你已经拥有的数据，比你将要购买的模型更有价值
在高管们对数据的口头表态与他们实际行动之间，存在一道持续的鸿沟。大多数企业用数据来监测过去：销售报告、KPI仪表盘、活动跟踪。有些企业已经开始通过人工智能激活数据来实现个性化体验。但几乎没有人迈出下一步——这一步并非技术层面的，而是观念层面的：将数据视为一种能够独立创造收入的产品，与产生这些数据的业务相互独立。
这是2026年战略讨论中日益凸显的核心论点，背后的数字令人难以忽视。传统零售业的营业利润率在2%到5%之间徘徊。而基于第一方数据构建的广告网络——搭建在同样的客户和同样的基础设施之上——利润率可以高达90%。这不是原有业务的一个变体，而是建立在同一既有资产之上的另一门生意。沃尔玛Connect在2026财年增长了41%。克罗格的替代业务部门（包括媒体和数据分析）在上一财年创造了15亿美元的营业利润。这两家公司建立上述收入来源，既没有获取新客户，也没有开拓新市场。他们改变的，是打包既有知识的方式。
在这一分析中所缺失的，也是我作为行为分析师最感兴趣的，是没有任何高管敢公开提出的问题：如果这一资产一直都在，为什么大多数企业却未能将其变现？
那个隐形资产，以及让它沉睡的认知偏差
答案不在于技术，也不在于人才。它藏在组织对自身所拥有之物的感知方式之中。
有一种有充分记载的认知偏差，叫做"对自身环境的熟悉性偏差"：我们往往会低估自己生产或掌控的东西，因为反复接触会降低对其价值的感知。一个多年来持续查看同一批客户行为数据的营销团队，会渐渐忽略这些数据作为稀缺资产的本质。他们把数据当作运营投入，因为从一开始数据就是这么被使用的。人类大脑极其善于将熟悉的事物正常化，并低估那些没有可见市场价格的东西。
在大型组织中，这一问题会进一步加剧，因为数据分散在没有共同激励机制的各个部门之间。商业团队知道每个细分市场的购买量；物流团队知道购买的时间和地点；产品团队知道哪些功能能够驱动用户留存。但没有人愿意为将这些碎片整合成另一家企业愿意购买的完整产品而付出努力，因为每个部门都按内部目标来衡量自身绩效，而非按其所知识的外部价值。
实际结果是：一家企业最有价值的数据——其关于客户行为的积累知识——分散存在，毫无结构，没有定价，也没有明确的归属主体。这不是因为企业没有能力整合它，而是因为以这种方式整合数据需要打破支撑日常运营的操作逻辑。而打破这一逻辑会产生制度性摩擦，大多数团队都没有动力去承担这种摩擦。
克罗格的分析和媒体子公司84.51°的案例之所以具有启示意义，恰恰在于它的出发点不是技术性的。Stratum平台的诞生，并非因为克罗格发现了新数据，而是因为有人决定围绕快消品牌需要做出的决策来结构化既有知识：在哪里投入预算、选择什么产品组合、如何衡量结果。资产本身没有变化，改变的是提供这些资产时所采用的解释框架。从内部数据到外部产品的这种转变，与其说是一个技术行为，不如说是一个组织设计行为。
为什么人工智能无法解决这个问题，反而让它更加紧迫
在当前技术周期中，有一种可以理解的诱惑：相信实施大型语言模型或生成式人工智能工具，就足以将企业所拥有的数据资本化。事实并非如此。理解其中原因，需要区分两种不同类型的优势。
第一种是工具获取优势。三年前，访问大规模语言模型是真正的竞争优势，因为很少有企业能够负担得起其开发成本。这种优势现在几乎已经消失。最强大的模型对任何预算合理的企业来说都触手可及。基础模型市场正在走向同质化，就像十年前云服务器访问权限不再是差异化因素一样。
第二种是专有投入优势。企业向模型提供的数据，比模型本身更重要。84.51°处理的6200万个家庭数据和每年20亿笔交易是无法复制的。一家拥有五年路线和区域需求数据的物流公司同样无法复制。一个将临床记录与治疗结果相关联的医疗系统同样无法复制。优势不在于算法，而在于算法所处理的内容——而这正是大多数企业继续当作运营投入而非可商业化资产来对待的东西。
悖论在于，人工智能的大众化使得解决数据变现问题变得更加紧迫，而非更不紧迫。如果所有人都能访问相同的工具，差异化因素将完全转移到谁拥有更丰富、更干净、结构更完善的数据，从而生产出他人无法复制的输出。到2027年，尚未解决其专有数据架构问题的企业，不会因为缺乏技术而处于劣势。它们将处于劣势，是因为它们让自己唯一真正的竞争优势——对客户的积累知识——在竞争对手将其转化为利润的同时，却白白闲置。
