推动智能体研发数据资产确认入表
9月11日，国家数据产权登记服务系统上线试运行，试运行将对登记机构的各类形态数据进行分类确认，并出具“身份证明”，标志着中国数据产权登记制度正式实施。
随着人工智能（AI）智能体在应用端的快速演进，智能体嵌入企业的研发数据资产确认与计量工作，将成为市场高度关注的话题。为此，需要基于智能体嵌入企业研发的最新动态、数据资产新特征等探寻数据产权确权、入表的可行之途。
智能体嵌入企业研发的最新情况
AI正经历从能对话到能办事的关键跃迁，AI竞争从模型能力的竞赛转向场景闭环能力的比拼。技术侧上，长程任务规划、完全自治的智能体系统与自我进化能力是通往通用AI必须翻越的三座山峰；应用侧上，从城市公共服务、工业制造、能源调度到金融服务，智能体已进入规模化落地阶段。
智能体进入企业研发环节后，会计系统面临的对象发生了质变。研发智能体的运行以“大模型＋专业知识库＋业务数据”的技术架构为前提：知识库将专家经验与历史研发数据结构化沉淀，检索增强生成技术使每一项输出有据可依，智能体在自主规划、工具调用与结果验证的多轮循环中持续消耗算力并生成新的数据。这意味着，研发数据的治理、确权、核算与价值评估，从后台支撑事项前移为智能体模式能否成立的基础制度。
财政部《企业数据资源相关会计处理暂行规定》的施行使数据资源入表有了制度通道，但现行准则框架以传统研发项目的“研究—开发”二元划分为逻辑起点，对智能体场景下数据资产的形成机制、成本结构与价值规律缺乏适配。
智能体嵌入企业研发后数据资产新特征
智能体嵌入企业研发后，数据资产呈现出一些新特征，值得关注。
一是形成过程与研发活动高度交织，确认边界内生于业务流程。传统研发模式下，数据是研发活动的输入或副产品；智能体模式下，数据成为研发活动的运行介质与直接产出。企业搭建研发智能体发生的算力投入、数据标注、知识库迭代、模型微调等支出，兼具基础性研发探索与资产构建的双重属性；智能体单次生成的仿真方案、测试数据、设计底稿，和可复用的标准化数据集之间边界模糊。确认边界的划分必须内生于业务流程之中，而非事后依据票据补记。
二是价值呈现迭代增值与快速贬值的双重特性。研发数据资产的价值，随智能体的持续调用与数据补充而提升：知识库复用效率越高，智能体输出质量越好，数据资产的经济利益实现能力越强，形成“数据积累—智能体升级—创新提速—数据增值”的正向循环。但反向的贬值通道同样陡峭，行业技术迭代、产品路线更新会使原有数据快速失效。智能体运行中的多轮规划—验证循环使数据、模型版本与知识库状态持续变化，直线摊销难以刻画这种非线性价值轨迹，减值判断若仅依赖会计人员主观估计，极易系统性偏离真实价值。
三是成本结构Token化，计量颗粒度发生质变。智能体的运行成本以Token为基本计量单位。智能体完成任务需经历自主规划、信息检索、工具调用、结果验证的多轮循环，Token消耗相对传统对话呈指数级膨胀。国家数据局数据显示，中国日均Token调用量从2024年初的约1000亿飙升至2026年3月的140万亿，两年增长超千倍；训推算力比例已从早期的“倒挂”演变为4:6，部分场景达3:7。计费模式相应地从资源租赁转向按智能消耗量收费，出现cache、batch等更细颗粒度的计费条目。对企业而言，这意味着研发数据资产的成本构成——模型调用、数据治理、知识库运维——可以被逐笔记录、按次归集，成本可靠计量的技术条件已经成熟，关键在于会计制度能否承接这一颗粒度。
四是生成数据权属复杂，合规风险前移。研发智能体的知识库融合内部自研数据、外购数据库、公开文献与专利资料等多源数据，授权范围、使用期限与二次加工权限各不相同；智能体自主生成的仿真数据、设计方案的权属归属目前缺乏明确法律与准则依据。权属不清的数据进入知识库并参与资产核算，既造成“企业拥有或控制”确认条件的失守，也埋下知识产权侵权与资产虚记的隐患。
确认困境与“五可”确认判据
