数据要素进入“可信流通”阶段：治理重心从目录转向可用与可证

过去几年，很多企业的数据治理工作集中在“建目录、做标准、出报表”。这些工作并没有白做，但它们距离“数据能用、能流通、能产生价值”还有一段距离。

“数据要素×”三年行动进入收官阶段，可信数据空间从概念走向试点，数据资产入表也开始出现在上市公司报表中。政策与市场同时把问题往前推了一步：数据治理的终点，不再是目录有多完整，而是数据能不能在明确的规则下被使用、被证明、被计量。

一、从“有多少数据”到“数据能不能用”

AI 让这个问题变得更尖锐。大模型和 RAG 应用需要的不只是“有数据”，而是高质量、可追溯、权限清晰的数据供给：

很多企业说“数据很多”，但真正能直接用于模型训练或知识库的数据很少。问题通常不在存储，而在数据标准、主数据、元数据和权限没有打通。

AI-ready 不是把数据扔进向量库，而是让数据在质量、权限和语义上都能被机器安全地使用。

《可信数据空间发展行动计划（2024-2028 年）》提出，到 2028 年建成 100 个以上可信数据空间。它的核心不是再建一个数据平台，而是建立一套“共识规则 + 连接器 + 使用控制”的流通基础设施。

可信数据空间通常包含几类关键能力：

这些能力听起来很技术，但落地时最先要解决的是规则问题：数据持有权、加工使用权、产品经营权如何界定，收益如何分配，出现争议如何处理。技术只是把规则变成可执行的控制。

因此，可信数据空间不适合“先建平台、再找场景”。更现实的顺序是：先选一个跨主体、数据敏感、价值明确的场景，再把参与方、数据范围、使用规则和审计要求定义清楚，最后才选择技术路线。

数据资产入表是一个积极信号，它让企业开始认真盘点数据的成本、权属和价值。但入表并不等于数据治理成功，也不等于数据一定能产生业务价值。

从会计角度看，能够入表的通常是符合条件的数据资源相关支出，而不是“所有数据”的估值。入表需要成本归集、权属证明、预期经济利益和可计量性，这些要求会反过来推动企业完善数据管理。但如果企业为了入表而做材料，忽略了数据的使用场景和运营机制，最后可能只得到一张好看的报表。

更值得关注的是数据产品：它是否有明确的用户、稳定的质量、可计量的使用和可持续的维护。数据治理的价值，最终要体现在数据产品被使用，而不是体现在资产负债表上。

大模型应用对数据供给提出了新的要求。过去，数据治理更像“一次性项目”：盘点、清洗、建库、上线。现在，模型和业务变化很快，数据供给需要变成一条持续运行的生产线。

这条生产线至少包括：

在这条生产线里，数据治理团队的角色会发生变化：从“管标准、管目录”转向“管供给、管质量、管权限、管计量”。这也要求数据团队和 AI 团队、安全团队、业务团队更紧密地协作。

如果企业准备从“目录型治理”走向“可用型治理”，可以按以下顺序推进：

数据治理不需要一开始就追求“全企业、全口径”。从一个高价值场景开始，把规则、技术和运营跑通，再复制到更多业务，通常比一次性建设一个庞大的平台更有效。