AI時代數據可信流通產業周期洞察報告 ( 2026 )

AI時代數據可信流通產業丨洞察報告

摘要：

報告基于“E-Cycle 技術周期”框架，系統性分析了AI浪潮下，數據可信流通產業的發展脈絡和演進趨勢。

一、AI帶來的創新價值與沖擊挑戰

1.輔助式AI到自主式AI的變革式能力躍遷將推動“AIAgentAnywhere”的趨勢發展，同時也伴隨著“人對AI的失控、AI自身的失控、AI導致的數據泄露失控”三大沖擊挑戰

( 1 ) AIAgentAnywhere的發展趨勢：以OpenClaw、Hermes Agent等智能體的落地應用為分水嶺，行業便邁入了自主式AI的創新發展周期。相較于僅能被動響應指令的傳統AI，以及以Copilot為代表、僅能輔助人工操作、缺乏自主閉環迭代能力的輔助式AI，自主式AI實現了能力范式的根本性躍遷。自主式AI以動態鮮活數據為核心持續優化自身決策與執行能力，向目標方向不斷收斂，擺脫對人工干預的依賴，具備了目標驅動、自主規劃、動態決策、工具調用、升級迭代的全鏈路自主作業能力。自主式AI智能體與前代AI產品形成了本質代差，它不再是依附于人類的輔助工具，而是能夠獨立承接復雜任務、自主推進目標落地的“硅基員工主體”，這種巨大的生產力變革將推動AI應用于千行百業，讓AIAgent無處不在。

( 2 )AI帶來的三大沖擊挑戰：由于AI智能體存在無邊界上下文暴露和開放動態命令執行的本源性風險，AI智能體的落地面臨安全體系崩潰挑戰，同時面臨著“人對AI的失控、AI自身的失控、AI導致的數據泄露失控”三大沖擊挑戰。釋放自主式AI創新效能的同時，構建與AI迭代收斂閉環相匹配的全鏈路數據治理、風控與安全體系，成為企業必須同步推進的核心戰略議題。

2.在“AIAgentAnywhere”的發展趨勢下，自主式AI智能體導致的數據泄露失控是正在面臨的新型數據安全問題，若不加以有效管控和解決，企業將會陷入“越用AI、數據風險越高”的危險遞增循環

AI時代的數據安全問題愈發嚴峻：2025年，13%的數據泄露事件與AI系統直接相關 ( 預計2028年將達35% ) ，超過四分之一的AI安全事件和數據安全相關。

自主式AI的快速演進正面臨著日益嚴峻的失控問題，由此帶來了數據安全領域全新的增量風險。這類風險并非傳統安全威脅的簡單延伸，而是源于自主式AI在運行機制上的根本性變化。相較于傳統技術攻擊（如漏洞利用、病毒植入）以及人為泄露（如內部人員誤操作、權限濫用）等常見安全隱患，此類風險具備更強的安全防護體系穿透能力。隨著越來越多的企業開始采納自主式AI智能體，由AI導致的數據泄露失控，成為業界需要亟待解決的問題。

3.數據類場景的AI智能體開始逐步落地應用。這類產品能夠提升數據治理及加工的效率，但也帶來了更嚴峻的數據泄露風險。企業需優先確保此類智能體的可靠性與可控性，增強對高敏感數據的密態保護。

我們看到一些企業推出了數據分析、數據治理加工等數據類AI智能體產品。這類產品直接面對的是用戶隱私、商業機密等高敏感數據。

由于自主式AI的自主決策與跨系統協同特性，使其可能因指令理解偏差、權限失控或外部攻擊引發數據泄露，讓原本可控的數據業務，新增了由AI帶來的安全隱患，企業需構建更嚴密的全鏈路安全防護體系和數據密態保護措施來增強安全性，此外還可以結合行為控制、核驗機制等手段，提高AI智能體的可控性和可靠性。

二、企業AI落地激發數據可信流通需求

企業AI落地所涉及的各類數據面臨多種泄露風險，基于密態計算等數據隱私保護技術所構建的數據可信流通范式，將逐漸內化為企業AI落地的原生安全能力

企業AI落地過程中的AI就緒數據、AI生成或調用的各種數據，存在諸多數據泄露風險。而自主式AI無邊界上下文暴露等問題，雖可通過AI架構設計、權限邊界管控等方式前置防范，但伴隨AI技術持續迭代，仍可能涌現新的安全問題。而基于密態計算的數據隱私保護能力，是數據安全兜底的終極護盾，其將逐漸內化為企業AI落地的原生化安全能力。下文以“基于密態計算的受控匿名化個人數據保護”做為典型案例展開描述：

