【财经解读】数据合规会拖慢AI创新吗?

发布时间:2026-11-19 10:43 浏览:36

设想一家制造企业,希望利用人工智能预测设备故障。设备运行数据掌握在工厂,维修记录分散在服务商,部分数据还涉及员工操作信息。技术上,将这些数据整合起来训练模型并不难理解,但真正实施时,企业却需要回答一系列问题:这些数据能否用于模型训练?谁有权提供授权?能否交给外部技术公司处理?合作产生的收益又该如何分配?

这些问题看似属于法律和数据管理领域,实际上已经成为影响企业AI创新的重要经济因素。

过去,人们讨论人工智能竞争时更多关注算法能力、算力规模和研发投入。随着AI逐渐进入生产经营活动,企业越来越意识到,决定一项AI应用能否落地的不仅是技术能不能实现,还有数据能不能合法、稳定且低成本地使用。

一个新的问题由此浮现:数据合规要求不断完善,究竟会增加企业的创新负担,还是可能为AI创新创造新的条件?

一、AI创新正在遇到新的数据约束

人工智能的产业应用正在改变数据的经济价值。通用模型可以利用广泛的数据进行训练,但真正进入制造、金融、医疗等领域还需要大量具有行业知识和具体场景信息的数据。这些数据往往不是公开资源,而是分散在不同企业、平台和机构之中。

例如,一家制造企业可以利用自身的生产数据优化工艺,但若希望进一步预测供应链风险,就可能需要上游供应商的交货信息、下游客户的需求变化以及物流企业的运输记录。单个企业拥有的数据越有限,跨主体数据合作就越重要。

问题在于,数据可以复制、组合和反复利用,但其来源、使用范围与相关权益却未必容易界定。数据越需要跨企业流动,相关的不确定性就越可能成为创新障碍。

近期的数据制度建设正在回应这一问题。2026年6月,国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》,围绕行业数据集的供给、流通和应用作出部署;7月,《数据产权登记工作指引(试行)》印发;9月11日,国家数据产权登记服务系统上线试运行,推动建立统一的登记和查询核验机制;11月3日,国家数据局有关负责人进一步提出,将加快研究制定数据合规流通、匿名化等指引,并针对人工智能用数涉及的安全问题探索新型治理机制。

这些制度进展表明,数据治理正在同时处理两个问题:一个是明确数据使用的规则和责任,另一个是降低数据流通的制度障碍。

对企业而言,这意味着AI创新不再只是技术投入问题,也越来越成为产权安排和交易组织问题。

二、数据合规为什么可能增加创新成本?

数据合规带来的第一个变化是企业需要承担更加明确的数据治理成本。过去,企业开展AI项目可能主要考虑模型开发、算力采购和人员投入。如今,数据来源核验、使用授权、安全管理、个人信息保护和合同安排等也可能成为项目实施的必要环节。这些支出有一个值得关注的经济学特征:不少合规成本具有固定成本属性。

一家大型企业可以建立专门的数据治理团队,将相关成本分摊到多个业务项目中;一家中小企业即使只想开发一个简单的AI应用,也可能需要承担相应的审查、管理和服务费用。因此,同样的数据治理要求对不同规模企业的影响可能并不相同。如果固定成本较高,大企业更容易达到规模经济,中小企业则可能因为预期收益不足而推迟甚至放弃创新。这意味着数据合规不仅影响企业是否创新,还可能改变不同企业之间的创新能力差距。

但这里需要区分两种成本。一种是保护个人权益、商业秘密和数据安全所必需的成本。这些风险原本就存在,只是过去可能没有充分体现在企业决策中。另一种则是制度衔接不畅产生的额外交易成本。例如,同一数据在不同环节反复核验,不同地区或平台采用不一致的证明标准,企业需要为相似用途重复谈判授权。前者有助于纠正风险成本由他人承担的问题,后者却可能降低经济效率。

因此,评价数据合规是否阻碍创新不能简单观察企业的合规支出有没有增加,更应关注增加的成本是否带来了相应的风险防范收益,以及合法使用数据的交易成本能否真正降低。

三、规则更清晰为什么可能促进创新?

数据产权规则更加明确也可能产生与合规成本上升相反的效果。理解这一点,需要引入交易成本的视角。

假设一家工业软件公司希望获得多家工厂的设备数据,用于开发故障预测模型。对工厂来说,提供数据可能带来收益,却也意味着信息泄露、用途失控和商业利益受损的风险。对软件公司来说,如果无法确认数据来源是否合法、能否用于模型开发,便难以判断后续产品是否具有稳定的商业价值。即使合作能够为双方创造收益,交易也可能因为权利不确定、谈判成本过高而无法达成。

这正是产权制度影响经济活动的重要方式。当数据来源、相关权益、使用范围以及收益分配能够得到更加可靠的说明,合作双方就更容易形成预期,设计合同并安排责任。原本因不确定性过高而无法开展的交易可能成为现实。

