大模型只会 “聊天”，决策智能才敢拍板！北大信通院报告揭秘可信路线

 前言

大模型能写方案、执行任务，可金融、政务等场景，最怕 AI 幻觉、结论说不清来源。北大联合中国信通院云大所发布报告，提出数据智能体方案，让 AI 决策跳出黑箱，做到可解释、可追溯。本文拆解演进路径、市场规模、落地瓶颈与行业方向。

1 决策智能四代演进：从看报表，到直接落地行动

报告梳理了数据分析能力的四个发展阶段，清晰展现行业迭代脉络。90 年代到 2000 年是商业智能阶段，以数据聚合可视化为主，只回答 “发生了什么”；2000 至 2017 年进入预测分析阶段，依靠统计模型输出概率与风险信号。 2017 到 2021 年是增强分析，借助 AI 自动挖掘根因，快速发现业务洞察；2021 年至今，行业迈入决策智能阶段。它兼容前面三代全部能力，新增业务执行层，打通数据输入、洞察挖掘、方案生成、落地执行的完整闭环。简单来说，前面三代帮人看懂数据，决策智能直接输出可落地的行动方案。

2 三层产业圈层：看清赛道体量与创新重心

报告划分三层产业市场，给出明确规模测算。广义数据智能应用，2025 年国内软件与服务支出 965 亿元，预计 2030 年增长至 2243 亿元；其中决策智能应用 2025 年市场 485 亿元，2021-2025 复合增速 25.6%，2030 年有望达到 1229 亿元。 而数据智能体驱动的决策智能，是当前创新热点。它从底层解决实体对齐、语义统一、推理追溯问题，区别于普通大模型 Agent。赛道增长的核心驱动力来自三方面：海量数据持续积累、AI 补齐执行链路、数据要素相关政策持续释放落地空间。

3 规模化落地的三道坎：孤岛、黑箱、重复定制

报告指出，当前决策智能大范围推广存在三大核心瓶颈。第一是数据底座碎片化，同一业务实体在不同系统标识不一，同物异名、同名异物普遍存在，数据孤岛很难形成统一业务视图。 第二是决策黑箱风险，普通智能体虽然可以完成任务，但推理逻辑不透明，结论无法回溯原始数据。金融风控、行政审批这类强监管场景，无法直接采信黑箱输出结果。 第三是项目高度定制化，很多项目单独开发，治理成果、知识模型很难跨场景复用，叠加数据合规、权属约束，整体复用效率偏低。报告强调，有洞察和执行能力不等于可信决策，可追溯底座是规模化的前提。

4 数据智能体：给现实实体发放统一数字身份证

数据智能体不是多种技术简单拼接，核心依托本体建模、语义对齐，为现实世界对象搭建唯一身份、可跨系统关联的数字计算单元。本体建模就是统一业务对象的规则与身份；语义对齐打通异构系统，让不同平台识别同一个实体。 它的价值分为五层：精准识别业务实体、打通显性和隐性数据关系、推理过程逐层可回溯、本体图谱沉淀为可共享知识资产、支撑风险传导研判与趋势预判。数据智能体的本质，不只是汇聚数据，而是让数据知道描述对象、关联关系以及结论推导路径。

5 六大高价值场景与行业落地建议

报告列出六大优先落地赛道：金融风控反欺诈、医疗公共卫生、能源低碳核算、城市政务治理、供应链智能制造、反诈与公共安全。这些场景的共性，就是对证据链、可解释性有硬性要求。 针对行业痛点，报告给出四条发展路径：持续深耕本体工程，延伸长尾实体治理；依靠隐私计算、区块链、数据沙箱搭建合规流通机制；推行平台化集约建设，避免重复开发；完善标准规范，培养本体建模、语义治理复合型人才。长期来看，产业将走向可信决策的全新范式。

观点： 大模型解决了 AI“能沟通、能执行” 的能力，而数据智能体支撑的决策智能，补齐了 “可信拍板” 的短板。AI 的价值不能停留在生成文字和图表，想要进入高价值、强监管行业，可追溯、可核验是不可绕过的门槛。对企业数字化团队而言，盲目上马通用 Agent 项目容易踩坑，优先搭建统一语义底座，再逐步构建决策闭环，才是更稳妥的路径。随着本体工程、数据合规体系不断成熟，决策智能有望真正释放数据要素价值，让 AI 深度嵌入各行各业核心业务流程。