国家数据局印发《2026年数字经济发展工作要点》：八项任务背后的数据治理信号
大家好，我是独孤风。
5月19日，国家数据局印发《2026年数字经济发展工作要点》。这不是一份泛泛谈数字经济的文件，而是对 2026 年数字经济工作的重点部署。
从文件内容看，2026 年数字经济工作的关键词并不只是“上云、用数、用 AI”，而是把数据要素市场、数字基础设施、人工智能、产业转型、安全治理和国际合作放到了一条主线上。
如果用一句话概括我的判断：
数字经济正在从“建系统、做应用”，进入“以数据要素为主线，连接基础设施、人工智能、产业场景和安全治理”的新阶段。
这份文件值得做数据治理、数据资产、数字化转型、大数据平台、人工智能应用和企业 AI 工程化的人认真看一遍。因为它里面很多内容，看起来是宏观政策，落到企业里，其实都会变成数据资源盘点、数据资产运营、数据基础设施、AI 数据集、数据安全和场景化应用能力。
一、先看一张图：八项任务不是并列清单，而是一条主线
《工作要点》提出了 8 个方面重点任务，分别是：
① 深化数据要素市场化配置改革；
② 筑牢数字基础设施底座；
③ 强化数据赋能人工智能发展；
④ 提升数字经济核心竞争力；
⑤ 促进实体经济和数字经济深度融合；
⑥ 提升数字化治理与服务能力；
⑦ 深化数字经济国际合作；
⑧ 营造良好发展环境。
我把它整理成一张图：
表面上看，这是 8 个并列任务。实际上，它背后有一条很清晰的政策逻辑：
① 以数据要素市场化配置改革为制度主线，解决数据能不能确权、能不能流通、能不能定价、能不能进入统一市场的问题。
② 以数字基础设施为承载底座，解决数据、网络、算力、能源和数据基础设施如何协同布局的问题。
③ 以人工智能为重要牵引，解决高质量数据集、AI 就绪数据、行业模型训练和 AI 应用落地的问题。
④ 以实体经济场景为价值出口，解决数字经济不能只停留在平台和概念层面，而要进入制造业、服务业和重大经济场景的问题。
⑤ 以安全治理、国际合作和监测评估为保障机制，解决数据安全、重要数据保护、跨境流动、指标评价和政策落地的问题。
所以，这份文件不是单纯讲“数字经济怎么发展”，而是在回答一个更具体的问题：
未来几年，数据要素如何真正进入经济运行、产业升级和 AI 应用。
二、第一条主线：数据要素市场化配置，正在从方向走向规则
文件把“深化数据要素市场化配置改革”放在第一项，并且提出了几个非常关键的动作：
① 加快建立全国统一数据产权登记制度；
② 印发登记指引；
③ 推动公共数据授权运营价格形成机制；
④ 制定建设开放、共享、安全的全国一体化数据市场相关政策文件。
这说明，数据要素市场化改革已经不只是讲“数据有价值”，而是开始进入更具体的制度建设阶段。
过去很多企业谈数据资产，经常停留在三个层面：
① 有多少系统；
② 有多少表；
③ 有多少数据量。
但真正进入数据要素市场以后，仅仅知道“我有数据”是不够的。企业至少要回答几个问题：
① 这些数据资源是谁形成的？
② 使用权、加工权、运营权边界是什么？
③ 是否可以对外提供？
④ 对外提供的价格依据是什么？
⑤ 哪些数据只能内部使用？
⑥ 哪些数据可以做成数据产品、数据服务或模型能力？
⑦ 数据流通过程中如何留痕、审计和安全管控？
这就把数据治理从“内部管理问题”，推向了“资产运营问题”和“市场规则问题”。
所以，对企业来说，2026 年如果还把数据治理只理解为建目录、补字段、做质量规则，就会明显不够。未来的数据治理一定会更靠近数据资源盘点、数据权属记录、数据产品设计、数据服务计量、授权运营和安全合规。
三、第二条主线：数字基础设施，不只是算力，而是数据、网络、算力、能源协同
文件提出，要加快建设全国一体化算力网，推动数据、网络、算力、能源等资源协同布局，稳妥推进数据基础设施建设，支持行业和领域示范性设施建设。
这里有一个很重要的变化：数字基础设施不再只是“机房、云平台、算力中心”，而是变成一个更综合的系统。
