。数据的消费主体从人切换到AI，这不是渐进变化，而是主体颠覆。

OpenAI的数据更具警示意义：前沿企业（前10%）与一般企业（中位数）每月活跃用户输出Token的差距，从2.6倍扩大到8.3倍；以绝对值计，前沿企业已达一般企业的17.1倍。两组数据叠加，结论很清楚：AI时代的“数字鸿沟”，不再是“有没有上云”“有没有用AI”，而是Token消耗的量级差。不用AI的企业与深度使用AI的企业之间的生产力差距，正在以指数级速度撕裂；这种差距一旦形成，后来者追赶的成本将远高于先发者的投入。

图4｜Token：AI时代最重要的数据生产资料

我们再讲两个案例，具体地感受一下，Token到底是怎么变成企业竞争力的。

第一个案例是某养猪企业，其数据壁垒来自四个维度的叠加：特征精——1万多名兽医的临床经验，被标注成80余种业界独有标签；体量大——330多万台装备日新增20亿余条数据，动态监测4500多项指标，实时链路秒级进仓；链条全——自繁自养、数据口径统一、全量回收，采集贯穿180天全生命周期；积累深——30余年积淀、8年规模化数字采集，横跨多轮猪周期和猪疫病样本。模型侧基于千问基座后训练出养猪专属大模型：13万台声音监控“听咳嗽”，1万余台轨道巡检机器人、17项自动体检构成多模态实时检测；18种结构化数据加80余种体态标签多信号同时命中才报警，预警准确率95%以上；诊断报告每三天跑一轮、每轮一万份，600头批次检测从约20分钟缩短到秒级。效果是头均成本降低数十元，单人管理范围扩大3倍。

但最关键的指标是另一个：日Token消耗仅4个月就增长数十倍。这不是线性增长，而是数据喂养模型、模型优化决策、决策产生新数据的飞轮加速效应。先发者与后来者之间的差距，是指数级的。

第二个实践是自动驾驶，数据处理从“手工作坊”到“自动化流水线”。传统智驾研发是“数据手工小作坊”：数百台测试车的硬盘快递回数据中心，手动清洗、人工标注、人工挖掘、人编写规则代码、小集群训练多个小模型、仿真评测——模型迭代以数月计。某领先智驾企业基于云计算的研发则是“数据自动化生产线”：百万量产车数据实时回传上云，云数据管线自动处理，AI自动化标注、AI特征挖掘、大集群训练端到端模型、AI自动生成控制代码、云上自动仿真评测——模型迭代以数天计。

从“数月”到“数天”，不只是效率提升，而是竞争维度的根本转换：当一方以天为单位迭代、另一方以月为单位迭代时，模型性能的差距将在极短时间内拉开到不可逆的程度。端到端自动驾驶已进入白热化竞争，数据处理的工业化程度，直接决定谁能胜出。

图5｜自动驾驶数据处理：从“手工小作坊”到“自动化生产线”