互联网数据快挖完了，AI 下一座矿是你的工作流

深度思想，谈 AI 与向往 —— 字节深思圈

数据这门生意一直在翻页。自动驾驶和早期大模型那阵，Scale AI 靠数据标注赚到第一桶金；训练转向专家数据，Mercor、Surge 这批公司跟着起来；现在需求又换了形态，模型实验室开始围着一样新东西转：企业真实工作流里产生的数据。互联网公开数据被反复淘过，这座矿基本没动过。

为什么是现在？答案藏在模型进步的主线上。

任务变长了，沙盒编不出来了

这一代模型竞赛的关键词是长程任务。模型处理工作的单位，正在从一次代码修改，扩大到一个文件、一整个代码库，最终是一个完整项目。

任务越长，人工搭环境就越难。真实项目里全是历史状态、工具依赖、组织规则和意外分支。一个运行了八年的代码仓库，哪些模块没人敢动、哪条流程绕不开审批，这些细节专家坐在沙盒里凭空编不出来。实验室的预算于是从专家标注，转向强化学习环境，再转向现在的真实世界数据采购。

这个市场还有一个结构性错配，模型公司通常工程师多、数据少，企业正好反过来，数据多、懂训练的人少。两端错配，中间就长出两类生意：一类给实验室供数据，一类帮企业把业务流程改造成可训练的环境，顺便把训练咨询也卖了。

好数据只有一条标准：卡在能力边界上

数据分两种。一种是从真实工作里捕获的，接近工作过程的录像，屏幕操作、协作记录，最好的版本连动作背后的意图都能还原。GitHub 是这种数据的典范：提交信息、issue 和解决方案串在一起，一个问题从出现到被解决的全程都在。另一种是人为构造的，找专家、设计任务、沙盒执行、收集结果。构造出来的数据适合早期能力爬坡，但当模型开始处理链路更长、经济价值更高的任务，真实数据就越来越值钱。

这里有个反常识的判断标准。很多团队设计任务的逻辑是，做出一个模型不会的任务就有机会。但让前沿模型做不出来一点都不难，难的是让任务刚好卡在能力边界上。一个任务，模型一次做不对，允许独立尝试三十二次，有三成的成功率，说明它已经偶尔摸到路径，只是不稳，这种数据有训练价值。另一个任务，试两百五十六次一次都不成，多半是超纲或者偏门，喂进去也学不会。挑数据不是挑最难的，是挑刚好够得着的。

市场红火，坑也成体系。行业里流传的几种失真值得记住：把构造数据包装成真实数据；评测集故意加难度，制造模型还有很多提升空间的假象；质检靠堆人力，规模一上去质量就崩。我的经验是看一家数据公司的招聘结构就能判断它的 DNA：频繁招项目负责人，说明它在卖人力接订单；只招工程师，说明它在建工厂。随着数据价值向真实端迁移，纯构造数据公司的窗口可能只剩两年。

你的公司，该不该自己练一个模型

工作流变成训练数据，企业自然会想：要不要自己动手练。硅谷的讨论很多，动真格的都有具体理由。

客服公司是最早自研的一批。通用模型被训练得友好顺从，但企业不希望模型面对退款有求必应，这种偏好没法靠提示词解决。另一个理由是成本：一个编程工具公司如果按外部 API 价格买模型，每增长一个用户，都在给竞争对手交过路费，对手拿这笔钱补贴它自己的产品。自研到前沿模型八九成的能力、一到两成的价格，体感竞争力就拉平了。

但自训本质上是用一次性资本开支换长期推理开销，这笔账能不能算过来，看四个乘数：数据独特性，乘以评测清晰度，乘以任务频率，乘以单次改善的价值。任何一个乘数接近零，投资都不成立。

一个正面案例是外卖平台的菜单录入。每年超过十万家商户入驻，上传菜单图片，系统要把图里的信息按平台内部规则转成电子菜单，商品、加料、规格各有一套标准。通用模型认识菜单，但不懂这套内部规则，于是平台拿内部数据和外部供应商合作，练了一个懂自己业务标准的小模型。四个乘数全部为正，账就算得过来。

自训还有一层隐藏优势。占据真实工作流入口的公司，天然产出高质量的智能体执行轨迹，这类数据在外部市场单条报价能到上千美元。而且企业任务范围窄，不用管跨领域泛化，资本效率反而高。通用实验室做编程强化学习要小心别的技能退化，垂直公司没这个包袱。

这门生意的边界，也要讲清楚

三个冷静的判断。

第一，数据市场是冲浪生意。每当一个能力瓶颈被突破，最有价值的数据就换一种形态，玩家跟着翻页。上一轮的赢家如果押错了下一轮的需求类型，护城河瞬间变成沉没成本。给数据公司估值，别按资产估值，按窗口期估值。

第二，企业对自己数据独特性的判断，普遍过于乐观。多数所谓独特的数据，问题出在脏，不在独特：口径不统一、流程没记录、权限说不清。四乘数里最先归零的往往也不是独特性，是评测清晰度，连“做好了”都定义不出来的任务，训练无从下手，数据再多也是原料堆。

第三，这是一笔有隐含条件的交换。企业交出工作流细节，换模型能力或换更好的服务，数据的主权和边界值得在合同里抠清楚。你的流程数据越值钱，越该想清楚换回来的是什么。

对创业者，判断标准只有一条：没有向真实数据靠拢路线图的数据公司，不值得投也不值得做。对企业，先算四个乘数，算不过来就别碰训练，把数据当成可谈判的资产，去换更好的模型服务。位置最好的永远是占着工作流入口的那一方，矿在你地里，挖法可以慢慢谈。

要点：长程任务让真实工作流数据成为新稀缺资源；数据市场的两端错配催生供数据和造环境两类公司；好数据卡在模型能力边界上，过难和过易都没价值；企业自训看数据独特性、评测清晰度、任务频率、单次价值四个乘数；数据生意按窗口期估值，独特性常被高估，评测清晰度最常缺席；占住工作流入口是结构里最好的位置。