AI时代，真正值钱的数据，不是更多，而是别人没有的“决策过程”

这几天我看到一笔很有意思的交易。

一家已经停飞的廉价航空公司，最后剩下的一堆邮件、聊天记录、代码、运营表格，居然引来了谷歌和多家AI公司的竞价。

买的不是飞机，不是航线，也不是机场时刻。

买的是数据。

事情发生在Spirit Airlines身上。

Spirit是美国一家老牌超低成本航空公司，最容易辨认的就是那一身亮黄色涂装。2024年11月，它第一次申请Chapter 11破产保护；2025年8月29日再次进入Chapter 11重组；最终没能撑过去，2026年5月2日正式开始有序停止运营，所有航班取消。

飞机可以卖，机场起降时刻可以卖，其他固定资产也可以拆掉变现。

但公司经营了30多年以后，还有一种资产不会跟着飞机一起消失。

那就是它留下来的数字世界。

8月14日，美国纽约南区破产法院的一份文件披露，谷歌在Spirit企业数据资产拍卖中，以1000万美元的价格成为中标方。

先强调一个截至2026年8月21日的最新进展：这笔交易目前还没有最终完成司法批准。原定8月19日举行的出售听证会，因为代表Spirit前空乘人员的工会提出隐私异议，被推迟到了9月9日。与此同时，AI数据公司Micro1又提出了一份1250万美元的迟到报价，希望法院重新考虑结果。也就是说，这包数据究竟最终归谁，目前仍然存在变量。

但这反而让事情更有意思了。

因为已经有不止一家AI公司愿意拿出几百万甚至上千万美元，争夺一家倒闭航空公司的“数字遗产”。

这到底说明了什么？

我认为，它可能把AI时代的数据价值讲得比很多行业报告都清楚。

谷歌到底看上了什么？

先看看Spirit的数据仓库里有什么。

根据破产法院材料以及Bloomberg Law披露的信息，这个数据包包括大约：

1亿封电子邮件。

5亿条Microsoft Teams聊天及协作记录。

约3000万行源代码，以及相关开发元数据、软件模型、算法、API和内部工具。

还有航空公司经营过程中产生的大量营收、市场营销、人力资源、飞机运营、员工生产率、审计、欺诈识别、项目管理以及定价数据。

更夸张的是，其中包括约72亿条竞争对手航班价格记录，以及自2008年以来约75亿条乘客交易记录。

这已经不是简单的“一个数据库”了。

它实际上接近于一家公司几十年经营活动留下来的数字化切片。

什么时候涨价？

什么时候降价？

航班临近起飞时价格怎么变化？

竞争对手价格变化后Spirit怎么回应？

某条航线预订速度变慢以后内部发生了什么讨论？

某个营销活动为什么被取消？

一个软件功能为什么这样设计？

一次运营事故发生以后，员工之间怎么沟通？

一个项目第一次提出时是什么样，最后上线以后为什么变成了另外一个样子？

传统企业数据库通常保存的是最后发生了什么。

但邮件、会议记录、聊天、代码版本、审批流程保存的，是事情为什么会变成这样。

这两者的价值完全不一样。

但有一个细节很容易被误读：谷歌并不是“完全不要乘客数据”

这次交易里有一个很值得观察的边界。

约9750万份乘客个人档案，以及约5020万条Free Spirit常旅客计划记录没有包含在出售范围内；谷歌也表示，最终获得的数据必须经过第三方处理，去除能够识别个人身份的信息。

但是，这并不等于谷歌完全不要消费者行为数据。

前面提到的约75亿条乘客交易记录仍然属于资产包的一部分，只不过需要经过匿名化和去标识化处理。

所以这件事真正值得理解的，不是：

“用户数据已经不值钱了。”

而是：

个人身份本身，并不是AI训练中唯一有价值的部分。

很多时候，一个AI系统并不需要知道“张三是谁”。

它真正想学习的是：

某种需求出现以后，价格如何变化；

用户在什么条件下改变购买行为；

企业看到异常以后采取了什么措施；

这些措施又造成了什么结果。

也就是：

状态 → 判断 → 行动 → 反馈。

从机器学习的角度看，这种连续关系的价值，可能远远高于一个孤立的“用户画像”。

而且法律边界同样重要。

美国破产法并不是简单规定“破产公司不能出售用户数据”。2005年之后的相关规则，对与企业原有隐私政策不一致的个人信息出售增加了额外限制，包括消费者隐私监察人以及法院审查等机制。Spirit这次交易引发员工工会异议，也恰恰说明：未来专有数据越值钱，围绕数据权利、隐私和使用边界的争议只会越来越多。