周期概覽

本研究定義的“AI時代的數據可信流通”產業周期，以“數據可信流通產業的發展”為主線，同時關注以大模型、自主式AI為代表的新一代AI技術對數據可信流通的機遇和挑戰。

關于E-Cycle曲線對周期的定義，請點擊文末的“閱讀原文”來查閱完整版報告。

周期解讀一共分為三個部分：歷史回顧（ 2021—2024 ）、現狀洞察（ 2025—2026 ）、趨勢推演（ 2027—2036 ）。

歷史回顧（ 2021—2024 ）部分，此文章不進行展開介紹，想了解詳細內容的讀者，請點擊文末的“閱讀原文”來查閱完整版報告。

現狀洞察

周期用例1｜ 可信數據空間建設熱潮

可信數據空間–簡要介紹

可信數據空間是基于共識規則，聯接多方主體，實現數據資源共享共用的一種數據流通利用基礎設施，是數據要素價值共創的應用生態、支撐構建全國一體化數據市場的重要載體

國家數據局于2024年推出《可信數據空間發展行動計劃（2024—2028年）》，提出分類施策推進企業、行業、城市、個人、跨境可信數據空間建設和應用，數據可信管控、 資源交互、 價值共創是可信數據空間須具備的三類核心能力。在此基礎上，國家數據局還指導全國數據標準化技術委員會秘書處，組織地方政府、科研院所、高等院校、企業等160余家單位，編制了《可信數據空間 技術架構》并于2025年4月發布，從技術功能、業務流程、安全要求等方面對可信數據空間進行了規范。此后陸續出臺的《可信數據空間 能力要求》《可信數據空間標準體系建設指南》等多項文件，為可信數據空間落地建設提供標準規范。

安全能力的集成補充：通用可信數據空間架構主要包含可信數據空間服務平臺、接入連接器。隱私計算/密態計算并不是這個架構中的原生化必選能力，但供應商為了滿足客戶對高敏感數據的隱私保護需求，會在接入連接器的擴展能力中集成隱私計算（如洞見科技、安恒信息）來提供數據隱私保護的能力，或是在通用可信數據空間架構中增加密態計算底座（如螞蟻密算）實現基礎設施安全能力的內生化。

可信數據空間–試點推進情況

2025年是可信數據空間建設的元年，國家及省市區域聯動推進可信數據空間試點建設

頂層規劃：國家數據局發布的《可信數據空間發展行動計劃（2024—2028年）》提出，到2028年，可信數據空間要在運營、技術、生態、標準、安全等體系上取得突破，建成100個以上可信數據空間，形成一批數據空間解決方案和最佳實踐，基本建成廣泛互聯、資源集聚、生態繁榮、價值共創、治理有序的可信數據空間網絡。

國家和省市區域上下聯動、分層推進，構建全國可信數據空間試點體系：國家數據局2025年7月啟動首批63個可信數據空間創新發展試點，涵蓋13個城市、22個行業和28個企業三類可信數據空間。一些省市區域也同步推出了可信數據空間試點項目，和國家層面形成上下聯動、分層推進的協同發展。

可信數據空間–項目落地情況

一、當前城市可信數據空間項目數約占五分之一，項目金額相對較大

很多此類項目金額集中在千萬級到幾億元區間，同時也有一些城市可信數據空間項目的金額在百萬級別。招標單位多見于城市數據集團、地方數字產業集團等類型的企業。

城市可信數據空間是很多供應商的主要目標市場，典型供應商包含三大運營商、中國電子云、浪潮云等央國企背景的公司；螞蟻集團等大型科技背景的公司；以及垂類技術賽道背景（如隱私計算、區塊鏈、安全等）的供應商；還包括一些地方性平臺企業等，一些城市可信數據空間項目會優先于地方公司參與建設。

二、行業和企業可信數據空間項目數量占比最高

因為各行業/企業擁有差異化的數據應用場景和邏輯，因此這兩類平臺建設會有更多樣化的定開需求。兩類項目在部分情況下會存在一定的邊界模糊性，例如一些領域的頭部企業更偏向以行業可信數據空間進行立項，但在落地過程中，主要是和其供應鏈上下游企業之間進行跨主體數據流通，更符合企業可信數據空間的用途定位。

此類項目的建設方多見于行業主管部門、行業頭部企業、各領域的代表型企業等各類主體。

從公開的招投標信息來看，行業類可信數據空間項目投資規模和場景范圍相對更大，企業級項目則更聚焦于其供應鏈上下游或特定應用場景，這兩類項目類型豐富度較高，難以簡而概之。同時市場也充斥著一些預算高但實際服務內容與可信數據空間關聯度低的項目。

除了市場主流的可信數據空間供應商外，具備產業KnowHow的供應商同樣是重要的參與者，他們在金融、醫療、能源等專業領域積累了豐富的數據治理及應用經驗而更加受到客戶青睞。

