2024年1月1日，《企业数据资源相关会计处理暂行规定》施行，数据资产入表正式开闸。那段时间，我接触的企业几乎都在问同一句话：我们的数据能不能入表、能评多少亿？
两年过去，风向变了。
另一边发生的事情是：微软每年向Reddit支付6000万美元，买的只是"论坛帖子用于AI训练"的授权；新闻集团与OpenAI签下据称超过5000万美元一年的内容授权协议。注意，这些钱买走的不是数据库的拷贝，而是训练权——把数据喂给模型的资格。
同一批数据，两种价格体系。一边是评估报告里的估值，一边是大模型公司真金白银的采购单。中间的差距，不是评估方法的问题，而是锚点变了：数据资产的价值，正在从"能不能入表、能不能交易"，换成"能不能喂饱模型"。
这篇文章，我把AI形势下数据资产的五个新趋势讲清楚，最后给你一份可以直接抄进年度工作计划的清单。
趋势一：定价权搬家了——从交易所搬进GPU机房
过去我们谈数据资产定价，参照系是三样东西：数据交易所的挂牌价、评估机构的无形资产评估准则、财务入表的会计口径。这套体系的底层假设是：数据像土地和房产一样，有一个"公允价值"等着被发现。
AI把这套假设掀了。
现在全世界出手最阔绰的数据买家，不是交易所里的掮客，而是大模型公司。它们买数据的逻辑完全不同：不看你数据有多少TB，只看它能让模型变强多少。同样一份客服对话记录，在评估报告里可能只按"成本法"折算出几十万，但在一家要做智能客服Agent的公司眼里，那是十万条带着真实人工反馈的应答样本——是无价的原材料。
机制在于：AI改变了数据的边际价值曲线。过去数据的消费者是人，一个人的阅读量有上限；现在数据的消费者是模型，训练语料的胃口以万亿token计。需求曲线整体右移，稀缺的那部分数据——高质量、有标注、语义清晰——价格自然水涨船高。
这给我们的推论是：你的数据值多少钱，越来越不取决于评估报告写得多漂亮，而取决于"有多少模型需要它"。
金句：入表是记账，喂饱模型才是定价。
趋势二：数据资产的"第一读者"，从人变成了机器
问一个问题：你精心搭建的指标体系、驾驶舱、数据目录，是给谁看的？
过去答案很明确：给人看。给业务方看、给管理层看、给审计看。所以数据治理的很多设计，本质上是在伺候人的阅读习惯——可视化要漂亮，口径要解释得通，报表要分层。
Agent来了之后，多了一类读者。而且这类读者的阅读量很快会超过人：企业里的采购Agent直接读物料主数据下单，财务Agent直接读凭证字段对账，运营Agent直接读接口取数。它们不看你精雕细琢的驾驶舱。
机器读者和人类读者的口味完全不同：
•人可以靠默契补全歧义，机器会把歧义执行到底；
•人看"轴承"和"轴承（旧编码）"知道是一个东西，机器会当成两种物料，然后让采购多下一单；
•人能容忍字段命名随意一点，机器的每一次join都在赌你的字段语义唯一。
所以数据资产的可用性，出现了一个新标准：机器可读性。数据结构是否无歧义、元数据是否完整到能支撑自动调用、接口是否比报表更一等公民——这些以前算"锦上添花"的能力，现在成了资产的构成部分。
我判断，未来两年会有一批企业开始做"给Agent看的数据目录"：不是给人浏览的网页，而是机器可直接检索、可直接消费的API目录。谁先做，谁的Agent先跑起来。
金句：给机器看的数据不体面，但机器付钱。
趋势三：验收标准换了——从"合规可审"到"AI可用"
过去验收一个数据治理项目，看的是几张表：标准覆盖率、数据准确率、贯标率、审计留痕完整性。这些指标回答的问题是：这套数据合规吗？经不经得起审计？
AI时代要多问一句：这些数据，敢不敢直接喂给模型？
这两个问题的答案经常不一致。一个客户告诉我，他们的主数据"准确率98%，审计通过"，但拿去做RAG之后效果一塌糊涂——因为同一颗物料在三个系统里有三种口径，人都靠默契在用，模型没有默契。
我之前写过一篇数据标准化的文章，里面有句话在这里要再讲一遍：人遇到歧义会停下来问，Agent遇到歧义会猜一个继续跑。过去口径打架影响的是报表对不齐，开会对齐一下就过去了；现在口径打架，是Agent直接执行错的决策，而且是规模化、24小时不间歇地执行。
于是行业里开始出现一些新的度量，虽然还没有统一名称，但方向是清楚的：
•语料转化率：结构化数据里有多大比例可以无损进入训练或检索增强，不需要人工二次清洗；
•语义密度：同样一张表，注释和业务含义是否完整到机器能自主理解；
•歧义存量：业务里有多少"只有老人靠默契才懂"的口径——这是Agent时代的事故源清单。
治理债的性质也变了。过去的治理债影响报表观感，可以拖延；今天的治理债直接决定模型输出的下限——模型不会比你喂它的数据更讲道理。
