数商观点 | 王路燕:AI时代的数据供给新范式

当智能录音笔能够自动完成会议转写、内容总结并同步至知识库，当一句指令即可驱动系统完成全流程数据治理，当信息检索从传统搜索引擎转向AI直接问答，我们正身处一个被AI深刻改变的时代。AI正在全方位重构数据的入口、流动方式与使用逻辑，数据供给领域也随之迎来一场根本性的范式变革。

过去十余年间，行业通用的数据处理链路为数据采集、目录搭建、归集整合、治理优化，最终实现数据共享开放与授权运营，这一体系的服务对象始终是人或业务系统。从人和系统的角度来看，系统使用数据需要按目录查找、按部门或系统归集，要求数据具备完整性、准确性和及时性，通过共享接口与批量数据满足使用需求。

随着AI成为数据的核心消费主体，数据需求逻辑发生彻底颠覆。AI不再关注传统的数据口径与组织形式，而是更聚焦数据的语义、实体关系与可计算特征，同时要求数据具备多样性、样本均衡性、无偏差性与高质量标签，适配隐私计算、AI原生开放、可信数据空间等新型应用模式。

这一转变也直接暴露了传统数据供给存在的三重断层：一是数据质量断层，从数据到信息，面临的是数据质量问题，很多数据“有”，但“不能用”；二是语义断层，从信息到知识，缺乏语义层面的支撑，机器无法理解数据背后的业务逻辑；三是行动断层，从知识到智慧（或行动），缺少最后的产品化封装和场景切入。

AI时代的数据供给，核心目标不再是简单完成数据交付，而是要实现三个“可”：

高质量数据集是可训练的基础，面向AI模型预训练与微调打造适配性数据资源。通过多模态数据融合、标准化清洗、精准标注、数据增强、样本均衡与质量评测，让数据具备可训练特性，支撑模型从传统静态规则转向动态智能。以金融信贷风控场景为例，融合银行内部数据、政府公共数据、第三方消费数据等多源异构数据，经过异常清洗、样本均衡、科学划分训练集、验证集与测试集后，可实现毫秒级特征提取与模型推理，挖掘消费稳定性等弱相关特征，替代人工静态规则实现动态智能决策。

知识库是可理解的核心，让AI不仅能读取数据，更能读懂数据背后的业务含义。通过本体论建模搭建连接数字资产与现实世界的桥梁，结合知识图谱、逻辑推演与可解释性设计，将行业隐性知识结构化、显性化，实现经验的机构化沉淀。借鉴Palantir Ontology的设计思路，本体并非单纯的数据目录，而是组织的操作层，包含对象层、关系层、动作层，形成业务数字孪生，清晰回答业务变化对象、关联关系、当前状态与后续动作四大核心问题。

数据产品与智能体是可执行的关键，将数据能力封装为可直接落地业务的工具。通过API化、工具化、Agent化的模块化封装，实现场景化嵌入与复用扩展，形成理解、执行、反馈的闭环能力。以数据编目智能体为例，可自动完成多渠道数据采集、去重补全、质量评估、规范命名、描述生成与目录优化，一键输出符合标准的数据目录，大幅降低数据治理的成本与门槛。

AI时代的数据供给新范式并非单点技术优化，而是构建覆盖数据源、加工、输出、应用的完整体系。在供给加工链层面，以业务数据、公共数据、第三方数据、行业数据等多模态数据为源头，依次完成数据清洗、打标、拆分、增强、质量评测等基础处理，再通过本体语义建模、概念模型搭建、规则提炼形成知识库，最终完成能力封装打造数据产品与智能体，就是数据怎么被加工、被理解、被封装。在价值释放链层面，用这些能力去解决实际问题。从场景出发，去调用这些数据产品，然后在实践中不断反馈、迭代，形成闭环。这套体系可覆盖政务、金融、制造、医疗、教育等多个高价值领域，核心遵循以用定供、以供促用的逻辑，让数据从成本中心转变为价值创造中心。

落地数据供给新范式，需遵循五步实践路径，以高价值场景为牵引稳步推进。第一步选场景，锁定高价值、高频次、可验证的业务场景作为切入点；第二步理需求，明确所需数据类型、质量标准与供给频率；第三步治数据，完成数据归集、清洗、标注、增强，构建高质量数据集；第四步建知识，提取业务规则、搭建知识图谱、沉淀行业经验；第五步出能力，将核心能力模块化封装，打造数据产品与智能体，实现价值落地。