AI时代数据资产怎么管：副本、出身、调用三本账

副本管得住、来源查得清、调用有记录，台账才跟得上模型的脚步。

资产一项没少，可真要问「它被谁用了、还能不能收回来」，现场没人答得上来。

一个答不上来的问题

去年某集团把数据资产盘点做完了，登记条目三万两千多项，账实相符率 96%，还挑了两项做入表试点。验收材料装订得整整齐齐，专家给出的意见是"底数清、责任实"。

到了今年，知识库和智能问数上了线。内审在抽查时抛出了四个问题：

模型刚才引用的那份采购合同，是哪个版本？把它放进知识库，是谁授权的？切片和向量如今存在哪几套系统里？这份合同要是明天撤回，多久能删干净，删完之后模型还会不会把它吐出来？

会议室里安静了很长时间。

资产目录一项没少，制度一个字没改，数据 Owner 也都在册。可这四个问题，一个都答不上来。

这并非他们做得差。反过来看，恰恰是把传统数据资产管理做扎实了，才会撞上这堵墙：过去管的是"有什么"，AI 时代要管的是"被怎么用、还能不能收回来"。

变的不是数据量，是资产与使用的关系

以前那条链路是线性的：数据进表、入湖、加工、出报表。资产的边界和使用的边界基本重合——一张表放在库里，谁查过、谁导出过、谁改过，日志里都查得到；要删的话，删掉表和有限的几个下游副本就够了。台账上登记的那份"原件"，就是实际被用的那份。

AI 把这条链拆成了一张网。一份文档进来，先被切成几百个片段、算成向量、塞进检索库、拼进提示词、被模型读进上下文，还可能被挑去做微调语料；模型吐出来的答案，又可能被写回工单、报表、客户档案，变成新的"数据"。

台账记的是原件，风险却落在副本和衍生物上；台账记的是静态存量，价值却发生在每一次调用里。

这里有个地方容易误判。不少企业的第一反应是"再盘一次""把向量库也登记进目录"。方向错了。靠扩大登记范围，追不上派生的速度——副本是按调用实时产生的，登记永远慢一拍。要补的其实不是更多条目，而是三本原来没有的账。

国家数据局在 2026 年 6 月发布了《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25 号），共安排六个专项行动。“管理服务”是其中之一，它把数据集从采集、清洗、加工、标注、质检、测评、迭代到审计的整个生命周期都纳入进来，要求“确保数据可管、可控、可追溯”。方案还提出要“研究合成数据等新情况新问题”“完善人工智能训练阶段数据使用规则”“完善数据授权使用机制”。

可追溯、授权、合成数据——政策已经把题目点出来了。落到企业台账上，就是下面三本账。

第一本账：副本账

第一定律：影子副本定律

表述：AI 不会改变数据资产的账面价值，但会成倍制造账面之外的可用副本；风险发生在副本上，不发生在原件上。

机制可以概括成“一次入库，N 次派生”。文档切片、向量嵌入、检索缓存、提示词上下文、微调语料、评测集、智能体中间产物、对话日志都属于派生物。过去登记资产，最小单位是“表 / 数据集”，这些派生物没有对应的登记口径；可业务实际读到的，偏偏就是它们。

版本问题更麻烦。原件已经更新到第三版，向量库里躺着的可能还是第一版的切片，模型据此给出一个语气笃定的过期答案。原件没错、副本没改、答案错了，责任算谁的？按现有台账，算不出来。

推论一：盘点口径要换。"盘了多少项资产"不再是有效的验收标准，得换成"一项资产能列出多少个在用派生副本、各在哪个系统、谁负责销毁"。盘不出副本清单的资产目录，放到 AI 场景里等于没盘。

推论二：能不能撤回，是资产本身的属性，跟运维能力不是一回事。一条数据要作为资产登记，前提是它能够被完整撤回。收不回来的东西，记在账上反倒成了负债。

副本可追溯率——这是一个可以被证伪的指标。做法是从知识库或问数系统里随机抽 50 条被模型实际引用过的片段，一条条往回查四件事：唯一原件能不能定位、版本能不能精确、授权状态能不能查到、副本落在哪个系统能不能找到。四项都答得出来的，才算进分子。