这一逻辑同样适用于零售业以外的领域。一家媒体机构如果知道哪些内容形式能够为哪些细分受众驱动转化，就可以为广告主构建一套规划工具。一家物流公司如果知道需求在何时何地集中，就可以向自己的客户提供基准数据。一家保险公司如果以地理精度理解风险模式，就可以将这些知识出售给政府或房地产开发商。各方的共同点不是行业，而是拥有其他人在短期内无法独立建立、却需要用于做出更好决策的信息。
阻碍行动的障碍不是技术性的
迄今为止，这一分析似乎指向了一个显而易见的机会，只需要高管层的意愿即可实现。然而，组织现实要复杂得多，机构内部的人类行为解释了为什么大多数企业即便逻辑上站得住脚，仍不采取行动。
第一个障碍是商业身份认同。组织会围绕自身定位构建叙事。银行就是银行。航空公司就是航空公司。连锁超市出售食品。当有人在内部提议将客户数据转化为出售给第三方的产品时，许多团队的本能反应不是分析性的，而是身份认同性的："那不是我们做的事情。"这种抵触从表达者的个人角度来看并非非理性。这是一种信号，表明所提议的变化威胁到了那个人用以构建自身职业轨迹的思维模型。一家决定将金融行为数据货币化的银行，在某种程度上变成了一家数据公司。这意味着一些内部角色失去了相关性，而原本不存在的角色开始变得至关重要。
第二个障碍是治理摩擦。客户数据受隐私法规的约束，这些法规因市场和行业而异。构建一个具有商业可行性、法律上可辩护且对第三方可信赖的数据产品，需要一套同意机制、匿名化处理和合规架构，而大多数企业并未具备这些条件。这不是因为构建它是不可能的，而是因为构建它需要跨职能投入，涉及历史上从未协同工作的多个部门：技术、法务、产品和商业。在没有任何部门将其作为自身成就来记录的情况下协调这一投入，会产生恰好那种政治惰性，将最有前途的战略举措拖入僵局。
第三个障碍是可见价格的缺失。金融市场在业务单元产生具有独立结构的收入时才会对其进行估值。只要企业数据埋藏在运营之中，没有形成独立的收入来源，其价值就不会出现在任何财务模型中。这意味着没有外部分析师会施压，没有高管薪酬激励机制会直接奖励它，没有董事会会将其列为优先事项。这一资产在资产负债表上保持无形，因为它没有定价，而没有定价是因为没有人做出为其赋值的决定。
克服这三重障碍不需要新技术。它需要领导者改变在内部框架问题的方式：从"我们如何利用数据更好地运营？"转变为"对于哪家其他企业的决策，我们是最有价值且不可替代的信息来源？"。第二个问题迫使人们在向内看之前先向外看。而对于大多数高管团队而言，这在心理上比实施任何分析平台都要困难得多。
数据变现首先是一个设计问题，其次才是技术问题
从克罗格案例以及在物流、医疗和媒体领域反复出现的规律中所浮现的启示，并不是企业需要更多数据或更好的模型。而是价值被困在一道设计鸿沟之中——在组织所知道的事情与其结构化这些知识以便他人愿意为之付费的方式之间。
这道鸿沟有其具体的解剖结构。一方面，是多年运营积累的信息：交易、行为、模式、异常。另一方面，是外部参与者需要用更好的信息来做出的决策：向哪个渠道分配多少预算、在供应链的哪个节点维持何种库存、哪些风险特征值得差异化条件对待。两端之间的鸿沟就是产品本身。设计工作是构建连接企业所知与外部客户所需做出的决策之间的桥梁，以足够清晰且可信赖的方式，使该客户愿意为定期访问这一桥梁而付费。
在此背景下，人工智能的大众化所起的作用，是降低架桥的成本。整理、清洗和结构化数据——过去需要数据工程团队数月才能完成——现在借助适当工具在数周内即可完成。这并不能消除设计问题，也无法解决组织摩擦。但它确实将进入门槛降低到足以让此前无力承担该开发成本的企业，如今具备了技术能力——前提是它们拥有足够的战略清晰度，知道构建什么、为谁构建。
这一决策仍然是人做出的。而大多数企业尽管拥有现成的资产却不做出这一决策，原因在心理上仍然优先于技术层面。商业身份认同、内部政治摩擦以及数据资产的会计隐形性，都是任何语言模型都无法解决的力量。这些力量需要组织最高层有人决定，用与构建这些资产时截然不同的眼光来审视已有的一切。在当前技术周期的这一时刻，这种感知上的位移，是现存最稀缺、最难以复制的竞争优势。