三、跨境可信數據空間已在探索中，世界數據組織的成立有望推進其發展；個人可信數據空間需要穩慎落地

跨境可信數據空間已在探索中：江蘇省、無錫市推出了跨境可信數據空間試點項目。珠海市國資數字科技有限公司《粵港澳大灣區跨境及企業可信數據空間珠海樞紐建設項目》總投資1億元對跨境及企業可信數據空間展開落地探索。

世界數據組織正式運行，將開啟全球數據治理新格局，推動中國跨境數據可信流通的發展進而推動跨境可信數據空間的建設。

個人可信數據空間的落地需要穩慎探索，即便當前已經看到運營商等企業機構在探索其落地范式，但其價值場景和法律合規等諸多問題讓其落地面臨不確定性。

四、可信數據空間項目發展走勢

項目收斂，優勝劣汰：雖然目前市場的項目數量較多，但這其中不乏一些套用可信數據空間概念的低質量項目，長期來看，市場必將向著高質量、可落地運行的項目進行收斂。因此，未來的市場項目將呈現動態增減的趨勢，新項目涌現的同時，也同步伴隨著既有項目的優勝劣汰。

在未來四年的市場化項目上，企業類可信數據空間由于目標受眾基數大而將獲得明顯的增長，這也和國家數據局提出的“積極推廣企業可信數據空間”的指導方向一致。世界數據組織會成為推進跨境可信數據空間發展的關鍵力量。此外，行業可信數據空間將得到重點培育而獲得高質量發展，推進數據的產業化價值落地。城市可信數據空間將推動公共數據資源開放。長期來看，在數據資源統籌規劃和集中管理的背景下，各類可信數據空間的部署建設方式和數量，需要基于這四年發展探索的經驗沉淀再進一步適配最優方案。

五、擴展研究——其他數據可信流通產品的市場發展

本報告定義的數據可信流通產品包括：增加密態底座的可信數據空間（密態可信數據空間）、在接入連接器中集成隱私計算的可信數據空間、隱私/密態計算平臺、可信數據沙箱等一系列能夠讓高敏感數據實現可信流通的產品或技術解決方案。各類產品的定位、目標受眾、需求場景會有所不同。可信數據空間之外的其他產品發展情況，現進行概述說明：

目前金融、政務等領域，依舊很多企業在采購密態計算/隱私計算平臺、可信數據沙箱等產品，用以支持高敏感數據流通共享的隱私保護以及滿足合規需求。相比于在初步探索期(2021—2024)，企業采購需求集中在可信聯邦建模服務、基于密碼學的數據可信流通解決方案，現階段(2025—2026)，可信數據沙箱的采購占比在提升，我們還發現一些供應商推出了TEE+數據沙箱的軟硬協同解決方案，也間接帶動了TEE的使用占比。

站在隱私計算供應商的視角，他們的隱私計算平臺銷售不僅來源于終端企業客戶，還有一些可信數據空間項目的集成商，需要在接入連接器中集成隱私計算時，也會與隱私計算廠商合作，對項目進行分包。

此外，大模型訓練及AI智能體應用也在產生對密態計算的應用需求，我們已經看到此類項目的落地，例如通過密態計算支持醫療大模型訓練保護患者個人隱私及醫療信息安全。

六、擴展研究——數據可信流通產品應該支持多元化的計算能力

為適配數據的多元應用需求，數據可信流通產品必須具備多類型計算支撐能力，這是適配企業復雜業務場景、應用落地的前提。尤其是在企業級AI落地場景中，唯有支持AI計算與大數據計算能力，才能讓數據要素的價值得以充分釋放。而目前業內部分可信數據空間或企業數據可信流通平臺僅支持通用計算。

周期用例2｜ 自主式AI：重新定義數據價值、治理及安全

企業AI采納率和AI應用成熟度

自主式AI的突破，驅動企業AI采納率持續走高；但目前的企業AI應用呈現“淺層繁榮、廣而不深”的特點，未能在專業場景中實現規模化可靠的落地

AI正在走進“千家萬戶”的企業中，企業AI采納率持續高位。尤其是以OpenClaw為代表的自主式AI在2026年Q1這段時間集中爆發，讓企業的AI采納率進一步攀升。目前新一代AI在企業中的應用成熟度主要集中在L1、L2級別，主要是在通用輔助場景中快速普及，尚未在核心業務領域實現規模化復制，其落地深度與業務價值兌現遠未達預期。

