数据智能体赋能决策智能产业研究报告（2026年）

数据智能体赋能决策智能产业研究报告北京大学中国信息通信研究院云计算与数字化研究所2026 年 09 月版权声明本研究报告版权属于北京大学和中国信息通信研究院云计算与数字化研究所共同所有，并受法律保护。转载、摘编或利用其它方式使用本研究报告文字或者观点的，应注明“来源：北京大学和中国信息通信研究院云计算与数字化研究所”。违反上述声明者，版权所有方将追究其相关法律责任。编制说明本报告的撰写得到了决策智能、数据智能体相关领域多家企业与专家的支持和帮助，主要参与单位与人员如下。参编单位：北京大学、中国信息通信研究院云计算与数字化研究所、中国移动通信集团有限公司、北京融信数联科技股份有限公司、中国电信股份有限公司研究院、甘肃国信东数西算研究院、人银金融信息服务（北京）有限公司、中国联通智能城市研究院、浪潮云信息技术股份公司、百度在线网络技术（北京）有限公司。参编人员：崇滨、肖玉贤、徐恩庆、宋佳明、王翔、高梦娇、王悠然、饶旻、张广志、韩韬、沈云、张超颖、展钰堡、陈冠男、王题、郭中梅、武通、王鹏、李连伟、邱泳钦、李超、杨二龙、胡波。前言决策智能（Decision Intelligence）是数据洞察转化为行动优势的枢纽，是面向个人、组织和社会从“知道是什么”到“怎么干”的系统逻辑，是人工智能从感知到认知决策发展的高级阶段。作为数据要素价值释放的重要出口，决策智能一方面承接底层数据资源治理能力，另一方面承接上层业务场景需求，需要将分散的数据提炼为结构化洞察，进一步转化为可执行的决策输出与行动方案，广泛赋能风险研判、资源配置、运营优化、战略预判等核心业务环节，是推动千行百业数智化转型向纵深演进的核心引擎。随着全球数据要素市场化改革持续推进，以及通用大模型向代理型人工智能（Agent）加速演进，决策智能产业迎来快速发展窗口期，市场规模持续扩容，应用场景不断深化，逐步成为数字经济新的增长极。在产业规模化落地过程中，决策智能的高质量发展仍面临多重现实瓶颈。数据层面，全社会数据总量呈指数级增长，但同一实体对象在不同业务系统中身份标识、属性描述、行为记录各自为政、语义断裂的问题依然突出，“数据孤岛”与“身份碎片化”导致海量数据难以提供决策支撑，有效决策供给不足与日益旺盛的业务需求之间的矛盾日益凸显。能力层面，人工智能技术的快速迭代大幅提升了自然语言生成与任务执行效率，但模型黑箱、推理幻觉等问题也同步显现，在金融风控、行政审批、公共安全等强监管场景中，决策过程不可解释、结论不可追溯的输出难以直接作为正式决策依据。产业层面，当前大量决策智能项目仍以定制化单点建设为主，治理成果与知识模型难以跨场景复用，跨主体、跨域数据协同仍受合规与权属约束，制约了产业规模化发展的步伐。数据作为新型生产要素，对推动传统生产方式变革具有重大影响。数据正从“被动查询”走向“主动协同”，成为驱动决策智能的核心资源。面对决策智能产业发展的核心瓶颈，数据智能体（Data Agent）作为一种以语义对齐为内核的数据治理新范式，通过本体建模将多源异构数据重新“认出”同一个真实世界对象，构建起具备唯一身份、关联网络与可追溯逻辑的数字计算单元，为破解数据孤岛、实现可信决策提供了重要技术路径，开始进入产业实践视野。本报告立足决策智能产业发展视角，从推动数据要素价值深度释放出发，梳理决策智能产业发展背景与核心矛盾，分析数据智能体支撑决策智能在重点行业的落地实践与赋能成效，并从技术、产业、应用、战略等层面对决策智能产业的发展趋势进行展望。报告中涉及的产业实践数据与典型案例，仅代表编写组作为研究单位的学术观察与整理，仅供参考和交流。目录一、 决策智能概述 ................................. 1(一) 决策智能的演进历程 ........................ 1(二) 决策智能的产业体系与市场规模 .............. 3(三) 决策智能发展的核心驱动因素 ................ 5(四) 决策智能规模化落地的核心挑战 .............. 6二、 数据智能体——决策智能可信规模化落地的解决方案9(一) 数据智能体在决策智能产业中的定位 .......... 9(二) 数据智能体多维度赋能决策智能产业发展 ...... 9(三) 支撑决策智能的总体技术架构 ............... 11(四) 支撑决策智能落地的四类核心技术 ........... 14三、 数据智能体赋能决策智能产业分析 .............. 18(一) 数据智能体驱动型决策智能国内外现状分析 ... 18(二) 数据智能体驱动型决策智能高价值行业场景 ... 21(三) 数据智能体驱动型决策智能的发展建议 ....... 25四、 思考与展望 .................................. 28(一) 技术视角：从单点能力到“里”“面”协同的智能底座 .......................................... 28(二) 产业视角：从分散建设到供需协同的生态集聚 . 30(三) 应用视角：从单点场景到全链路体系化的价值重构32(四) 战略视角：从能力增强到可信决策范式的确立 . 331一、决策智能概述决策智能是数据洞察转化为行动优势的枢纽，是面向个人、组织和社会从“知道是什么”到“怎么干”的系统逻辑，是人工智能从感知到认知决策发展的高级阶段。“决策智能”这一概念，源自美国人工智能学者罗里安·普拉特（LorienPratt）的研究工作。2010 年，普拉特与软件架构师马克·赞加里（Mark Zangari）首次提出“决策工程”（DecisionEngineering）概念，并于 2012 年正式建立决策智能（DecisionIntelligence）这一跨学科方向，致力于实现机器学习、运筹优化、行为心理学与管理科学的系统性整合。直观地说，决策智能是利用人工智能、数据和行为科学将信息转化为决策的实践，而非仅仅停留于洞察，其过程包括持续评估决策结果并通过反馈系统对决策进行优化。(一)决策智能的演进历程决策智能的发展始终与数据技术的演进同频，先后经历了四个核心阶段，决策的自主性、精准性与时效性随着数据技术的发展而持续提升。1.商业智能阶段（1990 年~2000 年）：聚合可视化，事后结果呈现2本阶段产业能力集中于数据聚合、统计建模与可视化呈现。系统主要产出仪表盘、数据立方体、定时统计报表等形式成果，由机器完成数据归集加工与可视化展示工作，但对业务信息的解读、研判全部交由人工完成。商业智能以事后复盘为核心定位，主要用于回答业务“发生了什么”，尚不具备风险预测、生成决策建议的能力，是数据辅助决策的早期基础形态。2.预测分析阶段（2000 年~2017 年）：统计建模，输出风险与概率信号在数据聚合能力基础上，行业进一步发展出预测推演、用户分群、分类建模等技术能力。系统可输出概率估值、风险评分等量化指标，依靠算法给出业务风险信号，但针对结果的解读方式以及后续处置举措，仍完全依赖业务人员自主判断。预测分析阶段实现了从“回顾历史”向“预判未来”的跨越，能够评估事件发生的潜在可能性，但