数据产权登记制度提供了一个重要的观察窗口。按照《数据产权登记工作指引(试行)》,登记凭证可以作为数据权属和内容的可信证明,并在数据流通交易等场景中发挥作用。统一登记和查询核验机制,则有助于减少重复审查和信息核验成本。需要强调的是,登记凭证并不意味着持有人能够不受限制地使用或授权所有相关数据。产权证明与具体使用许可并不相同,涉及个人信息、商业秘密或其他受保护内容时,仍须符合相应法律要求。

但这种证明机制仍有经济价值。因为一项交易能否达成不仅取决于买卖双方是否愿意合作,也取决于交易对象能否识别、权利能否核验、责任能否约定。当这些条件得到改善时,数据就更有可能从企业内部的封闭资源,转化为能够通过合法交易和合作配置的生产要素。

换言之,清晰的规则不仅可能减少风险,也可能扩大企业能够开展的创新活动范围。

四、数据规则改变的可能是企业创新的组织方式

如果说合规成本影响企业愿不愿意创新,交易成本影响企业能不能获得外部数据,那么更深层的变化是企业将如何组织创新。这是一个经典的经济学问题:哪些活动应当留在企业内部,哪些活动可以通过市场交易完成?

在数据交易成本较高的情况下,企业可能倾向于自己收集数据、建设平台、开发模型,并把相关人员和技术集中在内部。这种方式有利于控制信息使用和协调研发活动,却也意味着企业需要承担从数据处理到模型开发的大量投入。如果外部数据交易更加规范,授权关系更容易核验,专业化服务的责任边界更加清晰,企业就可能重新比较内部开发和外部采购的成本。

由此,AI创新可能出现三种不同的组织方式。

第一种是内部开发。 对于拥有大量专有数据、应用场景复杂且对信息控制要求较高的企业,自建数据平台和模型系统仍可能具有优势。

第二种是市场采购。 对于缺乏专门技术团队的中小企业,直接购买经过治理的数据产品、模型服务或行业解决方案可能比独立开发更加经济。

第三种是跨企业合作。 当创新需要多家企业共同掌握的信息时,各方可能通过联合研发、可信数据空间等安排在符合授权和安全要求的前提下实现数据协作。

这三种方式并不存在统一的最优选择。真正决定企业选择的是内部组织成本、外部交易成本、资产专用性以及信息控制需求之间的比较。

例如,两家制造企业都希望利用AI提高设备维护效率。大型企业可能选择内部建设完整系统;中型企业则可能通过采购专业服务实现相近的应用效果。如果只比较模型研发投入或专利数量,后者似乎缺乏创新能力。但如果考察生产效率和实际应用效果,两种方式都可能创造经济价值。

这意味着数据治理规则的影响未必首先表现为企业AI研发投入增加或减少,而可能表现为创新活动从企业内部向市场和企业间网络重新配置。

与此同时,这种变化也可能影响市场竞争。一方面,专业化数据服务能够降低企业应用AI的门槛,使中小企业不必重复承担高昂的技术建设成本。另一方面,如果高质量数据长期集中在少数平台或大型企业手中,外部企业难以获得合理的使用机会,数据治理的复杂性也可能进一步强化既有企业的优势。

因此,数据合规对竞争的影响具有双重性:它既可能通过促进专业化分工降低进入门槛,也可能因为固定成本和数据资源集中而提高进入门槛。决定结果的关键不仅是规则是否完善,还在于规则能否支持公平、有效的数据交易。

五、什么样的数据治理更有利于AI创新?

数据合规与AI创新并非简单的对立关系。真正值得关注的是治理规则能否在保护数据安全的同时,降低合法使用数据的成本,并改善企业之间的分工与合作条件。

首先,需要提高规则的确定性和可预期性。企业只有能够相对清晰地判断数据来源、授权范围和使用责任,才愿意开展持续投入。对创新而言,不确定性有时比明确的合规成本更难应对。

其次,需要减少不必要的制度摩擦。统一登记标准、提高跨地区互认水平、完善标准合同和查询核验机制有助于减少重复审查和交易谈判,使企业将更多资源投入实际创新。

再次,需要关注中小企业的合规能力。通过发展专业化数据治理服务、降低合规工具使用成本、完善公共服务,可以减少企业规模差异转化为数据使用能力差异的可能性。

最后,还应重视数据流通中的市场竞争问题。既要保护合法的数据权益,也要防止不合理的封闭安排妨碍数据流通和创新合作。数据安全与市场开放并不是非此即彼的选择,关键是建立与不同风险场景相适应的制度安排。

数据合规会不会拖慢AI创新取决于两种力量的比较:一方面,治理要求可能提高企业开展创新的直接成本;另一方面,权利更加清晰、交易更加便利又可能降低合作的不确定性,扩大企业可选择的创新方式。

这也提示我们,观察AI创新不能只看模型数量、研发投入和专利产出,还应关注企业是否能够借助外部数据与技术服务,将AI真正融入生产经营。

未来AI竞争的重要差别可能不只是企业掌握多少数据、拥有多强的模型,更在于能否以较低的交易成本,把分散的数据、专业化服务与实际生产场景有效组织起来。

从这个意义上说,良好的数据治理不是AI创新的外部附加条件,而可能逐步成为决定创新如何发生、由谁完成以及收益如何分配的重要制度基础。