本文作者：安筱鹏
题记
当 AI 智能体消耗的 Token 达到人类的 5 倍，数据究竟在被谁“使用”？2026 年 8 月，全球顶级投资机构 a16z 报告显示：今年 2 月，智能体的 Token 消耗才刚刚追平人类，半年后已是人类的 5 倍；与此同时，前沿企业与一般企业的 Token 消耗差距，从 2.6 倍悄然拉大到 8.3 倍。另一组事实更反直觉：某养猪企业以日 Token 消耗百亿量级，穿越艰难猪周期。数据的消费主体正在从人换成 AI，数据竞争力的密度正在被 Token 重新定义。在大数据产业博览会上，我们不谈流通、不谈确权、不谈入表，而是回到企业视角，追问数据要素的终极问题——如何提升核心竞争力，如何构筑自己的护城河。
本文主要观点源自 2026 年 8 月 29 日在贵阳举办的 2026 中国国际大数据产业博览会“词元——数据要素价值释放新路径”论坛上的主题分享，由阿里云智能副总裁、中国信息化百人会执委安筱鹏主讲，并根据演讲内容整理。
一、AI 时代的数据正在创造“真金白银”的价值
在数据要素主题的论坛上，我们跳出制度设计层面的讨论，回归企业视角：AI 时代数据对于企业的竞争力到底意味着什么？把议题锚定在竞争力与护城河上，可以将数据要素从政策概念拉回商业现实。
答案藏在三个反直觉的案例里：
首先是某养猪企业。养殖虽是传统第一产业，但其日 Token 消耗已达百亿量级，超过绝大多数第二产业巨头。在该行业，数据、Token 与 AI 深度咬合，帮助核心场景完成了从“人盯猪”到"AI 盯猪”的转变。
其次是美国公司 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。它基于医疗领域独有的专业数据构建分析能力，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。
这三个案例的共同逻辑在于：竞争的关键不是“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。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。
麦肯锡报告指出，AI 落地效果不佳的主要原因，是 80% 的任务中 AI 无法获取上下文。这指向的不是 AI 能力不足，而是企业数据准备度不足。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
二、从 Digitalization 到 Tokenization：数据转化为竞争力的五种路径
谈论数据竞争力，必须厘清“数字化”与“数智化”的本质区别。二者并非同一条路上的先后阶段，而是两种不同的范式。
数字化（Digitalization）是将原子世界转换为比特；数智化（Tokenization）则是将已比特化的信息转换为可被 AI 加工的 Token。例如，手机拍照将电磁信号转为 0 和 1 是数字化；而将照片延展为视频、重构为声音，供大模型加工处理，则是 Tokenization。这是从数字化到数智化的价值跃迁。
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"，正是当前大多数企业尚未跨越的价值增量区间。
这意味着，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，从比特到 Token 的“转化率”才是分水岭。过去的投入是门票，而非护城河。
图 2｜从数字化到数智化的完整链路：比特→Token
私有数据通过以下五种路径转化为竞争力，构成递进的壁垒阶梯：
- 将数据转化为模型预训练阶段的智能；
- 在预训练基础上，通过后训练和微调增强模型能力；
- 利用企业或行业数据构建基于 RAG 的知识库，实现检索与调用；
- 将数据、经验、流程、SOP 转化为企业和行业专属的 Skills；
- 让所有数据构建起模型使用时所需的上下文。
前两层的能力差距正被开源模型快速拉平；真正拉开差距的是后三层：RAG 提供外挂知识但仍可复制；Skills 封装了流程经验需长期积累；上下文工程深度绑定业务背景，几乎不可迁移。
