最新研究

在2025年3月国务院国资委举行的中央企业“AI+”成果会上，国资委规划发展局有关负责人明确表示，下一阶段将继续深化央企“AI+”专项行动，并突出“三个更加突出”：应用领航、数据赋能和智算筑基。这一表述的关键意义在于，数据赋能不是附属于应用和算力之后的辅助工作，而是与前端场景建设、后端算力支撑并列的核心任务，说明国资委已经把数据问题视为“AI+”走深走实的关键瓶颈和关键抓手。

进一步看，在中央企业“AI+”专项行动深化部署会上，国务院国资委已明确提出，要分批构建重点行业数据集、建设好通用基础数据集、做强做优数据产业。这一要求的背后，是对国企人工智能推进规律的现实判断：AI的能力并不只来自模型本身，真正决定应用效果的，往往是数据是否足够贴近业务、是否能够持续积累、是否具备跨场景复用能力。没有这些前提，再先进的模型也很难在企业环境中形成稳定成效。

从政策部署看，国资委特别强调“重点行业高质量数据集”建设，这一表述非常值得重视。高质量数据集并不等同于大量数据堆积，而是指能够服务大模型训练、支撑行业应用优化、具备较强业务针对性和结构化程度的数据资源。这意味着，“AI+”的竞争重心正在从前期的“谁先尝试应用”逐步转向“谁先掌握高质量行业数据、谁先形成行业知识沉淀、谁先建立数据治理能力”。对国企而言，这种重心变化将深刻影响后续应用的深度和广度。

从央企公开进展看，这种变化已经发生。中央企业在交通物流、智慧能源、绿色低碳、金融服务等重点领域正加快推动数据资源开放开发，为模型优化迭代、智算设施建设使用和行业场景规模应用提供支撑。这说明，场景之所以能落地并持续扩展，背后一定有相应的数据准备和数据治理工作在同步推进。对地方国企来说，未来如果只重场景、不重数据，应用很容易停留在试点阶段；只有把数据基础做扎实，场景才能真正从“能展示”走向“能复制”。

在地方国企特别是平台类企业、综合性集团和产业投资类企业中，数据分散几乎是普遍现象。财务、项目、资产、采购、客户、运营、风控、人力等信息往往分布在不同系统、不同部门、不同表格甚至不同文档中，形成“有数据但看不全、有系统但连不通”的局面。这种状态在数字化阶段尚可勉强维持，但一旦企业推进“AI+”，问题就会迅速暴露：模型需要连续、标准、可关联的数据输入，而现实中却往往只能拿到碎片化、静态化、口径不一的数据片段。

更重要的是，国企很多数据并不是天然“可用于AI”的数据。大量业务信息虽然存在，但没有统一标准、没有结构化整理、没有与具体业务规则建立明确关系，因此难以直接支撑智能分析和应用调用。从这个意义上讲，当前地方国企面临的并不只是“数据不够多”的问题，而是“数据虽多但未形成底座”的问题。数据分散和系统割裂，使得AI难以真正进入经营链条和管理链条。

与数据分散相比，标准口径不统一对国企“AI+”推进的影响同样深刻。很多企业内部对同一指标、同一业务对象、同一流程节点存在不同定义和不同统计逻辑，导致不同部门、不同系统输出的结果难以相互印证。在人工智能应用环境中，这种问题会被进一步放大：如果底层数据逻辑不统一、业务规则不清晰，即使模型能够运行，输出结论也很难获得业务部门信任，更难进入日常管理决策。

此外，国企管理中大量关键经验、制度规则和判断依据，仍然以制度文本、会议纪要、项目总结、口头经验等形式存在，难以转化为可复用、可调用、可追溯的知识资源。这意味着，即使企业拥有一定数量的业务数据，如果缺少规则沉淀和知识结构化工作，AI也只能在表层数据上运行，很难真正理解业务逻辑、行业特征和管理约束。数据问题的本质，不只是“有没有”，而是“是不是清楚、是不是统一、是不是能支撑实际判断”。

在很多企业的传统理解中，数据治理往往被视为信息化建设的配套工程，甚至被等同于建库、建仓、建平台。但在“AI+”背景下，这种理解显然已经不够。国资委反复强调高质量数据集、通用基础数据集和数据共享开放，本身就说明当前政策关心的不是企业有没有堆积数据，而是这些数据能否真正支撑场景落地和模型迭代。因此，数据治理的真正含义，应是把原本分散的、口径不一的、难以调用的数据资源，转化为可理解、可关联、可共享、可持续迭代的数据底座。

