夜雨聆风
过去两年，AI行业最受关注的部分，一直是模型竞赛。
谁发布了更强的大模型，谁支持更长上下文，谁多模态能力更好，谁的Agent可以执行更多任务。公众对AI的理解，也很容易被这些信息牵引到一个方向：AI的核心竞争，似乎仍然发生在模型公司之间。
但国家数据局公布的一组数据，提供了另一个观察角度。
根据国家数据局转载央视新闻的信息，2025年，用于大模型推理的数据量首次超过用于训练的数据量。国家数据局相关专家解读进一步披露，2025年用于人工智能的数据量为199.48EB，其中推理数据量达到101.34EB，首次超过训练数据量。这个变化被解读为人工智能正在从服务商加大力度“投喂数据”，转向各行业基于现实场景应用人工智能。
这组数据真正值得关注的地方，不是数字本身有多大，而是它反映了AI产业重心的变化。
训练数据更多，说明行业主要还在建设模型能力。推理数据反超，说明AI开始进入更大规模的使用过程。它不再只是实验室里训练出来的一个能力，也不再只是模型公司发布会上展示的参数和榜单，而是开始在客服、销售、办公、研发、生产、金融、医疗、教育、政务和企业管理场景里被持续调用。
这意味着，AI产业正在从“模型能不能做出来”，转向“模型能不能在真实场景中持续产生价值”。
对企业来说，机会也正是在这里开始出现。
推理数据反超，意味着AI开始从读书进入上班
如果用一个不太学术但更容易理解的比喻来说，训练数据像是AI读过的书，推理数据则更像AI真正开始工作时处理的业务信息。
训练阶段，模型通过大量数据学习语言、知识、推理方式和任务规律。这个阶段更依赖模型公司、算力公司、数据集建设者和基础设施企业。普通企业很难真正参与到基础模型训练的核心竞争中，除非它本身拥有非常大规模、非常高质量、非常稀缺的行业数据。
但推理阶段不同。
推理发生在具体应用里。用户提问，系统回答；销售调用客户资料，AI生成跟进建议；客服接入历史工单，AI判断问题类型；企业把内部文档接入知识库，让员工通过自然语言查询；管理者把经营数据交给智能体，让它辅助分析异常和生成方案。
这些都属于AI在真实场景中的使用过程。
当推理数据首次超过训练数据，说明AI的产业价值正在从模型能力扩散到应用场景。模型当然仍然重要，但企业真正能参与的地方，不在于自己去造一个通用大模型，而在于把自己的业务数据、客户知识、流程经验和行业场景接入AI，让模型变成企业内部可用的工作能力。
这也是为什么这个变化对企业特别重要。
过去AI竞争看起来离普通企业很远，因为它是大模型公司的技术竞赛。现在AI开始进入推理应用阶段，企业自己的数据和场景开始变得关键。谁能把真实业务整理成AI可调用的知识，谁就更容易把通用模型转化成自己的生产力。
AI产业从模型竞赛，进入场景落地阶段
国家数据局在《关于推进行业高质量数据集建设行动的方案》中提出，行业高质量数据集是推动“人工智能+”赋能千行百业、实现产业落地的基础性、关键性资源。方案还提出要形成“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的数据飞轮。
这句话如果放在政策文件里看，容易被当成常规表述。放到产业变化里看，它其实讲清了AI落地的基本顺序。
不是先买一个AI工具，然后期待业务自动变好。更合理的路径是，企业先从真实场景出发，找到哪些业务问题值得被AI处理；再围绕这些场景整理数据和知识；随后让模型基于这些数据完成任务；最后在应用过程中持续产生新数据，再反过来优化系统。
这就是数据飞轮。
很多企业现在做AI，问题恰恰出在顺序反了。