过去很多企业建设数字化底座，关注的是：
① 有没有数据湖；
② 有没有数据仓库；
③ 有没有实时计算平台；
④ 有没有统一数据开发平台；
⑤ 有没有大屏和报表。
这些当然重要，但从新一轮数字经济建设看，基础设施的内涵会继续扩大。
它至少包括：
① 数据资源的统一目录和标识；
② 数据接入、共享、交换和服务能力；
③ 算力资源的调度和使用能力；
④ 数据安全、权限、审计和可信流通能力；
⑤ 面向行业场景的数据基础设施；
⑥ 面向 AI 应用的数据准备和数据服务能力。
也就是说，企业未来不能只问“有没有平台”，还要问“这个平台能不能让数据被发现、被理解、被授权、被调用、被复用、被安全地进入业务和 AI 场景”。
这也是为什么我一直说，AI 时代的数据治理，不能停留在传统的数据仓库治理。因为 AI 应用需要的不只是表和字段，还需要语义、质量、血缘、权限、标准、上下文和责任边界。
四、第三条主线：数据赋能人工智能，高质量数据集成为明确任务
这次文件中，“强化数据赋能人工智能发展”单独成为一项重点任务，而且提出要实施 6 大专项行动：
① 强基扩容；
② 应用赋能；
③ 提质增效；
④ 管理服务；
⑤ 价值释放；
⑥ 标注攻坚。
文件还明确提出，要形成一批满足 AI 就绪度要求、有效训练先进模型、切实解决行业难题的标杆性高质量数据集。
这一点非常关键。
过去很多企业做 AI，习惯从模型开始问：
① 用哪个大模型？
② 要不要私有化部署？
③ RAG 怎么搭？
④ Agent 怎么做？
⑤ 工作流怎么编排？
这些问题都重要，但它们不是全部。真正进入企业场景以后，AI 能不能用起来，很大程度上取决于数据能不能支撑 AI。
企业 AI 应用背后至少需要几类数据能力：
① 可用数据：数据能不能接入、能不能调用、能不能持续更新。
② 可信数据：数据来源、质量、口径、血缘是否清楚。
③ 可解释数据：字段、指标、业务术语、规则和上下文是否能被理解。
④ 可控数据：权限、脱敏、分级分类和使用边界是否明确。
⑤ 可评测数据：AI 输出是否能被验证、反馈和持续改进。
⑥ 可运营数据：数据集是否能持续维护、版本管理和价值评估。
所以，高质量数据集不是简单把数据打包给模型，也不是把文档丢进知识库。它本质上是把数据治理、业务知识、标注体系、质量管理和 AI 评测体系结合起来。
这也是 Data for AI 的核心：不是有数据就能做 AI，而是数据要达到 AI 可用、可信、可控、可评测的状态。
五、第四条主线：数实融合，关键不在“数字化”三个字，而在重大场景
文件提出，要深入推进制造业数字化转型行动和重点行业数字化转型实施方案，加快赋能服务业扩能提质，丰富数据资源运营、数据技术创新、数据分析应用等服务供给，并鼓励探索风险共担、收益共享的数据应用服务新模式。
这段话里最值得关注的是两个词：重大场景和服务模式。
很多企业过去做数字化转型，容易陷入“平台思维”：
① 先建一个平台；
② 再接一批系统；
③ 再做一批报表；
④ 再做一个驾驶舱；
⑤ 最后发现业务使用率并不高。
但如果从数实融合的角度看，真正重要的是场景。
比如制造企业可能关注：
① 供应链协同；
② 生产排程；
③ 设备故障预测；
④ 质量追溯；
⑤ 库存周转；
⑥ 能耗优化。
零售企业可能关注：
① 会员运营；
② 商品补货；
③ 门店经营；
④ 价格策略；
⑤ 营销转化；
⑥ 经营分析。
金融、能源、交通、医疗、政务等行业，也都会有自己的重大场景。
数据治理的价值，不是为了把元数据、标准、质量、血缘这些概念讲得很漂亮，而是要进入这些具体场景，帮助企业把经营问题、管理问题和风险问题讲清楚、算准确、管起来、持续优化。
从这个角度看，未来的数据团队也不能只做“平台运维部门”，而要逐渐具备三种能力：
① 理解业务场景的能力；
② 把场景拆成数据问题的能力；
③ 把数据问题沉淀成标准、资产、服务和治理机制的能力。