智能体研发数据资产确认，也面临一些困境。其一，资本化与费用化划分失据。现有准则依托研究阶段和开发阶段二元划分，无法适配AI研发持续性、迭代性的特征，实务中或一刀切费用化而低估数据资产价值，或过度资本化而虚增账面资产。其二，确认的证据基础薄弱。多数企业研发数据分散于PLM、CAD、CAE、试验系统等异构端口，格式杂乱、版本混乱、缺乏溯源信息，未经治理的原始数据接入知识库既导致智能体输出失真，也无法满足资产确认的基本条件。其三，研发部门缺乏资产化管理思维，财务部门不熟悉智能体研发的业务逻辑与数据价值规律，资本化节点的判定缺乏双方共同认可的标准。
资产确认的本质是对未来经济利益流入的可验证预期。智能体场景下，这种可验证性必须由可信技术体系保障。本文提出研发数据资产确认的“五可”判据：一是来源可追溯，进入知识库的每一条数据均可标识来源、授权状态与加工路径，对应可信框架中的隐私与合规维度；二是过程可审计，数据清洗、标注、向量化与智能体调用全程留痕，全链路日志构成审计轨迹；三是权属可识别，自研、外购、公开与AI生成数据的权利边界清晰，外购数据授权范围明确；四是价值可验证，数据资产的预期经济利益能够通过调用频次、复用项目数、降本测算等运营指标交叉验证，而非仅凭管理层陈述；五是成本可归集，依托Token计费与工时、算力监测台账，专属成本可从混合投入中可靠拆分。五项判据同时满足的研发数据，方可进入资本化范围。
在“五可”判据之上，本文主张建立三类分层确认机制：仅对经过清洗、标注、向量化、可跨项目复用且能持续创造经济利益的结构化知识库与标准化数据集确认资产；将知识库体系搭建、全量数据结构化治理、核心向量库重构等具备长期价值的开发投入资本化；将智能体日常API调用、单次数据查询、小规模增量更新与试点测试等短期消耗性支出计入当期研发费用。同时建立由研发、技术、财务部门组成的业财联合评审机制，共同判定数据资产的开发阶段、资本化节点与复用价值。
计量逻辑重构：Token化成本归集与动态后续计量
智能体嵌入企业研发后，数据资产的计算逻辑也相应发生变化。
初始计量仍以历史成本为基础，但成本归集方式需要重构。企业应单独归集智能体数据资产构建的专属成本，通过工时统计、算力监测与项目台账，将人工、算力、外包与接口开发等混合投入拆分至具体数据资产对象。Token计费模式的普及提供了天然基础设施：模型调用成本可精确到单次任务，cache与batch等计费条目使数据检索与批量处理的成本亦可独立核算。由此，研发数据资产的入账价值不再是粗放的总额分摊，而是有逐笔记录支撑的可靠计量。
后续计量应摒弃单一直线摊销，优先采用工作量法（产量法）：以智能体知识库调用频次、研发项目复用次数、试验迭代应用场景为摊销基础，使摊销轨迹贴合经济利益消耗规律。对于呈现迭代增值特性的知识库，其大规模数据升级与版本迭代投入应及时追加资产原值；对于技术迭代导致的价值衰减，应建立量化减值测试体系，将行业技术迭代周期、产品更新节奏、智能体输出准确率衰减、数据利用率骤降等指标设为减值触发条件，每年年末开展专项减值测试。直线摊销、工作量法摊销与追加计量、减值测试的组合，构成“历史成本初始计量＋动态后续计量”的复合模式。
数据资产计量信息不应止步于财务报表列报。依托计量数据，企业可测算智能体研发投入的投资回报率，评估知识库复用效率与降本增效转化率，为智能体项目迭代、研发资源倾斜与创新布局优化提供决策依据。金融业的先行实践显示，当企业把专家知识转化为可复用的组织能力并纳入资产化管理后，智能应用承接的工作量可折算为数千人的产能，从“+AI”的效率提升走向“AI+”的价值创造路径得以量化呈现。
智能体嵌入企业研发正在改写研发数据资产的形成方式、成本结构与价值规律，也把数据资产确认计量从会计技术问题升级为企业智能化转型的基础制度安排。确认环节的核心矛盾是现行二元划分框架与智能体研发迭代特性之间的错配，解决之道在于以“来源可追溯、过程可审计、权属可识别、价值可验证、成本可归集”的五可判据为前置条件，辅之以分层确认与业财联合评审。而保障机制的关键在于把可信智能体的技术要求、科研治理的验证原则与会计的确认计量规则接驳为同一套证据体系，从制度上封堵“人工智能漂洗”向数据资产端传导的通道。
（作者供职于福州外语外贸学院）