Data output up tenfold, yet only 11.65% of enterprises are willing to pay for data | ToB Industry Watch
English text is being prepared.
The National Data Resource Survey Report (2025) shows that in 2025, China's total data production reached 52.26ZB, up 27.28% year-on-year, but only 11.65% of sampled enterprises had ever purchased data. Yu Ying, deputy director of the National Data Administration, disclosed that the data infrastructure has connected more than 40,000 entities and listed more than 60,000 products, up 10 times and 4 times respectively from the end of 2025. Zhou Yi, head of the Wanlian Yida Data Center, believes that the essence of the difficulty in implementing trusted data spaces lies in data and scenario issues, and that enterprises should first implement scenarios and then accumulate data, using scenarios to work backward to the technical architecture.
Body
2024年底《可信数据空间发展行动计划(2024—2028年)》发布,其中指出,到2028年,建成100个以上可信数据空间,形成广泛互联的数据流通网络。随后,首批63个试点名单落地,13个城市、22个行业、28个企业入选。IDC数据显示,2025年可信数据空间狭义市场规模达到30.4亿元,城市数据空间贡献了过半收入。一切看起来都在按计划推进。
但另一组数字放在一起看,会让人冷静下来。63个试点深入到900多个应用场景,吸引了近7万家市场主体参与。7万家主体的参与,对应的是30.4亿元的狭义产品与服务收入。这意味着绝大多数参与者是在使用试点提供的公共服务能力或低成本接入方案,而不是在为一套成熟的商业体系付费。
2026年两会期间,来自多个领域的代表委员对可信数据空间的建设予以支持与肯定,但是相关的顾虑更多集中在数据合规要求、企业数据开放标准和商业化落地进展等方面。
面对这些问题,万联易达数据中心负责人周宜告诉我们,其本质不是技术上的问题,而是数据和场景的问题。
发展的两面性
面对从场景和数据资产反推技术架构,工程上难在哪的提问,周宜没有先讲隐私计算,也没讲连接器或者任务调度,而是说了两段自己的工作经历。
第一段在一家互联网公司。那里数据本来就多,场景也是现成的:平台上的企业可以直接调用数据,做营销、用户运营、用户洞察、产品优化,再往前一步,还能用消费端的需求反过去推动生产排期。金融业务里能长出来的玩法更多。两头都齐,业务自然跑得动。
第二段则是在一家央国企。这家企业主要替别人搭数据空间,自己手里没有业务场景。项目做完、验收、交付,团队就撤了。没有运营,也不清楚客户每天究竟在为什么事头疼。公司一直想往场景侧转,转得很痛苦,因为交付完就离开的人,很难再回答这套系统后来帮谁省了什么的问题。
两段经历摆在一起,差别不在技术能力,在交付之后还有没有人接着用。这个差别,恰好是观察这两年可信数据空间最合适的一把尺子。
国家数据局2024年11月印发的《可信数据空间发展行动计划》给出一个目标:到2028年建成100个以上可信数据空间。这类设施要处理的,是几方互不隶属的主体如何在共同规则下把数据用起来,同时各自还管得住自己的东西。2025年7月,首批63个试点名单公布,13个在城市方向、22个在行业方向、28个在企业方向,能源、物流、航运、新材料、医保都在其中。到2026年7月28日的数博会新闻发布会,国家数据局副局长余英报了一组运行数字:数据基础设施接入4万余个主体,上架6万余个产品,比2025年底分别多了10倍和4倍。
从这些数据来看,可信数据空间的发展似乎还不错,但现实却是有数据的企业要么不愿意分享出去,即便愿意分享,也不知道怎么做,而需求侧则更是不知如何获取对自己有用的数据。《全国数据资源调查报告(2025年)》中数据显示,2025年全国数据生产总量52.26ZB,同比增长27.28%,约占全球的27.44%,数据生产增量约九成来自企业。规模还在往上走。可同一份报告里,样本企业中买过数据的比例是11.65%,购买费用同比增长22.36%;头部平台企业和中央企业购买数据的费用均值是其他企业的60倍,金融、软件和信息技术服务业买过数据的企业比例超过30%,明显高于平均线。
换句话说,愿意为外部数据掏钱的,主要还是那批本来就有能力自己处理数据的企业。设施和供给涨了十倍,需求侧的形状没怎么变。基础设施算的是能不能连,企业算的是值不值,两笔账不在一个本子上。
对此,周宜的判断是,不是每家企业都需要自己建一个数据空间,多数企业作为参与方接进已有的协同网络就够了。“万联易达提供连接器和轻量化的接入方式,让企业先接进来,再逐步连到全国的基础设施上。”
有场景才有数据
从产品逻辑出发,周宜认为,企业应该先落地场景,再沉淀数据,然后由场景反推技术架构,这样的建设路径效果会更好。
周宜表示,他见过太多先建底座、再找场景的尝试最终陷入僵局,产品做完了,不知道该卖给谁;数据接入了,不知道能干什么。“以场景为驱动,先有场景,再有数据,再推导技术架构,这样做的直接好处是,不会盲目开发产品后再去找场景,而是通过场景反向推动技术研发,再匹配数据。这是我们的核心差异。”周宜如是说。这种思路也回答了另一个常被问到的问题:可信数据空间的跨场景复用能力到底怎么样?在垂直场景里,数据能力要求不一样,会不会导致复用性很差?