这个数测一遍半天就够，比什么成熟度评估都来得实在。要是低于 90%，对外就别提“数据可控”这四个字。

还有个坑几乎每次都会踩：拿一条授权到期的外部研报做撤回演练，路径一般要穿原件库、切片库、向量库、检索缓存、评测集、日志，四到六套系统。第一次演练多数企业会卡在评测集上——它早就不在原件的血缘图里了，可那段话还留在里面。

说白了：删掉一张表容易，删掉它在模型里的影子难。

第二本账：出身账

第二定律：出身双向定律

表述：数据进 AI 链路，得带着来处；数据从 AI 链路出来，同样得带着来处。两头缺一头，台账就断了。

机制之一在进的一侧：授权有期限，模型没有。外部语料一般按年授权，用途也有限定——准许内部检索，不代表准许进微调；准许做评测，不代表准许对外生成。内部数据的合规依据，往往也只是“当时那个业务目的”。可模型的寿命远比一份授权长：向量库里的切片能删，评测集能重建，一旦进了微调或训练权重，技术上就没有可靠的“删掉”办法，只剩重训这条昂贵路径。

出的一侧还有另一套机制：生成物会以“资产”身份回到系统里。智能填单、工单自动归类、报表自动解读、客服自动摘要，产出直接写回业务系统。传统质量规则查格式、查值域、查唯一性，可“这段话是编的”这类问题它查不出来。合成数据更难识别：整齐、合规、异常值少，比真实数据还“干净”，下一轮训练便在自己的错误信息上继续迭代。国家数据局 25 号文在保障措施里专门写了“防范数据投毒与污染、数据泄露等安全风险”，针对的就是这种污染。

推论一：授权不是入库时审一次就完事，它是跟着资产走的状态字段，还得继承给每一个派生物。标签至少四个：权属凭证编号、允许用途（检索 / 微调 / 评测 / 对外输出）、有效期与复核日、撤回方式（可删 / 需重建索引 / 需重训）。少一项，向量库就不许进。这条得在入库口做硬校验，靠文档约定不行。

推论二：生成数据没有出身标记的，不进资产目录、不作为入表依据、不进训练语料。生成物起码要记：生成模型与版本、提示词模板、引用的原件编号、生成时间、是否经人工确认。

这里有道边界容易混。2025 年 9 月 1 日施行的《人工智能生成合成内容标识办法》，由国家网信办、工业和信息化部、公安部、国家广播电视总局联合发布，要求服务提供者在生成合成内容中添加显式标识，并在文件元数据中添加隐式标识，配套强制性国家标准同步实施。不过它管的是面向公众提供生成合成服务的场景，企业内部数据台账怎么记，它并没有直接规定。

“我们已经加了标识”不能拿来当治理交差，“我们不对外提供服务”也不能反过来当成不记出身的理由。合规是外部底线，出身标记是内部管理口径，两件事，别互相顶替。

检验办法很简单：随便挑一条写进业务库的 AI 生成字段，问一句“这条如果错了，找谁”。答不上来，出身账就没建起来。

一句话：脏数据是错的数据，没有出身的数据是不知道该找谁的数据。

第三本账：调用账

第三定律：计量迁移定律

AI 时代，数据资产的价值衡量变了：不再看“有多少”，而看“被谁调用、调用多少次、支撑了什么决策”。存量指标并未失效，只是已经说明不了价值。

入表逻辑是存量视角——可辨认、可计量、成本能归集。财政部《企业数据资源相关会计处理暂行规定》从 2024 年 1 月 1 日起施行，管的同样是这一侧。可检索、问数、智能体的价值，却发生在每一次调用当中。一份十万页的制度库，检索命中率 12%，账面数字再好看也带不来收益；一个只有两百条规则的小知识库，若能撑起八成的自动审核，其价值就远超它的体量。

政策口径同样朝这个方向走。国家数据局 25 号文在“价值释放”行动中明确“探索以词元（Token）为基础的价值体系”，并要求“构建以词元为基础，可量化、可定价的数据价值体系”；同一行动还“鼓励有条件的单位率先探索开展数据集资产盘点、登记、评估等试点工作”。存量要登记，流量要计价——两句话同在一份文件里，本身就说明两本账缺一不可，谁也替代不了谁。

