回顾历史，三次工业革命为人类带来了深远的变革。蒸汽时代借助机械化生产的力量，实现了生产力的提升，电气时代通过电力驱动的广泛应用，使生产力实现了质的飞跃，前两次工业革命以硬件创新为核心驱动力，推动了物理世界的生产力跃迁。而信息革命则构建了一个数字化的世界，辅助并丰富了物理世界。展望未来，人类文明将从数字化时代迈入智能化时代，数字世界与物理世界深度融合，而AI技术则将不遑多让地成为其中的“执牛耳者”。其中，AI数据更将成为千行百业的企业与组织不可获取的“原油”，推动智能化时代加速到来。

AI技术及数据要素发展趋势展望

1956年达特茅斯会议上，人工智能的概念被正式提出。在长达半个世纪的探索后，第二阶段于2010年代拉开帷幕，海量数据与算力集群推动AI性能跃迁，神经网络技术逐渐成为主流，AI智能开始涌现。例如，大语言模型 (Large Language Model, LLM) 的问世，以及自动驾驶中神经网络的应用。2012年，AlexNet在图像分类大赛ImageNet中一骑绝尘，开启深度学习时代。

2030年前，人类有望迈向高级机器智能 (Advanced Machine Intelligence，Meta公司提出) 时代，AI将具备执行能力，且因智能实现成本持续降低而得到广泛普及，进而推动更智能、更自然的人机交互。数据也正作为智能经济时代的“原油”，加速驱动大模型的“智能涌现”。例如，2025年Manus智能体产品引爆全球，标志着具备执行力的AI Agent加速落地。

展望未来，数据要素的发展将呈现五大趋势。一是数据当量指数级增长，二是数据产生场景多元化，三是数据形态日趋复杂，四是蓬勃发展的数据要素市场带来海量投融资机会，五是数据要素资产化加速，强化数据治理体系的建设对千行百业的企业与组织而言势在必行。

数据在哪里：AI数据生态图谱及各生态参与方演进趋势

AI数据生态主要可分为4大类型参与方，分别是数据服务供应商、大模型厂商、垂类解决方案厂商和产业企业。

1.数据服务商

数据服务商是“原料”供应方，其所提供的数据集与标准服务对模型整体性能与对千行百业“理解力”的提升至关重要。当前，国内数据服务生态尚属发展初期，未来有望随国内数据要素市场的规模化增长得到进一步发展。展望未来，数据服务商将呈现五大发展趋势，使其更好地服务大模型厂商、垂类解决方案企业与产业企业等多元化数据需求。

2.大模型厂商与垂类AI解决方案厂商

大模型厂商与垂类AI解决方案厂商既是重要的数据采购方，也是真正向千行百业输送“智能”的核心力量。其中，垂类AI解决方案厂商可大致分为AI ISV（从事原生AI应用开发的软件公司）与AI硬件两大阵营，前者聚焦北向应用（如Concourse公司凭借其财务AI助手，获得顶尖风投机构A16Z与Y Combinator的投资）；后者则选择将AI特性与智能硬件相结合（如苹果iOS接入GPT）。

对领域各异的企业而言，三大趋势值得重点关注：一是算法与神经网络架构的持续革新带来智能成本的降低，加速AI走向千行百业；二是大模型厂商与产业企业的生态合作加速，为企业智能化提供了“第二选项”；三是AI应用开发工具日趋完善，将加速垂类行业生态创新。

3.产业企业

产业企业是“智能”的最终需求方，凭借其独有的垂类行业专业知识与企业自身的数据资产，能够构建起贴合企业自身需求的定制化AI解决方案体系，从而显著提升企业综合竞争力。展望未来，产业企业有四大机会点。

在国内，AI Agent的产业化应用正在加速。例如，24年上线的研华科技WISE-AI Agent平台结合大模型能力，实现自身工厂运营的提质增效。如在组装制程中，WISE-AI Agent智能体平台整合多源异构数据，借助AI进行状况诊断和异常分析，及时发现生产瓶颈，提供改善建议与直观报告；通过反馈机制不断更新知识库，提升AI分析结果的准确性；通过持续监控预警，循环改善生产流程；平均提升生产力约10%，年人均产出工时预计提升4%，显著提升了产线生产力。

此外，尽管当前企业私有知识库更多聚焦在单个职能/领域，未来跨职能跨系统的大型知识库势必将更加普及，以深化大模型对企业运作全貌的理解，进而加速智能涌现。例如， OpenAI 在今年3月发布的最新开发套件中，File Search工具可最高支持100 G的海量文档搜索，支持.pdf/.pptx/.py/.json等十几个主流文件类型，为大型跨职能知识库与大模型的能力结合提供了新思路。

治理之道：企业如何借助AI技术与数据要素强化核心竞争力

如果将企业在AI时代的技术栈布局比作一棵参天大树，那么数据体系就是树根，为北向应用源源不断提供养料；AI大模型等数智化系统是树干，是提供“智能”的引擎；层级化的AI Agents体系则是树枝，负责具体的任务执行。

然而，国内企业当前数据治理能力相较全球领先区域仍有待提升。据罗兰贝格调研，中国企业当前数据存留率仅2.8%，不足美国7.3%一半。造成数据存留率差距的核心原因有二：一是多数国内企业管理层对数据要素的重视程度有限，使得当前中国企业的数据治理体系尚不完善，如多数企业对不同类型与价值数据的存储周期并无明确的治理规则，导致诸多数据难有效存留；二是企业对大模型等创新型AI类应用部署不足，导致企业日常运营的决策更多是“基于经验与既定规则”而非“基于海量多模态数据综合研判”，使得数据要素的价值未被充分挖掘。

“但得本，不愁末”。为更好地拥抱智能化时代，实现真正的差异化竞争力，企业当前首要且基础的工作是完善数据治理体系的建设。基于对数据要素价值的深度挖掘，企业围绕组织效能跃迁与客户体验优化两大主题，打造独一无二的差异化AI解决方案生态势在必行。

诚然，数据治理并非一个新话题，但AI时代的数据治理有望迎来三大变化。一是AI解决方案对高质量数据的刚性需求倒逼数据治理提质增效；二是AI技术创新有望显著降低数据治理复杂度；三是数据治理的价值将因AI解决方案体系的应用而更加显性化。

罗兰贝格基于多年的业界实践与对AI领域的洞察，提出企业智能化时代数据治理框架，分为“顶层设计 – 运营体系 – 支撑机制”三层，为产业企业构建现代化数据治理体系提供体系化工具支持。

结语

对于企业而言，凭借AI技术提升管理及生产效率，以及通过有效的数据治理确保AI可用，已然成为一道“必答题”。当下，AI的创新应用层出不穷，大模型的架构及算法也在不断创新，我们建议企业积极应用部署创新应用，同时注重自身的AI数据治理工作，使数据在使用的过程中越用越多、越用越活，并进一步激发更多AI创新应用的出现。