企業應該如何應用自主式AI

一、安全是首要問題

報告前文分析了自主式AI對數據的機遇和挑戰，重點描述了因無邊界上下文暴露、開放動態命令執行兩類AI智能體的本源性風險所催生的三大失控問題。本次的208家企業調研顯示：失控問題導致對AI的信任缺失、數據隱私與安全顧慮已成為影響企業AI落地的三大核心問題的其中兩項。風險敏感領域，如金融行業更是將安全列為采納自主式AI的底線。

二、企業采納AI的三大核心需求

可靠性是企業采納AI最為關注的方向之一。企業核心關注的是AI能否按照業務要求可靠地解決專業領域的問題，例如在金融和醫療領域，業務決策的準確度直接關乎資金安全與生命健康，AI可靠性必須達到99%以上。因此，AI需要具備專業領域的KnowHow。本次企業調研顯示，AI缺乏專業場景Know-How是影響AI落地的首要影響因素，也驗證了上述觀點。但目前企業AI面臨著業務知識轉化挑戰：專業場景的核心Know-How多為資深業務專家掌握的隱性、非結構化經驗，如果需要專家以大量的人工標注的方式進行知識注入，成本高且專家參與意愿低。

失控的AI無法被企業采納。本次調研發現，“失控問題導致對AI的信任缺失”是制約企業采納AI的第二位因素，這其中90%以上的受訪者表示AI導致數據泄露失控讓他們對是否應用自主式AI產生遲疑。企業AI的落地需要以決策受控、行為受控為前提。

受歡迎的專業AI背后一定有敏捷的迭代機制。本次的208家企業調研發現，38.5%的企業會認為靜態模型難適配動態業務是影響企業落地AI的原因。企業核心業務場景會隨著市場、政策、流程持續動態變化，AI能否動態自適應業務是評估其效能的關鍵影響因素。企業需要AI能夠通過鮮活動態數據進行不斷地迭代優化、不斷向任務目標收斂的自適應AI。形成越用越可靠、越用越專業的AI業務系統。

三、企業應打造“數據-知識-智能體”自驅式增長飛輪，建立可靠、可控、可敏捷迭代的自主式AI系統

我們需要跳出傳統只依賴模型訓練、從沉淀的靜態數據中尋求規律和經驗的思維框架，而是在數據可信流通能力的保障下，構建“以智能體動態挖掘數據價值，通過閉環迭代的知識治理能力，來動態優化和沉淀業務知識，并持續對AI智能體執行結果進行核驗”的自驅式增長飛輪。建立可靠、可控、可敏捷迭代的AI系統。

自主式AI讓數據產生哪些變化

數據價值：自主式AI依托動態鮮活數據實現閉環收斂的自主迭代，重新定義了數據的時效價值與流動價值

傳統模式下，數據多為靜態采集、被動使用，價值釋放高度依賴人類加工與場景匹配。而自主式AI的發展下，數據不再僅通過作為燃料用來訓練模型而提升AI能力，更是可以通過在AI自主交互、推理、迭代過程中持續產生新數據和新知識，形成“數據訓練AI→產生新數據”的自循環價值鏈條，讓AI實現自主進化。數據由此從單一的業務支撐資源，升級為驅動自主式智能體決策與迭代的核心燃料。在未來，或將會影響數據價值的評估、流通與應用規則。

數據治理：自主式AI推動數據治理從傳統靜態管控，轉向靜態與動態并重的綜合治理模式，傳統的人工治理方式將無法滿足需求，企業需要構建利用AI進行數據治理的新范式

在自主式AI落地之前，數據治理更多面向結構化、存量型的靜態數據，治理上側重數據標準、質量校驗、資產目錄等內容維度，難以適應實時變化的數據場景。新一代數據治理應建立雙軌體系：一方面，延續對存量靜態數據的規范管理，保障基礎數據資產穩定可靠；另一方面，需要面向動態數據流構建實時治理能力，適配智能業務發展。傳統的人工數據治理模式無法滿足需求，數據治理智能體的應用將成為重要趨勢（詳細內容見趨勢推演的Forecast01）。

數據安全：自主式AI需要在不影響其自主運行前提下，在密態環境中使用數據完成自主作業，確保原始明文數據不出權屬主體、不泄露，規避數據被反向溯源的風險

自主式AI的數據密態可信流通需求，與傳統多方數據共享、聯合建模模式存在差異：傳統模式下的數據處理多以靜態數據為主，多需人工參與調度；而自主式AI可以在無人工干預的情況下，實時處理外部輸入、運行中間數據與自主生成的衍生數據，動態性與全流程閉環特性更強。而這些動態數據涉及用戶隱私、企業商業機密，一旦隨意流轉就觸犯合規條例或引發商業/信譽危機。

對此，企業應根據自主式AI的不同業務場景與數據敏感度，選擇差異化的數據隱私保護技術方案，例如可信聯邦學習、密態計算等，在保障AI自主運行效率的同時，平衡數據安全性。

