【数智化人物展】TalkingData创始人兼CEO崔晓波：AI的竞争，已从“拼参数”转向“拼数据体系”
数据猿 | 2026-07-29 21:10
【数据猿导读】 “【提示】2026第六届数智化颁奖典礼将于8月5日在北京举行颁奖点击可报名参加颁奖典礼丨此次人物榜单/奖项的评选依然会进行初审、公审、终审三轮严格评定，并会在国内外渠道大规模发布传播欢迎申报。
崔晓波
“【提示】2026第六届数智化颁奖典礼将于8月5日在北京举行颁奖点击可报名参加颁奖典礼丨此次人物榜单/奖项的评选依然会进行初审、公审、终审三轮严格评定，并会在国内外渠道大规模发布传播欢迎申报。
过去半年，我几乎每周都会收到同一个问题——来自各行各业的CEO、CIO：“大模型我们试了，智能体也在看，但到底怎么才能真正用起来？”
这不是技术问题，这是判断力问题。
我始终相信：数据是一切商业决策的基石，但前提是它必须被激活、被加工、能被AI“读懂”。过去十五年，我们做的所有工作，本质上就是在做这件事。大模型时代，这件事变得比任何时候都更关键。
大模型出现后，数据需求彻底变了——从“做报表”变成了“训模型”，从静态的日志变成了动态的轨迹、思维链和合成数据。需求井喷的同时，企业落地的门槛却比想象中高得多。
我的判断是：2026年企业数智化转型的真正瓶颈，不是算力，也不是模型，而是数据——高质量、可流通、能被AI“读懂”的数据。
从“算力焦虑”到“数据觉醒”
过去两年，我见证了一个完整的认知过山车。
2024年到2025年上半年，几乎所有人都在焦虑算力——GPU够不够、模型参数大不大、能不能追上OpenAI。当时的一种普遍心态是：只要算力跟上，AI能力自然就来了。
但现在回头看，这个判断正在被市场修正。
一个朴素的道理正在被验证：模型能力的边界，在很大程度上取决于数据质量。
AI落地进展较快的企业，不少并非算力最强的，而是数据治理更扎实的。一家金融机构、一家零售巨头、一家车企，它们的核心竞争力从来不在于“用了哪个大模型”，而在于“有没有一套能让大模型真正理解业务的数据体系”。
数据，正在从AI的“燃料”变成AI的“硬通货”。
企业AI落地的“最后一公里”
卡在哪里？
过去一年，我们和大量企业客户深入合作，发现了一个普遍存在的“卡点”。
很多企业已经完成了数据中台建设，数据在系统层面已经“连起来”了。但当大模型接入后，问题暴露了——模型能读懂互联网语料，却读不懂企业的业务术语、行业黑话、内部流程逻辑。
表面上看是模型能力不够，但实际上是企业数据没有为AI做好准备。
我们观察下来，有几个错位特别明显。
数据与场景的错位。企业有海量数据，但大多是为“记录”而生的，不是为“决策”而生的。大模型需要的是经过清洗、标注、对齐的训练数据，而不是原始的日志和表单。
模型与业务的错位。通用大模型像一个智商超群但不懂行的“外来者”——它能写诗、能编程，却看不懂供应链的异常波动，读不透客户的隐性需求。
投入与回报的错位。大量AI项目困在“基层提效”的浅层应用中，还没真正作用于营收、风控等核心经营指标。
这几个错位指向同一个问题——数据体系的完整性。
数据飞轮：AI项目真正的分水岭
服务各行业客户的过程中，我发现了一个挺有意思的规律：效果好的AI项目，背后都有数据与模型的闭环在转。
这就是“数据飞轮”——一个行业数据集，用的人越多，反馈越多，质量越高，模型效果就越好。反过来，那些“一次性”的AI项目，上线即巅峰，然后快速衰减。
这个逻辑正在被行业验证。
今年6月，在火山引擎FORCE大会上，我分享了一组数据：通过云原生数据底座升级，综合资源成本下降30%以上，资源扩展效率提升100%，数据加工速度提升215%。