它们先买工具，再找场景；先让员工试用，再问能不能提效；先搭一个聊天机器人，再发现内部资料不完整；先做智能客服，再发现历史工单没有标准分类；先做销售智能体，再发现客户画像、报价规则和案例资料全都散在不同员工手里。
结果就是，AI看起来很先进，但落到企业内部，最后只剩下写文案、做总结、改PPT。
不是AI没有价值，而是企业没有把自己的业务变成AI可以理解和调用的资产。
推理数据反超训练数据，提醒企业一个现实：AI的主战场正在从模型本身，转向模型与场景之间的连接能力。
企业真正的机会，是把业务经验变成数据资产
过去企业谈数据资产，很多时候容易停留在报表、客户名单、交易记录和系统字段上。
这些当然是数据，但它们未必能直接支撑AI落地。AI真正需要的，不只是“有数据”，而是能被理解、被检索、被调用、被验证的数据。
企业内部大量有价值的信息，其实长期没有被当作资产管理。
销售和客户反复沟通中积累的异议，客服每天处理的高频问题，项目交付中的经验教训，创始人对行业趋势的判断，产品团队对功能边界的解释，老员工处理复杂问题的办法，客户成功团队知道的续费和流失原因，这些东西往往散落在聊天记录、会议纪要、销售文档、个人经验和部门文件夹里。
在过去，它们依赖人来传承。一个新人要学会业务，需要跟着老员工听电话、看案例、翻资料，甚至靠不断犯错积累经验。公司规模小的时候，这种方式还勉强可用；公司业务一旦复杂，知识就开始流失、重复和断层。
AI时代，这些经验如果被结构化整理，就可能变成企业自己的智能资产。
例如，销售智能体不只是帮销售写一句话，而是能够基于企业真实案例、客户行业、报价规则和历史异议，生成更符合业务边界的跟进建议。客服智能体不只是回答常见问题，而是能够识别问题类型、调用历史工单、判断是否升级，并把新问题沉淀回知识库。内容智能体不只是生成文章，而是能围绕企业案例、行业判断、客户问题和产品能力，持续生产对外可用的专业内容。
这些能力的基础，不是模型本身，而是企业有没有把自己的业务经验整理成可调用的数据资产。
国家数据局在2026年“数据要素×”新闻发布会上提到，2025年全国活跃数据总量为1.67ZB，同比增长28.46%；企业数据产品和服务数量同比增长29.29%，交易额同比增长39.8%。这些数据说明，企业数据价值释放已经不只是概念，而是在产品化、服务化和交易化中加速。
对普通企业来说，不一定马上参与数据交易，但至少应该意识到：自己的业务数据和经验，正在成为AI时代新的经营资产。
知识库建设，不是把文件上传给AI
很多企业听到数据资产，第一反应是做知识库。
这个方向是对的，但理解经常很浅。
知识库不是把公司文件上传到一个系统里，也不是把产品手册、销售话术、客户案例一股脑丢给AI，然后期待它自动变聪明。这样做出来的知识库，很容易变成一个混乱文档仓库。AI能查到东西，但查出来的内容未必准确、完整、可用。
真正的企业知识库，应该围绕业务任务建设。
如果是销售场景，知识库要解决的是客户识别、需求判断、异议处理、方案匹配和成交推进。它需要有客户类型、行业问题、产品边界、报价规则、案例证据和常见风险。
如果是客服场景，知识库要解决的是问题分类、回复标准、升级流程和服务一致性。它需要有问题标签、历史工单、处理步骤、责任边界和更新机制。
如果是内容和品牌场景，知识库要解决的是企业如何被外部理解。它需要有公司定位、业务范围、案例素材、行业观点、专业解释、常见问题和对外表达规范。
所以，知识库不是资料堆积，而是业务知识的重新组织。
国家数据局关于行业高质量数据集建设的行动方案中，专门提到要推动构建符合结构完整性、内容多样性、标注准确性、模型适配性等质量标准，满足人工智能就绪的高质量数据集，并鼓励围绕行业特定应用场景，构建更精、更强的高知识密度数据集，以降低训练推理成本。