在《數據安全法》《個人信息保護法》的法律法規框架下，自主式AI的數據隱私保護已是剛性剛需。目前已有不少率先應用自主式AI的技術領先型企業，開始關注自主式AI的數據可信流通價值場景，其關注的方向如下圖所示：

周期用例3｜Data+AI：階段性的生態格局形成

產業圖譜

本產業圖譜并非基于公開信息的簡單匯編，而是基于對廠商的基本評估后，確定的入圍企業。

入選圖譜的供應商，需在對應能力領域滿足任一條件：擁有成功中標的商業項目、與生態伙伴開展過創新實踐。此外，圖譜亦會收錄甲方企業結合項目招標過程中和廠商的接觸經驗而推薦的代表性企業。

面對AI時代的數據使用需求，目前的數據治理加工出現了供給斷層，成為場景用數的鴻溝，產業生態仍在不斷完善中

一、基礎設施建設市場活躍

可信數據空間成為兵家必爭之地。供應商包括央國企背景廠商、綜合型科技公司/科技大廠、垂類技術背景廠商、地方性平臺廠商、垂直產業背景供應商。廠商之間呈現競爭合關系：因目標客戶一致而產生競爭，但也有集成合作。地方性平臺廠商、垂直產業背景廠商相對分散。除技術公司爭奪標的外，也發現有極個別的行業可信數據空間項目由院校背景科研單位中標。

目前仍有很多企業會采購隱私計算平臺、可信數據沙箱等產品來滿足數據可信流通需求，這些同樣是數據可信流通市場的一個重要的組成部分。提供這些產品的供應商主要是上述提及的可信數據空間供應商中的“綜合型科技公司/科技大廠、垂類技術背景廠商”

二、數據治理加工是數據價值落地的動力引擎，傳統依賴人工的治理加工模式無法滿足AI時代的數據使用需求，出現了市場供給斷層的表現，成為場景用數的鴻溝

傳統依賴人工的數據治理成本高、效率低，難以滿足當下的數據治理需求，目前可以提供AI數據治理的廠商數量有限，這是場景用數的核心阻礙。本次調研中，很多廠商宣稱自己擁有數據治理智能體產品并計劃在年內發布。

三、國家數據局等部門提出：培育數據流通服務機構

數據流通服務機構包含三類：數據交易所（中心）、數據流通服務平臺企業、數據商。上文提及的數據治理加工屬于數據商范疇。

部分傳統的數據流通服務機構（如數據交易所等）或將被清退和整合( 例如武漢長江大數據交易中心退場 ) 。同時還會培育出一批能夠提供數據治理、數據場景應用、數據運營等多元化能力的優質數據流通服務商。

此外，我們發現基礎設施建設供應商中，一些企業的未來增長戰略為經營“數據運營、數據治理、場景數據應用”等業務。因為平臺建設市場空間的天花板較低，而各類數據流通服務具備可持續增長的特點。

一些廠商期望基于可信數據空間建設，能夠和數據集團相關單位建立信任，進而承接公共數據運營業務。

一些廠商的優勢在于產業KnowHow的積累，他們期望在數據治理、場景價值挖掘方面獲取更多市場份額。

四、關于AI服務

面向AI時代，越來越多的數據業務環節會采納AI智能體來提升效率，對此各類AI服務商也應屬于生態的一部分。亦或是目前生態的既有玩家通過自身的AI能力或集成AI廠商的產品來實現能力交付。

產業規模–基礎設施部分

中國數據可信流通基礎設施的市場呈現“前高后穩”的增長特征，2034年市場規模將達到606.6億元

當前我國正處于數據可信流通基礎設施的集中建設期，在《可信數據空間發展行動計劃（2024—2028年）》的政策牽引下，全面推進以可信數據空間為核心的新型數據基礎設施布局。本次市場規模核算采用全口徑統計：除了增加密態底座、在接入連接器集成隱私計算能力的可信數據空間產品外，同時納入了隱私/密態計算平臺、可信數據沙箱等具備數據隱私保護能力的軟硬件平臺，覆蓋數據可信流通的核心供給品類。

市場整體呈現“前高后穩”的增長特征：

2025—2028年為重點基建周期，行業整體保持在55%—90%的增速區間，可信數據空間增速區間為60%—110%，高于行業整體水平。

重點基建期之后的市場增長，主要集中在新增需求的平臺建設、既有客戶的節點擴展部署、功能更新迭代，以及日常運維保障等方面，市場增速逐步放緩至平穩增長區間。

產業規模–整體

中國數據可信流通產業有望撬動萬億市場規模，早期實踐探索對未來市場發展會產生關鍵影響

產業規模主要由三大板塊構成：一是報告上文界定的數據可信流通基礎設施；二是數據的治理加工，作為數據價值挖掘的核心動力引擎，是實現數據價值釋放必不可少的環節；三是數據價值落地的場景應用，也是整個產業最核心、最具規模前景的部分。

