管住副本、出身、调用，台账才追得上模型

资产一项没少，但「它被谁用了、还能不能收回来」，没人答得上来。

一个答不上来的问题

某集团去年做完数据资产盘点，登记三万两千多项，账实相符率 96%，还挑了两项做入表试点。验收材料装订得很漂亮，专家意见是"底数清、责任实"。

今年他们上了知识库和智能问数。内审在一次抽查里问了四个问题：

模型刚才引用的那份采购合同，是哪个版本？谁授权把它放进知识库的？切片和向量现在存在哪几套系统里？如果这份合同明天要撤回，多久能删干净、删完模型还会不会吐出来？

会议室安静了很久。

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

这不是他们做得差。恰恰相反，这是把传统数据资产管理做扎实之后，才会撞上的那堵墙：过去我们管的是"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

传统链路是线性的：数据进表、入湖、加工、出报表。资产边界和使用边界基本重合——一张表在库里，谁查、谁导出、谁改，日志都能查到；要删，删掉表和有限的几个下游副本就行。台账登记的那份"原件"，就是实际被用的那份。

AI 把这条链拆成了网。一份文档进来，会被切成几百个片段、算成向量、塞进检索库、拼进提示词、被模型读进上下文、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，成为新的"数据"。

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

这里有个容易误判的地方。很多企业的第一反应是"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，追不上派生速度——副本是按调用实时产生的，登记永远慢一拍。真正要补的不是更多条目，是三本原来没有的账。

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》（国数科基〔2026〕25 号），部署六个专项行动。其中"管理服务"行动要求覆盖数据集采集、清洗、加工、标注、质检、测评、迭代、审计的全生命周期，"确保数据可管、可控、可追溯"，并明确提出"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"。

政策已经把题目点出来了：可追溯、授权、合成数据。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：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——传统资产登记以"表 / 数据集"为最小单位，这些派生物没有登记口径，而业务真正读到的，恰恰是派生物。

更麻烦的是版本。原件更新到第三版，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"不再是有效验收标准，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，在 AI 场景里等于没盘。

推论二：撤回能力是资产属性，不是运维能力。一条数据能不能作为资产登记，取决于它能不能被完整撤回。收不回来的东西，登记在册反而是负债。

可证伪的指标：副本可追溯率。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，逐条回溯四件事：能不能定位到唯一原件、能不能精确到版本、能不能查到授权状态、能不能找到副本所在系统。四项全答得出的，计入分子。

这个数测一次只要半天，比任何成熟度评估都真实。低于 90%，就别对外说"数据可控"。

顺带说一个几乎每次都会踩的坑：挑一条授权到期的外部研报做撤回演练，路径通常是原件库、切片库、向量库、检索缓存、评测集、日志，四到六套系统。多数企业第一次演练会卡在评测集——它早就不在原件的血缘图里了，但里面还留着那段话。

金句：删掉一张表很容易，删掉它在模型里的影子很难。

第二本账：出身账

第二定律：出身双向定律

表述：每一条数据进 AI 链路，都要带着它的来处；每一条数据从 AI 链路出来，也要带着它的来处。两头缺一头，台账就断了。

机制之一，进的一侧：授权有期限，模型没有。外部语料通常按年授权，且限定用途——允许内部检索，不等于允许进微调；允许做评测，不等于允许对外生成。内部数据的合规依据，往往也只是"当时那个业务目的"。而模型的寿命远长于一份授权：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，"删掉"在技术上就没有可靠解，只剩重训这一条昂贵路径。

机制之二，出的一侧：生成物会以"资产"的身份回流。智能填单、工单自动归类、报表自动解读、客服自动摘要，结果直接写回业务系统。传统质量规则查格式、查值域、查唯一性，查不出"这段话是编的"。合成数据更隐蔽：它比真实数据更整齐、更合规、更少异常值，于是下一轮训练会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"，指的就是这类污染。