这对企业知识库建设很有启发。
AI能不能用好，不取决于企业资料数量有多大，而取决于资料是否围绕业务场景被整理过，是否有清晰结构，是否有准确标注，是否能持续更新，是否能被模型稳定调用。
很多企业做知识库失败，不是因为资料不够，而是因为资料没有变成知识；知识没有贴近流程；流程没有形成闭环。
推理阶段的竞争，拼的是企业场景深度
训练阶段拼通用能力，推理阶段拼场景深度。
通用模型可以回答很多问题，但企业真正需要的是：它能不能理解我的客户、我的产品、我的流程、我的交付方式和我的风险边界。
一个制造业企业需要的AI，不只是会写邮件，而是能理解设备参数、生产场景、采购流程、售后问题和行业客户的决策逻辑。一个连锁餐饮企业需要的AI，不只是会生成营销海报，而是能理解门店位置、用户评价、供应链成本、活动节奏和区域竞争。一个企业服务公司需要的AI，不只是会写方案，而是能理解客户预算、组织结构、业务痛点、决策链条和交付边界。
这些能力都不是通用模型自动具备的。
它需要企业把自己的场景说清楚，把数据整理出来，把知识持续沉淀，把AI放进真实流程里不断使用。推理数据的增长，本质上就是这种真实使用过程的增长。AI每一次在业务中被调用，都会产生新的问题、新的反馈、新的结果，也会倒逼企业重新整理自己的数据和知识。
这也是为什么“应用驱动迭代”很重要。
过去模型迭代主要依赖训练数据和模型公司能力。未来企业级AI落地中，场景应用本身也会成为模型和系统持续优化的来源。客户问了什么、AI答得对不对、员工改了哪里、最后有没有成交、客服有没有解决问题、方案有没有被客户接受，这些推理过程中的反馈，都会成为下一轮优化的依据。
企业真正要建设的，不只是一个AI工具，而是一套围绕场景持续进化的数据闭环。
企业不要只盯着大模型，而要建设自己的小闭环
很多老板现在看AI，容易被大模型发布节奏带着走。
今天看哪个模型能力更强，明天看哪个Agent更先进，后天又看哪个平台降价。关注这些当然有必要，但如果企业只盯着外部模型，很容易忽略自己真正能做的部分。
普通企业没有必要参与通用大模型竞赛，也很难靠模型本身建立壁垒。真正可控的，是企业自己的数据、知识、流程和应用场景。
这就是企业AI落地的小闭环。
先从一个高频场景开始，整理对应数据和知识；再让AI进入这个流程，辅助员工完成具体任务；随后记录AI输出、人工修改和业务结果；再把这些反馈重新沉淀回知识库。这个闭环跑起来之后，企业才能逐渐扩大到销售、客服、内容、运营、管理等更多场景。
这个过程看起来没有模型发布那么热闹，但它才是企业真正获得AI能力的方式。
如果一家企业没有客户问题库，销售智能体只能说套话；没有产品知识库，客服智能体很难可靠回答；没有案例库，内容智能体只能生成泛泛而谈的文章；没有流程规则，管理智能体只能做表面总结。
AI工具解决的是执行效率，企业数据和知识库解决的是业务质量。
推理数据首次超过训练数据，正好说明AI产业已经从“模型能不能回答”进入“模型能不能在真实业务里持续工作”的阶段。这个阶段，最有机会的不是那些追着工具跑的企业，而是那些开始整理自己业务底座的企业。
AI时代，企业数据资产会影响增长能力
数据资产过去更多被放在数字化、管理和合规语境里讨论。到了AI时代，它会更直接影响企业增长。
原因很简单：客户、员工、平台和AI系统都在重新组织信息。
外部客户通过搜索、内容平台、AI问答和行业资料了解企业；内部员工通过知识库、智能体和业务系统调用经验；管理者通过数据分析和AI辅助判断经营变化。企业的数据和知识如果混乱，外部表达就不稳定，内部协作就低效，AI系统也很难形成准确判断。
这会直接影响增长。