未來，數據的場景應用將是9～12倍于數據的治理加工市場規模，數據的治理加工將是8～10倍于數據可信流通基礎設施市場規模，這個規模比例將在產業未來的持續發展中動態體現。

數據的場景應用是數據價值釋放的直接體現，其規模依托基礎設施完善與治理加工成熟而持續擴大。未來規模將達到萬億級，將極大攤薄百億級的基礎設施投入成本。

數據價值釋放依賴數據治理與加工，該環節直接決定數據能否接入、是否可用、以及能否充分釋放價值。且經過治理加工的數據是否能夠發揮預期的落地價值也需要經過進一步的實踐驗證。這些都是市場投資信心的影響因素。下述市場規模是站在早期市場實踐取得成功且未來持續保持高增長的戰略假設而展開的推演。

趨勢推演

核心摘要@趨勢推演( 2027–2036 )

影響AI時代的數據可信流通產業周期的發展因素有很多，例如法律政策制度、基礎設施建設、數據源生態開放、數據治理運營等一系列數據流通服務。然而，一切技術發展均要歸于價值的收斂，我們認為AI時代的數據可信流通流通，最終要收斂閉環到對場景價值的挖掘，我們將以此為主線，展開趨勢推演。

該周期用例位于E-Cycle曲線的敏捷實踐期。以場景價值挖掘為導向：數據治理加工是數據價值落地的動力引擎，其將決定數據能否有效接入，以及能否被有效使用。面向AI時代的數據使用需求，目前數據治理加工出現供給斷層，因此我們認為這是現階段最值得關注的趨勢。

傳統依賴人工的數據治理加工方式，效率低、成本高，難以適應AI時代對數據的需求。目前很多領先的企業為了解決傳統數據治理加工效率低和成本高的問題，開始探索AI智能體的解決方案。一些供應商也在規劃或準備推出相關的產品，以及部分供應商開始將數據治理加工Agent嵌入在既有產品中。

1.企業的數據安全顧慮——數據隱私保護成剛需

由于目前AI導致的數據泄露問題正在日益凸顯，企業中需要治理的數據多是用戶隱私、商業機密等高敏感數據，無法承擔數據泄露帶來的風險。對此，技術前瞻的企業逐步開始探索如何將數據隱私保護技術和數據治理Agent結合。

2.企業對AI智能體的專業性和可靠性顧慮——高階智能體成最佳推薦方案

數據治理要貼合業務，才能找準數據治理的關鍵點、避免無用治理，需對齊業務目標，梳理數據標準，落地數據質量與安全管控，支撐業務決策。這本質上是對業務KnowHow的掌握，企業需要專業智能體（而非通用化），需要智能體可控、可靠、可敏捷迭代。

技術市場調研中，我們發現了一種創新技術方案：高階程序 ( HOP，High-order Program )，而構建于HOP之上的高階智能體，是目前能夠滿足“企業對AI的可靠、可控、可適應業務敏捷迭代”需求的最佳方案。目前高階智能體的能力已經在企業級場景中得到了驗證，是一種可行的技術方案。

高階智能體可以從工程化視角解決數據治理加工問題，可以將數據治理加工進行邏輯程序化顯性表達，流程可編排、動作可追溯，工具調用與執行全程受控；通過將復雜任務原子化拆解、融合程序精準執行與多層核驗機制，規避AI幻覺，提升數據治理加工任務產出的準確率，讓結果穩定可驗證。數據治理加工經驗可沉淀為知識圖譜與可復用模板，快速適配新規、新場景，迭代高效且成本低。

該周期用例位于E-Cycle曲線的敏捷實踐期。該趨勢是基于上一個趨勢的延伸，高階智能體完成數據治理的閉環，而數模一體則將治理范疇拓展至模型的層面，這是面向Data+AI時代的基礎能力，是所有產業參與者值得關注的技術趨勢。

數模一體是以密態計算為安全底座，將數據與模型視為一體兩面的技術范式，核心是打破數據治理與模型應用的割裂狀態，在統一安全框架下實現數據全生命周期治理與模型應用的全流程可控的深度融合。在AI規模化落地的關鍵期，基于密態計算的數模一體架構成為必然趨勢有三重驅動力：