推论一：授权不是入库时的一次性审查，是跟着资产走的状态字段，而且必须继承给每一个派生物。至少四个标签：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）。缺一项，不许进向量库。这条要在入库口做硬校验，不能靠文档约定。

推论二：没有出身标记的生成数据，不计入资产目录、不作为入表依据、不进训练语料。生成物至少要记：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。

这里要划一条容易混的边界。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。但它规范的是面向公众提供生成合成服务的场景，并不直接规定企业内部数据台账该怎么记。

不能拿"我们已经加了标识"当治理交差，也不能反过来拿"我们不对外提供服务"当不记出身的理由。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。

一个很简单的检验：随便挑一条写进业务库的 AI 生成字段，问"这条如果错了，找谁"。答不上来，出身账就没建起来。

金句：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

表述：AI 时代数据资产的价值，从"有多少"迁移到"被谁调用、调用多少次、支撑了什么决策"。存量指标没有失效，但已经不足以说明价值。

机制：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》自 2024 年 1 月 1 日起施行，管的也是这一侧。而检索、问数、智能体的价值发生在每一次调用。一份十万页的制度库，检索命中率 12%，账面数字再漂亮也没有收益；一个只有两百条规则的小知识库，如果撑起了八成的自动审核，价值远高于它的体量。

政策口径也在往这边走。国家数据局 25 号文在"价值释放"行动里明确"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——这两句话放在同一份文件里，本身就说明两本账都得有，谁也替不了谁。

推论一：资产运营看板必须加四个数。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。前两个管效果，第三个管"到底哪几份资产在真干活"，第四个管这笔 AI 投入划不划算。四个数都不需要新平台，日志里就能算。

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

推论三：入表和调用不能互相替代。不是所有数据都要入表，但所有进 AI 链路的数据都要能被计量到调用。把两者混为一谈，会出现最尴尬的结果：账面躺着一个数，运营看板上一次都没被用过。

金句：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

六个字段看着多，但只对"进了 AI 链路"的那部分资产要求，不是全量目录改造。这是个取舍：把有限的人力压在真正被模型读过的那批数据上，比给三万项资产统一加字段现实得多。按多数企业的情况，这批资产通常不到全量的十分之一。

90 天怎么起步

前提还是那句：只选一个场景，通常是知识库或智能问数。全集团一次性铺开的做法，我没见过跑通的。

•第 1 到 2 周，画链路。把这个场景从原件到答案、到回写的全链路画成一页图，标出所有会产生副本的节点。一页纸画不下，说明范围选大了。

•第 3 到 4 周，测基线。抽 50 条被引用片段，算一次副本可追溯率。这个数第一次通常很难看，别修饰，它就是你后面所有汇报的起点。

•第 5 到 8 周，上卡点。给这个场景的数据补齐六个字段；在向量库入库口加一条硬校验——用途字段为空不许入库。Excel 加人工审核也行，别等平台。

•第 9 到 12 周，做演练、出看板。挑一条真实数据走一遍完整撤回，从原件、切片、向量、缓存、评测集到日志，记下跨了几个系统、耗时多久、有没有残留；同时上第一版调用看板。

验收就三条：

1.随机挑一条模型答案，30 分钟内能说清它引用了哪份原件的哪个版本、授权状态是什么

2.完成过一次真实撤回演练，有耗时和残留记录

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，也最有价值。撤回演练会把所有"应该没问题"的地方一次性暴露出来，比十次评审会管用。而且它天然是个跨部门动作，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。机器遗忘目前没有可靠、可验证的工程解，所以治理重心必须放在准入和派生控制上，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

"我们现有的资产台账是准确的，但它管的是原件，AI 用的是副本；管的是存量，AI 的价值在调用。接下来不动全量目录，只选知识库这一个场景，补副本、出身、调用三本账，90 天出三个数：副本可追溯率、一次真实撤回的耗时、零调用资产占比。做完再决定要不要推广。这条路比重新盘一次家底省钱，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。