此外,在周宜看来,行业知识在行业内是可以共享的,而国家当前推动的多类数据空间,本身就说明,数据空间不是"大一统"的单一形态。“很多行业数据并不属于大数据范畴。对行业应用而言,真正有价值的往往不是单纯依赖大模型,而是采用小模型,或者将大模型与行业内高价值的专业知识相结合。”周宜强调道。
这个判断也解释了万联易达为什么敢把场景排在技术前面。周宜说,公司聚焦生产型企业与生产性服务企业,正逐步覆盖国民经济97个行业大类;商品交易、物流运营、金融科技、企业服务四块业务本身就在跑。数据不是先被造出来再去找买家,而是业务里本来就有的东西。这个数字说明的不是市场已经有多大,而是它手里有真实场景可用。
工程化:从接入到本体
如果说场景决定了可信数据空间的方向,那么工程实现则决定了它能走多快。
在工程化方面,第一个绕不开的难题是接入。国家数据基础设施体系下,接入连接器分为全功能、标准和轻量化三类。对此,周宜介绍,万联易达的轻量化接入连接器已经做到非常轻量,企业用户甚至可以直接在笔记本电脑上安装,按需登录接入数据空间网络;今年还推出了APP版接入连接器,方便个人用户、商务人士以及企业用户随时接入。
如果用户只是数据使用方,偶尔打开电脑检索、查找合适的数据产品即可;但如果是数据供给方,对服务SLA、持续可用性要求较高,就需要标准版甚至全功能版接入连接器来支撑。“C端和B端用户有时并不好严格区分。一个人既可能服务企业,也可能以个人身份使用数据服务。通过不同版本的接入连接器,我们可以适配不同角色对性能、稳定性和便捷性的差异化需求。”周宜解释道。
解决了接入的难题,企业还需要面临安全与性能之间如何平衡的抉择。几年前曾一度火热的隐私计算、联邦建模,本质上是密态计算,将数据全程加密后再参与计算。性能确实比明文计算有明显损耗,早期可能只有明文计算的几十分之一,现在已有改善,但差距依然存在。可在金融行业,恰恰是隐私计算应用最广的领域。对此,周宜解释道,“一是因为金融行业数据高度敏感,无论是个人风控还是企业风控,原始数据不能出域;二是容错率极低,宁可牺牲一定性能也要保证合规和安全。在金融场景下,安全与合规的优先级高于性能,这是行业特性决定的取舍。”
坦白说,这类性能与安全的权衡很难完全避免。但企业都在持续寻找解决方案,相关技术也在不断迭代。目前,业内比较推崇的是沙箱技术,包括数据沙箱以及更前沿的智能体沙箱。周宜以Meta今年推出的Muse智能体为例,其采用云沙箱架构,为每个用户分配独立的隔离运行环境,一方面保障数据安全,另一方面对智能体的危险行为进行隔离。“这反映了当前技术演进的方向——从传统的数据沙箱,正逐步向智能体沙箱迭代。”周宜如是说。
除此之外,在AI时代,本体建模本身也是一个工程化难题,面对此,周宜与我们分享了万联易达的做法,他表示,万联易达做了三件事:一是模块化,把核心本体和业务扩展模块分开、数据层和断言层分开,未来接入新品类时不需要动核心骨架;二是分层复用,像数据中台里的主表可以直接映射成本体的实体和属性,新增数据源则走标准化适配和定制开发的模式;三是版本化,通过版本快照、差异对比、回滚等机制来管理治理问题,规则配置独立于代码,未来改规则不需要发版。
以运力匹配场景为例,其用五大类核心本体构建骨架,即司机、货物、车辆、道路、订单,再配合40多项规则来支撑车货匹配。像“到达”这个概念在不同业务场景下含义差异极大:陆运叫到站,水运叫到港,有些地方到港还不算,还要卸货、客户验收才算真正到达。“这是一个非常模糊、场景依赖的概念。我们通过本体把这类语义统一起来。”周宜指出。
本体之外,被问得更多的是复用:垂直场景的数据能力要求各不相同,复用性会不会很差?周宜的判断是,行业知识在行业内本来就可以共享,而国家当前推动的多类数据空间,本身就说明数据空间不是“大一统”的单一形态。“很多行业数据并不属于大数据范畴。对行业应用而言,真正有价值的往往不是单纯依赖大模型,而是采用小模型,或者把大模型与行业内高价值的专业知识结合起来。”
从这个角度看,复用的关键不在把一套平台复制到所有行业,而在把可复用的骨架与不可复用的行业知识分开:骨架靠本体和模块化沉淀,行业知识留在行业里生长。
规模化还有多远?