当前许多企业反馈模型效果不佳，往往并非模型或算法问题，而是缺乏丰富的上下文。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
三、Token 消耗的分化趋势：AI 时代的新“数字鸿沟”
Token 消耗的主体正在发生静默替换。a16z 报告显示，2026 年 2 月 AI 智能体的 Token 消耗首次超过人类用户，至 8 月已达人类用户的 5 倍。数据的消费主体从人切换到 AI，这是一次主体颠覆。
OpenAI 数据显示，前沿企业与一般企业在每月活跃用户输出 Token 上的差距，从 2.6 倍扩大到 8.3 倍；绝对值上前者已达后者的 17.1 倍。结论清晰：AI 时代的“数字鸿沟”，不再是“有没有上云”或“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以指数级速度撕裂，后来者追赶成本将远高于先发者。
图 4｜Token：AI 时代最重要的数据生产资料
通过两个案例具体感受 Token 如何转化为企业竞争力：
案例一：某养猪企业的数据壁垒
其壁垒来自四个维度叠加：特征精（1 万多名兽医经验标注为 80 余种独有标签）、体量大（330 多万台装备日新增 20 亿条数据）、链条全（全生命周期数据采集）、积累深（横跨多轮猪周期）。基于千问基座后训练的专属大模型，实现了多模态实时检测与秒级诊断，头均成本降低数十元，单人管理范围扩大 3 倍。最关键的是，其日 Token 消耗在 4 个月内增长数十倍，形成了数据喂养模型、模型优化决策、决策产生新数据的飞轮加速效应。
案例二：自动驾驶的数据处理升级
传统智驾研发是“手工小作坊”：硬盘快递回传、人工清洗标注、小集群训练，迭代周期以月计。领先企业则构建了“自动化生产线”：百万量产车数据实时上云，AI 自动标注与特征挖掘，大集群训练端到端模型，迭代周期缩短至数天。从“数月”到“数天”不仅是效率提升，更是竞争维度的根本转换。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”
四、企业的下一步：三个平台、两个飞轮与两大趋势
要让数据与 Token 真正转化为竞争力，企业架构需要重写。AI 时代的企业架构正收敛为三大平台：
- 企业数据知识资产化平台：完成从采集、清洗、治理到 Token 化、向量化的全链路；
- 企业模型管理平台：覆盖持续预训练、微调、强化学习、评测与推理优化；
- 企业智能体开发运营平台：承担编排、多智能体协作、工具集成，以及智能体的运行时、身份、可观测与安全。
此外，还需构建两个飞轮：一是智能体交互数据回流形成“智能体运营飞轮”；二是模型后训练数据回流形成“模型训练飞轮”。两个飞轮咬合，确保企业 AI 成为“越用越聪明的活系统”。这一过程还需要新角色 FDE（Field Deployed Engineer）的介入，推动 AI 落地从“交付软件”转向“交付能力建设”。
图 6｜Enterprise AI 落地方法论：三大平台 + 两个飞轮
展望未来，两大趋势已然清晰：
趋势一：数据要素的升维
数据对象从结构化冷数据走向非结构化热数据；服务主体从服务人走向服务 AI，要求高频、实时、精准决策；处理技术从人编写规则代码走向 AI 自动化处理。企业系统正从记录系统进化为决策系统。
图 7｜从对象特征、服务主体、处理技术，数据要素三方面升维
趋势二：超级智能体的崛起
SAP、Salesforce、Oracle 等全球软件巨头集体转向 Autonomous Enterprise 或 Agentforce。这表明 AI 正在对软件产品发起“斩首行动”：软件的入口层（脑袋）被智能体替代，功能层（身体）被原子化为 Skill、MCP 或 CLI。未来软件产业的价值将向“数据层”和“智能体平台层”两端集中。
回到核心问题：AI 时代，数据如何构筑企业的护城河？答案不在于存了多少数据或买了多强的模型，而在于把多少比特转化成了 AI 能理解、能推理、能决策的 Token，在于是否建起了别人拿不走的上下文、Skills 与飞轮。比特只是记录，Token 才是理解。当数据的消费主体已经从人换成 AI，这场跃迁，每一家企业最终都要完成。