六、第五条主线：安全、治理和跨境合作，会成为数字经济的基本前提
文件还提出，要推进数字经济促进法立法进程，持续推进数据安全管理，强化重要数据和核心数据识别与保护。同时，要积极参与数据领域国际规则标准制定，鼓励有条件的地方探索建设数据跨境流动服务基础设施、国际数据中心，建设一批跨境可信数据空间。
这部分内容看起来偏宏观，但对企业影响非常直接。
因为只要企业开始做数据流通、数据产品、AI 应用、跨境业务和外部数据合作，就一定会遇到这些问题：
① 哪些数据属于重要数据或核心数据？
② 哪些数据可以共享，哪些不能共享？
③ 哪些数据需要脱敏、匿名化或访问审批？
④ AI 应用能不能调用敏感字段？
⑤ 训练数据和知识库数据是否有授权依据？
⑥ 跨境数据流动如何做合规评估？
⑦ 数据使用过程如何审计和追责？
所以，安全治理不应该被放在项目最后补课。它应该从一开始就进入数据架构、平台架构和 AI 应用架构。
未来企业做数字经济和 AI 工程化，至少要把几件事作为基础能力：
① 数据分级分类；
② 重要数据识别；
③ 权限和访问控制；
④ 数据使用审计；
⑤ 数据出域和共享审批；
⑥ AI 应用的数据调用边界；
⑦ 跨境流动和第三方合作管理。
如果没有这些基础，再先进的模型、再漂亮的平台，都可能在真实企业环境里走不远。
七、企业接下来应该重点补哪几项能力
从这份《工作要点》看，企业如果要顺应 2026 年数字经济的发展方向，我建议优先补五类能力。
第一，数据资源盘点能力。
企业要知道自己有哪些数据资源，分布在哪些系统，归属哪个部门，支撑哪些业务场景，是否具备对内复用和对外服务的条件。
第二，数据资产和数据产品能力。
不能只把数据看成后台表和报表字段，而要逐步梳理哪些数据可以形成指标、标签、模型特征、数据服务、数据产品和行业解决方案。
第三，AI 就绪数据治理能力。
AI 需要的不是“数据越多越好”，而是数据语义清楚、口径统一、质量可信、权限可控、上下文完整、反馈可追踪。
第四，场景化数据应用能力。
不要为了治理而治理，也不要为了平台而平台。要围绕经营分析、风险控制、供应链、客户运营、生产质量、公共服务等场景，把数据治理和业务价值绑定起来。
第五，安全合规和可信流通能力。
数据越进入市场、产业和 AI，越需要安全边界。数据分级分类、重要数据识别、权限审计、授权使用和跨境流动管理，都会成为企业数字化底座的一部分。
八、写在最后：数字经济的底层，仍然是数据能力
这份文件的意义，不在于又提出了几个新概念，而在于把很多过去分散推进的工作放到了一条主线上：
数据要素市场化改革，是制度基础；
数字基础设施，是承载基础；
高质量数据集，是 AI 发展的关键支撑；
数实融合，是价值出口；
安全治理和国际合作，是发展边界；
监测评估和试验区，是落地抓手。
对企业来说，数字经济不是一个抽象概念。它最后一定会落到数据能不能盘清、管好、用起来、流动起来、进入 AI、进入业务、进入经营决策。
这也是我为什么持续关注 AI 时代的数据治理。
因为越往后走，企业竞争的差异可能不只在于谁买了更好的模型、用了更贵的算力、建了更大的平台，而在于谁能把数据资源、业务场景、治理规则、AI 能力和安全边界真正组织起来。
未来的企业数据能力，不能只回答“有没有数据”，还要回答：
① 数据能不能被理解；
② 数据能不能被信任；
③ 数据能不能被合规调用；
④ 数据能不能支撑 AI；
⑤ 数据能不能进入真实业务场景；
⑥ 数据能不能形成持续价值。
2026 年数字经济发展工作要点，给出的正是这样一张路线图。
参考来源：国家数据局《2026年数字经济发展工作要点》。
我会在「AI时代数据治理实战库」里持续整理数据要素、数据基础设施、高质量数据集、AI for Data、Data for AI、可信数据空间和企业数据治理落地方案。
如果你想系统理解 AI 时代的数据治理，可以从文末「阅读原文」进入知识库。