数据加工速度提升215%是什么概念？就是数据能更快地被治理、被标注、被模型“读懂”，模型的迭代速度自然就上来了，业务反馈回流也更快——整个飞轮越转越快。
这背后，是TalkingData与火山引擎的深度合作。双方把数据能力和大模型技术能力进一步打通，推动行业智能体从“能演示”走向“能执行、能交付”。
这个方向是对的。高质量数据和现代化的数据底座，正在成为行业智能体走向真实业务场景的关键支撑。
数据流通：一个正在打开的新空间
过去，企业做数据工作，采集和标注这类环节可以外包，但数据怎么治理、怎么形成知识库、怎么变成可用的资产——这些核心工作基本靠企业自己摸索，每家企业都在重复建设同样的能力。
但到了2026年，这个局面开始松动。
政策层面正在推动高质量数据集从“企业内部资产”走向“可流通的要素”。当一个行业的高质量数据集可以在合规框架下被多家企业复用，整个行业的智能体落地门槛都会降低。
今年5月，TalkingData受邀参加了国家数据局召开的民营企业座谈会，大家围绕数据科技创新、AI时代数据价值释放这些议题一起探讨，也介绍了TalkingData在AI数据基础设施、高质量数据集建设、词元交易等方面的实践探索。
这里面有谈到高质量数据集正在从“企业内部资产”走向“可流通的要素”。当一个行业的高质量数据集可以在合规框架下被多家企业复用，整个行业的智能体落地门槛可能都会降低。
当然，流通的前提是合规。2026年，数据跨境流动、个人隐私保护、行业数据分级等方面的合规要求只会更加严格。AI训练数据合规的核心问题，不是“数据是否已经公开”，而是企业能否证明其取得、处理和使用该等数据具有合法来源、正当目的、合理边界和可追溯的治理措施。这确实是一个硬约束，绕不开。
几点行动建议
基于过去一年的观察，有几个方向想分享。
重新审视你的数据资产。数据不再是IT部门的“成本中心”，而是决定AI能否真正产生价值的“价值中心”。那些沉睡在服务器里的日志、记录、客户画像，潜在价值可能比想象的更大——前提是它们能被AI“读懂”。
从“选模型”转向“建体系”。模型会不断迭代，今天最强的模型明天可能就被超越。但一套能让数据持续流动、持续优化、持续适配业务的数据体系，才是长期竞争力的可靠来源。
关注“数据飞轮”而非“一次性项目”。AI的价值不在于“上线那一刻”，而在于“持续运行中”。建立数据与模型的闭环迭代机制，让每一次AI的使用都成为数据优化的机会。
结语
站在2026年年中回看，趋势已经越来越清楚了：AI的竞争，正在从“拼模型参数”转向“拼数据体系”。
谁的数据更干净、更专业、更新更快，AI更能“听得懂”，谁的AI就更能派得上用场。这与其说是技术判断，不如说是一个商业判断。
更早意识到这一点的人，会走在前面。
·申报人“崔晓波”简介：
崔晓波，TalkingData创始人兼首席执行官，国内大数据与AI领军专家，拥有25年行业经验。曾历任Oracle、BEA亚太区高管，贯通企业软件、互联网全产业链。2011年创立TalkingData，带领企业十余年间从移动数据分析先行者发展为国内头部AI数据服务平台，长期深耕数据要素市场建设与AI数据标准落地，多次于国家级数据论坛、行业峰会分享观点，是数据要素赋能AI产业的核心践行者与倡导者。曾任全国工商联大数据运维委员会委员，连续四年获评世界互联网大会大数据领军人物，兼任清华五道口、南开大学产业导师。拥有南开大学本科、清华五道口金融EMBA、美国明尼苏达大学全球管理博士学位。
来源：数据猿
刷新相关文章
我要评论
不容错过的资讯
大家都在搜