从企业实践看，真正的数据治理至少包含三个层面：一是数据来源清晰，知道关键数据从哪里来、由谁维护、如何更新；二是数据逻辑统一，确保指标口径、业务定义和规则边界一致；三是数据与业务场景挂钩，不只是“存起来”，而是能够被后续应用调用和解释。在这个意义上，数据治理已经不是“后台工作”，而是决定AI是否真正可用的前台工程。谁先把数据底座理顺，谁就更容易把场景做深。

随着“AI+”从概念走向应用，很多企业会逐步意识到：数据治理不应在项目启动后补做，而应成为应用推进前就必须同步考虑的前置事项。国资委把数据赋能和应用领航、智算筑基并列，本身就说明数据并不是后置条件，而是并行条件。对地方国企而言，尤其如此。因为很多地方国企并不像互联网企业那样天然拥有统一平台和持续积累的数据环境，反而更需要通过前期治理，把数据、规则、知识和流程准备好，后续场景试点才可能真正跑起来。

因此，“先做场景、后补数据”的路径往往成本更高、风险更大。更稳妥的做法是：围绕重点场景先梳理需要什么数据、缺哪些规则、有哪些知识没有沉淀，再同步推进场景设计和底座准备。这也是为什么第四篇必须讨论数据：因为如果没有数据底座，前面的高价值场景和后面的模型能力，都很容易停留在试点或展示层面，难以真正转化为企业能力。

对地方国企而言，数据治理最忌讳“大而全、先铺满”。因为企业资源有限、基础不一，如果一开始试图把全部数据问题一次性解决，往往容易陷入投入过大、周期过长、成效不明显的困境。更现实的做法，是围绕已经识别出的重点场景，从具体业务问题倒推出需要什么数据、哪些数据必须打通、哪些规则必须统一、哪些知识需要沉淀。这样做的好处在于，数据治理会直接服务场景建设，治理成果也更容易被业务部门感知和认可。

例如，若企业优先推进资产运营类场景，就应优先梳理资产台账、收益信息、合同规则、风险标识等关键数据；若优先推进项目管理类场景，则应先统一项目节点、投资口径、进度规则和预警逻辑。这种“从场景倒推底座”的方法，比脱离业务空谈数据治理更容易形成突破口，也更符合地方国企稳步推进“AI+”的现实节奏。

地方国企推进数据底座建设时，还应坚持“先重点、后扩展”的原则。企业不一定要一开始就建立覆盖全集团、全业务、全口径的完美数据体系，而可以优先围绕主责主业和高价值场景，先梳理一批真正关键的数据对象、管理规则和知识内容。只要这部分重点数据能够形成统一口径、清晰来源、相对稳定的更新机制，就足以为首批场景试点提供支撑，并为后续扩展积累方法和经验。

这种“先重点后系统”的路径，也更容易与国企现有管理体系结合。很多企业并不缺数据，而是缺“可用数据”和“重点数据”。因此，数据底座建设的关键，不是先问企业总共有多少数据，而是先问“哪些数据对当前场景最关键、最能产生价值、最值得先统一”。当这部分重点数据真正被治理起来，数据底座建设就会从“技术工程”逐步转化为“管理工程”和“发展工程”。

数据底座一旦要长期发挥作用，就不能只依赖一次性梳理，而必须进入日常管理机制。国资委强调推进数据共享开放、突破数据难题，实际上也意味着企业不仅要做技术整理，更要建立持续的协同机制和责任机制。对地方国企而言，这至少包括三个方面：明确数据归口和维护责任，推动重点指标口径统一，建立跨部门共享和更新机制。只有这些机制建立起来，数据底座才不会在项目结束后再次碎片化。

从更长远的角度看，数据底座建设也是企业知识治理和能力沉淀的一部分。今天是为“AI+”做数据准备，明天则可能成为支持经营分析、风险管控、产业管理和内部协同的基础资源。因此，地方国企如果把数据治理只看作一次性配套工作，其价值会被低估；如果把它纳入长期管理体系和能力体系，则更容易在“AI+”推进中形成持续优势。

随着国企“AI+”专项行动不断走深，数据问题已经不再是后台支撑问题，而成为影响应用深度、复制效率和转型成效的底座问题。国资委把数据赋能列为与应用领航、智算筑基并列的重点方向，本身就说明“AI+”推进已经从前端试点竞争，进入到底层能力建设竞争阶段。对地方国企而言，当前真正需要回答的，不只是“有哪些场景值得做”，也包括“有没有足够清晰、统一、可用的数据底座去支撑这些场景”。

谁能够更早把数据、规则、知识和共享机制梳理清楚，谁就更有可能把前端试点做实、把后端模型用稳、把“AI+”真正从概念转化为能力。数据治理不是配套工作，更不是可有可无的后台事项，而是国企“AI+”能否从试点走向体系、从工具走向能力的关键前提。