數據安全與模型可靠的雙重訴求：傳統模式下數據泄露、模型幻覺等問題頻發，亟需統一安全框架保障和模型可靠性提升。

產業效率提升的現實需求：數據作為生產要素需通過模型賦能釋放價值，而模型迭代又依賴高質量數據供給，二者協同方能最大化生產力。因此，數模一體架構的推廣和普及，也在一定程度上將促進國家數據要素戰略和“人工智能+”行動計劃的落地。

技術可行性：高階智能體能力的演進，將為模型治理提供支撐。經過我們的調研，目前該技術的能力已經在企業級場景中得到驗證。

該周期用例位于E-Cycle曲線的“敏捷實踐期”和“規模擴展期”的交界點。說明該節點是影響產業能否邁入規模擴展期的影響用例。一切技術發展均要歸于價值的收斂，在敏捷實踐期，哪些場景的價值應用能夠抽象出可規模化推廣的范式，將優先邁入規模擴展期。

國家數據要素市場化價值化的規模發展是一項復雜的系統性工程，離不開多維度法律政策體系的搭建，需要推進基礎設施建設，還要厘清數據源開放路徑，建立科學的數據價值衡量標準；公共數據開放需要完善的績效評估機制，破除數據開放的內生阻礙。解決上述問題的基礎上，各類服務機構需具備高效盤活數據資源、打造專業數據產品、建設專業領域的高質量數據集、提供優質數據流通服務的核心能力。

從場景價值出發的市場化驅動，才是產業自身生長的根本動能(價值原動力)，這也應該是數據要素產業發展的關鍵路徑和方式。

各類數據服務商需要基于產品思維，來思考提供的各類數據服務解決了企業的痛點（沒有不行）、癢點（有了更好）還是爽點（實現價值增長）。另外值得注意的是，68%的企業不清楚哪些數據對自己的業務有幫助、不了解市場中有哪些數據可以接入等問題。因此在數據要素流通的發展初期，更加需要擁有產業KnowHow、能給企業提供可以精準解決業務問題，帶來業務增長的服務商，這將更有助于沉淀可以規模化推廣的范式方案，對產業能否邁入規模擴展期起到推動作用。

該周期用例位于E-Cycle曲線的規模擴展期。在上一個趨勢的基礎上，如果產業在敏捷實踐期探索出了場景價值的規模化范式，并成功邁入規模擴展期，那么服務商的企業經營表現將是市場發展的晴雨表。

任何技術在每個周期階段都會發生市場格局的變化甚至是重塑。在這個階段：一些傳統的數據流通服務機構（如數據交易所等），會進行清退和整合。此外，還會涌現能夠提供數據治理、數據場景應用、數據運營等一系列多元化的數據流通服務商。

包含直接面向場景價值解決方案的服務商，以及支持場景價值化實現的服務商。這其中也會包含在基建期提供技術服務的供應商，因為這些供應商中，原本就有一些是具備產業KnowHow背景并將未來的企業增長戰略聚焦在數據流通服務市場。

與此同時，隨著高階智能體的逐步應用和普及，AI將會更加可靠、可控地應用在數據治理、數據產品開發等環節，場景應用層的價值將被不斷釋放，也會有一些AI背景或者相關能力的廠商加入市場，他們會提供AI的技術支持，AI安全及合規服務等內容，同樣成為生態的參與者之一。這些廠商也可能會和數據服務商綁定生態合作，共同為客戶提供服務。

此階段，基礎設施的“供數”能力增強，跨主體、行業和區域的數據獲取會逐漸走向普惠。

此階段的客戶在選擇合作伙伴時，應該盡量選擇能夠給出明確價值衡量和評估標準的服務商以確保項目回報和預期偏差在可控范圍。如果企業計劃展開規模化的投資，需要重點關注AI時代的企業TCO結構變化。

該周期用例位于E-Cycle曲線的規模擴展期。在上一個趨勢的基礎上，企業對Data和AI的不斷采納和落地應用的過程中，企業的TCO結構也將發生變化。

首先是三類技術成本的顯著變化：

數據相關成本持續攀升：數據是AI的核心燃料，數據打通、治理、合規保護的需求日益提升；同時，數據的敏感性與智能體價值高度綁定，數據的稀缺性與重要性直接推高了數據獲取、管理與保護的成本，數據成本將成為未來的核心成本項。

安全成未來企業的一項重要投資：企業未來會接入海量數據，既包括支撐業務運營的常規數據，也包含支持AI應用的就緒數據，而依托這些數據訓練出的智能體，更是企業的核心資產。數據和智能體的安全保護將推動企業安全成本的提升。

IT及軟件開發成本快速下降：企業開展場景化數據應用開發時，AI可全面賦能開發流程，極大提升研發效率。以往專家提出業務需求后，軟件開發與落地周期漫長，如今借助AI能夠快速響應、高效實現需求落地，不僅大幅縮短開發周期，也持續降低企業IT與軟件開發成本，成為行業發展的明確趨勢。