金句：过去的治理决定报表好不好看，今天的治理决定AI会不会胡说。
趋势四：确权和估值出现了三笔新账
AI给数据资产出了三道以前不存在的新题。
第一笔：对外授权账。你的数据被爬虫抓去训练了，该不该收钱、向谁收？国际市场的实践是明码标价——Reddit、新闻集团们已经收到了支票。国内的数据知识产权登记也在推进。对多数企业来说，至少要开始盘点：我的哪些数据具备对外授权的价值？授权合同里有没有限制AI训练用途的条款？
第二笔：回流数据账。模型上线之后，它的输出、用户的纠正、人工的复核，会沉淀为新的数据。这批数据质量往往很高——它是带着业务反馈回来的。问题来了：它算谁的资产？进不进台账？谁负责治理？很多企业的数据资产盘点一年做一次，而在AI场景里，数据在飞轮里转一圈就增殖一次，静态台账根本管不住。
第三笔：合成数据账。模型生成的合成数据，算不算资产？可靠性怎么认定？它已经在某些场景里撑起了半壁训练语料，但绝大多数企业的资产管理制度里，压根没有"合成数据"这个科目。
这三笔账背后是同一个机制变化：数据资产的边界第一次变得动态了。过去我们默认资产是存量，盘点是快照；AI时代的数据资产是流量和反馈闭环，快照式的管理会漏掉增长最快的部分。
金句：静态台账，管不住动态飞轮。
趋势五：真正值钱的形态出现了——数据飞轮，而不是数据池
特斯拉的影子模式已经被讲过很多次，但放在数据资产的视角下，值得再看一遍：千万辆车在路上跑，自动回传驾驶数据，数据训练模型，模型变强后卖出更多车，更多车产生更多数据。注意这个闭环里没有一个环节叫"数据资产评估"——但没有人怀疑特斯拉的数据资产价值。
对照很多企业的现状：囤了PB级的数据湖，十年不流动。没有标注、没有业务语义、口径互相打架，AI来了想做点什么，发现挖出来的全是淤泥。
差异在哪里？数据湖是死水，飞轮是活水。数据放那里不动，只会贬值——业务在变，口径在漂，昨天的数据配不上今天的问题；数据在闭环里流动，每转一圈就完成一次"产生→使用→反馈→修正"，质量是被使用逼出来的。
所以AI时代评估一家企业的数据资产，我有一个新的三因子公式：
数据资产价值 = 数据存量 × 流动速度 × 反馈闭环数
存量只是底数，乘数才是拉开差距的地方。两家数据存量相当的企业，一家数据躺在湖里，一家数据每周被模型和Agent消费、消费完有反馈回流，五年后前者的数据资产趋近于折旧，后者是复利。
金句：数据池按吨卖，飞轮按圈复利。
写给数据治理同行的行动清单
以上是判断。判断不能当饭吃，下面是可以直接抄进明年计划的七条，按优先级排序：
1. 重做数据资产盘点，加一列"AI可用性评级"。对核心数据资产逐项打分：结构化程度、语义清晰度、歧义存量、授权状态。四项里有两项不达标，就进不了"喂模型"的候选池。
2. 用高价值场景倒推治理投入。先问明年哪三个业务场景要上AI，再决定哪些数据域值得重点治理。放弃全量治理的幻想——AI时代治理资源要跟着模型走，不是跟着清单走。
3. 把语料授权写进合同与制度。对外：与数据提供方的合同里明确训练用途的边界；对内：哪些数据允许进入模型训练和RAG，写成白名单，别等出了事再补。
4. 数据目录做机读版。给Agent看的目录优先于给人看的目录：API优先于报表，字段级语义优先于页面美观。判断标准很简单——你的Agent能否不经人工解释，自主找到并正确使用这份数据。
5. 启动"歧义清单"专项。让每个业务域的老师傅口述一遍"哪些口径是靠默契才懂的"：旧编码的含义、历史遗留的命名、口头约定优先级。这份清单以前是口口相传的隐性知识，现在是Agent的事故源，必须显性化。
6. 建立回流数据的归属与入账规则。模型输出、用户纠正、人工标注，明确归口部门、质量标准和入账节奏。哪怕制度粗糙一点，先转起来，比等一套完美制度更重要。
7. 换掉汇报话术。向老板汇报数据资产工作时，用"喂饱了几个场景的模…、替业务省了多少人天、Agent每月执行了多少笔决策"替代"入表了多少亿元"。前者是资产在产生现金流，后者只是资产在报表上躺着。
结语
数据资产这个概念火了快十年，十年来它一直缺一个硬锚点——入表想当这个锚点，结果发现记了账，市场不认。
AI把这个锚点补上了。数据的价值，第一次可以用"它让多少个模型变聪明、这些模型又让多少数据变多"来度量。这不是评估技术的进步，这是价值逻辑的更换。
对数据治理从业者来说，这反而是十年一遇的机会：过去我们是给数据记账的人，从今往后，我们是给AI供给弹药的人。
锚点变了，尺子就该换。换得早的人，明年就能在预算会上把故事讲通。
本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：王建峰，36氪经授权发布。