基础设施的框架已经搭起来了,可为什么可信数据空间还没被真正用起来?在周宜看来,当前主要还存在两个挑战。
其一是数据归属问题。国家正在推进数据“三权分置”,即数据资源持有权、数据加工使用权、数据产品经营权分离,这是2022年12月《数据二十条》创造性提出的产权制度框架,目的在于破解数据确权难题。通过数据空间,可以实现三权分立:数据归属仍然是原持有方,但使用方可以在不拿走原始数据的前提下使用数据,加工后形成新的数据产品并进行经营。
制度设计的方向是清晰的,落地也在加速。今年9月,国家数据产权登记服务系统上线试运行,三家数据交易所成为首批登记机构,推动一次登记、全国通用;《数据产权登记工作指引(试行)》则统一了登记对象、类型、流程、审查标准、登记效力和登记系统。但周宜的观察冷静得多,他告诉我们,“现实中,大家对三权分立的认知还不够清晰,哪些数据应该开放、由谁来开放使用,仍然不够明确。”
另一个则是数据和场景结合的问题。目前,国家层面也在推动解决这个问题,比如,新成立的国家数据集团,就是希望从机制层面打通这些问题。但机制之外,企业侧的门槛同样不容忽视。
“现在数据的使用门槛还是比较高的,”周宜进一步指出,“结合AI来看,用户首先要懂业务场景,其次要懂AI,才能真正用起来;同时还要懂数据,知道需要什么数据、去哪里找、如何合规地组合和交易。”
在周宜看来,企业真正要做到规模化,最大的成本并不是技术投入,“最大的成本是业务层面的改变,尤其是组织架构的调整。我们常说数字化是一把手工程,原因就在于此。”周宜指出。他提到曾经服务过的一家企业,旗下有几千家线下门店,董事长说过一句让他印象很深的话:生产、销售、营销、设计、库存,每个部门报上来的数据都是80分,但到了他那里,业务整体是不及格的。为什么?因为数据没有打通,业务最终运行的方式还是割裂的。
反过来看,可信数据空间被用起来的样子,往往并不宏大。
第一个是司机入驻核验。每天有很多司机在万联易达平台上注册,平台必须先对司机进行身份核验——身份证、驾驶证、运营许可证,只有合规才能接单。过去的问题是,证照照片不清晰、已经过期但看不出来,甚至有人通过修图造假。他们的做法是:先用自己的精准小模型读取证照数据,再通过数据空间调用权威数据源进行核验。改造之前,人工核验大约需要七八分钟;现在,缩短到约5秒。
第二个是运价估算。从A城市到B城市,首先要精准计算运距。货车路线和普通家用车不同,还会受到封路等各种情况影响。如果一开始报价4000元,实际跑下来因为堵车、交通管制、塌方等原因变成三天才送达,价格涨到7000元,就会产生大量争议订单。他们引入了多维数据——天气数据、路网数据、交通管制数据、多式联运数据,尽可能缩小误差,让运距和运价更精准。
司机核验从七八分钟到5秒,运价估算少了一些争议订单......这些变化都不性感,但是,这就是可信数据空间被用起来的样子。基础设施的账本上,接入主体和上架产品的数字还在涨;企业自己的账本上,算的仍然是这件事到底省了多少钱。两本账什么时候能对上,可信数据空间才算真正跑通了第一公里。