一个企业官网讲不清楚自己，AI就很难准确理解它；销售资料没有统一版本，客户就会收到不同解释；案例没有结构化沉淀，内容团队和销售团队就无法反复调用；客服问题没有分类，企业就很难发现产品和服务中的真实痛点。
这些问题过去靠人也能勉强维持，但AI进入之后，混乱会被放大。
因为AI不是魔法。它依赖输入。如果企业给它的是碎片、重复、过期、矛盾的信息，它生成的结果也会不稳定。企业以为自己在做智能化，实际只是在把原有混乱自动化。人类管理史，真是不缺这种昂贵的自我安慰。
因此，AI时代的企业增长不只是投放、内容、直播和销售团队的问题，也不只是买一个智能体工具的问题。它更底层的是，企业有没有一套可被人和AI共同理解的数据资产。
这套资产决定企业能不能被客户理解，能不能被AI系统正确描述，能不能让员工高效复用经验，能不能让智能体真正进入业务流程。
企业真正要补的，是AI可用的数据底座
国家数据局数据显示，截至2026年一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB。国家数据局局长刘烈宏还提到，将打造一批集“数据集生产加工和流通利用、支撑模型训练应用”于一体的数据赋能工场，以及一批“数据×智能体”示范工程，加速推动人工智能应用落地。
这组信息背后，其实对应企业AI落地最现实的方向：数据不能只是存在系统里，而要能被加工、流通、调用，并支撑模型应用。
放到企业内部也是一样。
企业真正要补的，不是“有没有AI工具”，而是有没有AI可用的数据底座。这个底座不一定一开始就很大，但必须足够清晰。哪些客户问题最常见，哪些销售资料最有效，哪些案例最能证明能力，哪些流程最容易出错，哪些内容最适合对外表达，哪些知识需要定期更新，这些都应该被系统化整理。
更重要的是，企业要把数据底座和业务流程连接起来。
知识库不能只给员工查资料，还要进入销售跟进、客服回复、内容生产、方案生成和管理分析。客户数据不能只停留在CRM字段里，还要帮助企业判断客户阶段、需求强度和下一步动作。案例资料不能只放在文件夹里，还要能被内容团队、销售团队和AI系统反复调用。
当数据底座开始进入流程，AI才会真正成为企业能力。
否则，AI只是一个外部工具，热闹一阵，最后又变成几个账号和一堆没用完的订阅。
结语：企业的机会，不在模型竞赛里，而在推理场景里
AI推理数据首次超过训练数据，是一个重要信号。
它说明AI产业正在从模型竞赛，走向更广泛的场景应用。模型公司依然重要，算力和基础设施依然重要，但企业真正能参与、能积累、能形成优势的地方，是推理发生的真实业务场景。
未来AI不会只属于造模型的公司。
它也属于那些能把客户问题、业务流程、行业经验、产品知识和组织能力整理成数据资产的企业。因为推理阶段的AI，最需要的是场景。没有场景，模型只是能力；进入场景，模型才会变成生产力。
对企业来说，真正的机会不是追着每一次模型发布跑，而是从现在开始建设自己的数据底座和知识库。
把客户问题沉淀下来，把销售经验结构化，把案例整理成可调用资产，把官网和公开内容讲清楚，把内部知识放进流程，把智能体接入真实业务。
这些事情看起来不如发布一个大模型刺激，但它们决定AI能不能真正改变企业经营。
训练数据属于模型公司的上半场，推理数据打开的是产业应用的下半场。
而企业的机会，正在下半场出现。
参考资料
国家数据局：央视新闻《从实验室走进日常生活，3个信号读懂AI发展新动向》。国家数据局：专家解读《数据资源供给扩容提质，筑牢人工智能发展底座》。国家数据局：《关于推进行业高质量数据集建设行动的方案》。国家数据局：2026年“数据要素×”新闻发布会。国家数据局：央视新闻《全国已建成高质量数据集超11.6万个》。