另外是業務人才結構的變化：未來企業人力結構將向高級專家集中，初級人員占比持續下降。高級專家負責制定規則與提出需求，由高階智能體直接執行，大幅削弱初階人員價值，推動整體人才結構升級。

該周期用例位于E-Cycle曲線的規模擴展期。在前兩個趨勢的基礎上，密態原生的價值將在實踐中不斷被認可，進而逐漸演進為企業的核心技術戰略。

密態/隱私計算等數據隱私保護技術的價值早已被行業認可，但對很多企業來說，這些技術并不像AI、云計算等技術占據著企業技術戰略的核心位置。其將受到下述兩類因素的驅動而逐漸演進為企業的核心技術戰略：

數據可信流通驅動密態原生成為AI的標配：當前企業在搭建AI應用時，多將密態化隱私保護能力視為附加功能，而非核心組成部分。隨著數據可信流通產業持續成熟，跨組織、跨行業、跨區域的多源數據融合，將成為AI規模化應用的重要基礎。在多方數據協同、數據價值外溢的趨勢下，密態計算等數據隱私保護技術不再是附加選項，而是支撐數據安全流轉和AI可靠落地的關鍵支撐。未來，密態能力將深度融入AI架構設計，成為企業構建AI應用時不可或缺的原生組成部分。

AI自身安全風險推動密態原生能力內生普及：AI在快速發展中，也帶來一系列安全風險。例如AI智能體的無邊界上下文暴露導致敏感信息泄露，開放動態命令執行使權限被濫用；Prompt注入攻擊可劫持模型行為邏輯，這些架構級漏洞已突破傳統安全防御邊界。基于密態計算構建的原生安全范式，能讓數據、模型、計算全鏈路實現全程密態化的安全防護。這種“主動防御”舉措，將從可選方案升級為企業AI落地的必選配置，成為抵御智能體失控風險、保障業務連續性的核心安全能力。

該周期用例位于E-Cycle曲線的規模擴展期。在前面所述的趨勢之上，如何滿足差異化的客戶需求，提供多元化的商業模式，同樣是市場功能的關鍵。

未來，企業對數據密態可信流通服務的價值期望，將從“合規安全保障”轉向“數據價值落地和業務增長”。然而，一些客戶在采購相關服務時卻對ROI與落地效果產生擔憂，以結果交付為核心的模式（RaaS, Result as a Service）將成為一種值得選擇的方案。

RaaS模式曾被應用在一些新興技術落地初期，或是需要深度業務認知（如金融）的行業中。此模式的可持續性，需要廠商能夠為客戶提供難以復制的價值增長解決方案。相比于產品銷售模式，RaaS雖然理論上擁有更廣闊的市場空間，但落地難度同時存在。

支持這類服務模式的廠商，需要在數據可信流通、數據治理和應用場景價值挖掘等方面擁有KnowHow，廠商需能夠建設與客戶共識的項目價值衡量標準及合理的收益分配機制。這種模式將改變密態可信數據流通市場的競爭范式，標志著一些廠商從產品供應商，轉變為數據價值實現的共創伙伴，其收入直接與為客戶創造的收益呈正向關聯。

這一趨勢的提出，源于一些前瞻企業反饋對未來的數據流通服務是否能提供可靠的業務價值表示顧慮。對此，我們探索性地詢問了RaaS模式的接受程度，調研結果如下：

該周期用例位于E-Cycle曲線的規模擴展期。是站在“看十年”的視角所展開的趨勢判斷。

密態智能網絡生態，是在城市、行業、企業、跨境、個人可信數據空間深度互聯互通的基礎上，以密態安全為底層保障搭建的生態級數據流通體系；2036年，企業AI應用成熟度已達到 L4（行業內賦能應用）至 L5（跨行業創新應用），企業開始將AI智能體對外輸出并進行業務交互，以企業AI智能體跨主體協同交互為紐帶，同步構建了起分布式智能體協同網絡，兩大網絡融合聯動、持續沉淀行業知識體系，成為實現數據要素生態化高效配置、產業間智能協同升級的核心產業基礎設施。

該網絡的建設遵循點、線、面、體的發展邏輯。在這個網絡中，企業獲取跨主體、跨區域、跨行業數據的效率將極大提升。目前很多企業尚不明確可使用的外部生態數據范疇，以及哪些數據能為自身業務創造價值，企業在該網絡中可高效獲取答案，推動數據智能服務普惠化。另外，“生態級知識網絡”沉淀了大量可借鑒、可復用的行業KnowHow與解決方案，其價值遠高于直接獲取數據本身。

歡迎關注艾瑞數智獲取更多內容