推论一：资产运营看板得加上四个数——检索命中率、答案可溯源率、被引用资产的 Top N 分布、单次有效调用成本。前两个衡量效果，第三个回答“究竟哪几份资产在真干活”，第四个判断这笔 AI 投入划不划算。这四个数都不需要新平台，日志里就能算出来。

推论二：零调用资产占比是最诚实的生命体征。登记在册、却连续 90 天零调用的资产占多大比例。这个数高，说明盘点是为了交材料，不是为了用。它也是砍资产时最不用吵架的依据。

推论三：入表和调用替代不了彼此。数据不必都入表，但进了 AI 链路的，调用都得能被计量到。两者混为一谈，最尴尬的结果就来了：账面上躺着一个数，运营看板上一次都没被用过。

说到底：资产不是躺在目录里的东西，是被调用过的东西。

三本账落到台账上，是六个字段

字段有六个，看上去不少，不过只对"进了 AI 链路"的那部分资产提要求，并不等于全量目录都要改。这里有个取舍：与其给三万项资产统一加字段，不如把有限人力压到真正被模型读过的那批数据上，后者现实得多。按多数企业的情况，这批资产往往不到全量的十分之一。

90 天怎么起步

前提照旧：场景只挑一个，多半是知识库或者智能问数。全集团一把铺开的做法，我没见过跑通的。

•第 1 到 2 周，画链路。把该场景从原件到答案、再到回写的整条链路画在一页图上，凡是会产生副本的节点全部标出来。一页纸画不下，就说明范围选大了。

•第 3 到 4 周，测基线。抽 50 条被引用片段，算一遍副本可追溯率。头一回算出来通常很难看，别修饰，这个数就是你后面所有汇报的起点。

•第 5 到 8 周，上卡点。把这个场景的数据六个字段补齐；向量库入库口加一道硬校验——用途字段为空就不许入库。用 Excel 加人工审核也能做，别等平台。

•第 9 到 12 周，做演练、出看板。挑一条真实数据走完整撤回流程，从原件、切片、向量、缓存、评测集一直到日志，记清楚跨了几个系统、花了多久、有没有残留；第一版调用看板也同步上线。

验收只有三条：

1.随便挑一条模型答案，30 分钟内能讲明白它引用了哪份原件的哪个版本、授权状态如何

2.做过一次真实撤回演练，耗时和残留都有记录

3.零调用资产占比有了基数，并给出处置结论：继续、合并，还是下线

第 2 条最难，也最值钱。撤回演练会把所有"应该没问题"的地方一次暴露出来，比开十次评审会都管用。它天生还是个跨部门动作，法务、业务、平台会被迫坐到同一张桌上——这本身比演练结果更重要。

不承诺什么

•不承诺一套台账能覆盖所有 AI 场景。先跑通一个再谈推广，三本账的顺序不能跳。

•不承诺进了模型权重的信息能被精确删除。机器遗忘眼下没有可靠、可验证的工程解，治理重心只能放在准入和派生控制上，而不是事后清除。这一条不接受"技术上总会有办法"的安慰。

•不承诺文中的比例、阈值、天数可以直接照抄。90%、50 条、90 天都是示例口径，要在自己的基线上重新校准。

•不替法务判断权属与合规，本文给的是管理字段和技术卡点。

•不承诺"生成数据一律不入表"。准确的说法是：没有出身标记的生成数据，不该被计入资产、不该作为计量依据。

给老板的一段话

"我们手上的资产台账本身没问题，问题在于它登记的是原件，AI 拿来用的却是副本；它记的是存量，AI 的价值却出在调用上。所以全量目录先不动，只挑知识库这一个场景，把副本、出身、调用这三本账补齐，90 天交出三个数：副本可追溯率、一次真实撤回要花多久、零调用资产占比。这三个数出来，再定要不要往外推。这么走，比重新盘一遍家底省钱，也比直接买平台稳。"

最后

过去管数据资产，核心问题是"它值多少钱、该记在账上哪一行"。

AI 时代多了一个更前置的问题：它去过哪儿，还能不能收回来。

台账上那行数字是不是真的，最后不由评估模型决定，由这两个问题能不能当场答上来决定。

资产一项没少。只是账，少记了三本。