企业的数据平台正站在一个代际分界点上。过去二十年，数据平台的服务对象是分析师：离线查询、BI 报表、固定看板。2026年，主要的调用方变了——变成了大模型和 Agent。它们不看报表，要的是可直接调用的数据资产。
中国信通院大数据技术标准推进委员会（CCSA TC601）今年6月发布的《AI 原生数据平台研究报告》，把这场变化总结为一句话：数据平台正在从"为人服务"转向"为 AI/Agent 全域数据供给"。这不是功能叠加，是换底（来源：中国信通院《AI 原生数据平台研究报告（2026年）》，2026-06）。
四个维度，全部重写
报告把转型拆成四个演进维度，每一维都是对传统架构的否定式描述。
计算维度：从 CPU 主导的静态算力配置，转向 CPU+GPU+NPU 异构池化、训推一体的智能调度。传统架构里批流分离、训练推理各环节割裂，缺少特征工程、向量生成、检索增强这些智能化算子。
供给维度：从结构化数据供给，转向数据、特征、向量、模型的全模态资产一体化供给。过去非结构化数据靠外挂系统存储，口径不统一、重复存储；AI 原生平台把它们收进统一存储引擎，从"被动批量同步"变成"按需主动供给"。
治理维度：从规则防御转向语义协同加内生安全。服务维度：从人工查询转向 Agent 自主调用——数据要支持检索、分析、决策的自动闭环，从被动检索变成主动服务（来源：中国信通院报告，同上）。
图：AI 原生数据平台典型分层架构，纵向6层加横向2层（图源：中国信通院报告）
报告给出的架构是纵向6层加横向2层：支撑层、存储接入层、计算处理层、开发层、服务层、应用层，加上贯穿的安全与治理。服务层里能看到不少新面孔：模型推理网关、知识检索 API、Agent Runtime、MCP 工具中心——这些在三年前的数据平台架构图里都不存在。
为什么数据平台必须动
驱动力不在技术侧，在账单侧。麦肯锡2025年调查显示，88%的受访组织至少在一个职能经常使用 AI，但只有39%报告了企业层面的利润（EBIT）影响（来源：《数力：让数据成为现实生产力》白皮书 V1.16，2026-07）。试点遍地，规模化寥寥。
差距卡在哪里？《数力》白皮书的判断是：原始数据不是天然的生产力，数据要素也不会自动产生价值，中间差一层"数力"——把数据要素转化为现实生产力的综合能力。AI 是这层转化的加速器，但前提是数据能以 AI 消费的方式被供给：向量化、语义化、可编排、可追溯。
这正好解释了报告里那句定义：AI 原生数据平台是"以人+AI为核心用户，通过自然语言交互理解意图，将数据资产封装为可调用的业务技能，围绕具体任务自动编排执行路径"的智能基础设施。注意"封装为业务技能"这个表述——数据资产开始按 Agent 的接口形态重新组织了。
图：四个维度的演进方向一览。服务对象从分析师变成 Agent，是全部变化的源头（源势AI 制图）
落地路径：别想一步到位
报告对比了海内外厂商后给出的建设逻辑很清楚：国外走的是大模型与数据平台一体化（Snowflake 的 Cortex 把向量检索、模型推理塞进数据云），国内厂商普遍先搭统一存储与统一元数据底座，再叠 Agent 工程化平台。
对不同体量的企业，建议也是分层的：央国企分步迭代，先搭国产化适配的底座；中大型企业按"融合数据基座—全域治理语义—Agent 工程化平台—场景化业务应用"四步走；预算有限的企业优先轻量化 SaaS 化方案，用订阅制控制试错成本。报告还特别提醒：初期 Agent 应用落地应避开高并发场景，先选对业务价值直接、数据基础好的切口（来源：中国信通院报告，同上）。
源势AI怎么看
数据平台换底这件事，我们在客户现场的感受是一致的：凡是 Agent 项目跑不动的，查到最后多半卡在数据供给层——数据没向量化、口径不统一、Agent 拿不到干净的上下文。
我们的建议排个序。第一，先做资产盘点再做架构选型：搞清楚哪些数据要进向量库、哪些留在湖仓、哪些要封装成 Agent 可调用的技能，这一步决定后面所有投入的方向。第二，语义层是新的必选项。多套系统之间业务语义对不齐，Agent 调一次错一次，语义协同比加算力更先解决。第三，用"88%对39%"这组数字做内部说服材料——上了 AI 不等于产生利润，数据供给方式不变，模型越强浪费越大。
源势AI 在数据资产化这条线上做的事，就是把企业存量数据治理成 Agent 能直接消费的形式：向量化、语义化、技能化。平台换底的窗口期不长，先动的企业会拿到数据复利，后动的只能补作业。