我越来越觉得，AI正在改变“好数据”的定义

过去谈企业数据资产，有一个特别容易出现的思路：

先看多少TB。

十个TB听起来比一个TB厉害。

十亿条记录听起来比一百万条厉害。

数据中心越大，好像数据资产越值钱。

但AI正在让这个逻辑发生变化。

如果让我现在给“AI时代的高价值数据”写一个非常粗略的公式，我会这样写：

专有数据价值 ≈ 稀缺性 × 真实性 × 过程性 × 专业密度 × 合规可用性

这当然不是一个可以直接拿去做财务估值的数学公式。

它更像一个判断框架。

因为这五个变量里，只要有一个接近零，数据价值都可能迅速下降。

网上随便能爬到的数据，稀缺性很低。

大量AI批量生成的文章，真实性和来源可追溯性可能不足。

只有最终结果、没有上下文的表格，过程性不足。

大量重复性的聊天，专业密度很低。

包含高度敏感个人信息、没有明确授权的数据，哪怕内容再珍贵，合规可用性也可能接近零。

反过来，那些真正稀缺的数据往往具备几个特点：

别人没有。

真实发生过。

存在完整上下文。

包含专业人员的判断。

而且有权合法使用。

Spirit恰好同时命中了其中很多条件。

为什么AI公司又开始抢实体书？

把Spirit这件事和Anthropic最近曝光出来的“Project Panama”放在一起看，会更加明显。

根据《华盛顿邮报》对诉讼材料的调查，Anthropic从2024年开始推动一个内部项目，大量购买实体书，将书脊切掉，用工业扫描设备进行数字化，然后处理掉纸质书。

公开法庭材料显示，Anthropic为此投入了数千万美元，处理的实体书规模达到数百万册。

这里我不想把Project Panama简单解释成“Anthropic专门寻找2022年前、没有被AI污染的文字”。

目前公开证据能够明确确认的是：Anthropic确实大量购买并破坏性扫描实体书；至于具体的选书策略，最好不要越过证据本身。

但实体出版物确实拥有一个互联网语料越来越珍贵的属性：

来源明确。

一本2003年出版的专业书，你至少知道它什么时候写成、谁写的、由谁出版。

它不会突然在昨天被一个AI内容农场批量生成出来。

对于训练数据来说，这叫provenance，也就是数据来源和血统。

当互联网开始大量混入机器生成内容以后，可验证来源本身，就会成为数据质量的一部分。

Nature在2024年发表的一项研究已经展示过一个相关风险：如果生成模型不断使用上一代模型生成的数据进行递归训练，真实数据分布中的低概率信息会逐渐丢失，最终可能出现所谓的“model collapse”。当然，这并不意味着“所有合成数据都有害”，后续研究也显示，只要保留真实数据、合理混合合成数据，模型退化并非不可避免。

但至少说明了一件事情：

真实世界产生的数据，是有锚点价值的。

公开互联网的数据红利，可能真的快进入另一个阶段了

研究机构Epoch AI曾经估算，经过质量和重复训练调整后，全世界可用于AI训练的高质量公开人类文本大约相当于300万亿token。

按照不同的训练规模增长假设，这部分数据可能在2026年至2032年之间被充分利用。

注意，这并不是说2032年互联网就没有文字了。

每天仍然会有海量内容产生。

真正的问题是：

新增的、高质量的、来源可信的、适合训练的、人类原创的数据，增长速度能不能跟得上模型对于数据的需求？

这就解释了为什么数据竞争正在从“爬公开网页”转向另外几个方向。

购买版权内容。

采购专家数据。

构建强化学习环境。

获取企业内部数据。

记录真实世界里的Agent执行轨迹。

收集机器人、汽车、工业设备与人类交互产生的数据。

Spirit这笔交易，本质上只是把这种变化第一次非常戏剧化地展示在普通人面前。

更值得注意的是，跟谷歌竞价的公司为什么也是AI公司？

谷歌最开始并不是唯一竞标者。

Mercor最终报价750万美元，被列为备用买家。

如果以前认识Mercor的人，可能会把它理解成一家AI招聘公司。

但Mercor现在给自己的定位已经很明确：它正在建设连接人类专家和前沿模型的数据层。

它公开介绍自己的业务时强调，真正制约前沿模型进步的不只是算力，还有人类专业知识。它通过医生、律师、工程师、金融从业者等专家生产专业训练数据，同时构建让Agent完成长周期真实任务的强化学习环境。

这就很容易理解它为什么会对Spirit的数据感兴趣了。

如果我要训练一个企业Agent，让它真正处理航空公司的收入管理、客服、运营或者财务工作，我不能只给它看一本《航空公司管理学》。

因为教材告诉AI：

理论上应该怎么工作。

Spirit几十年的内部数据却告诉AI：

一家真实企业实际上是怎么工作的。

两者不是一个级别的数据。

这也是为什么“专家怎么判断”越来越值钱

去年我在世界人工智能大会交流时，曾经和上海库帕思科技的人聊过医疗语料。

库帕思本身就在做AI语料基础设施，也参与医疗语料相关建设。公开资料显示，他们参与主办过世界人工智能大会语料创新发展论坛，也在探索医疗语料库与基层医疗AI应用。

当时有一个问题给我留下的印象特别深。

医院已经信息化很多年了。

电子病历、检查结果、用药记录、影像报告、诊断代码，都非常丰富。

按传统数据库标准看，这应该已经是一座巨大的数据金矿。

问题是：

一个主任医师真正有价值的能力是什么？

往往不是最后写下“诊断A”。

而是病人刚进来的时候，他先怀疑A、B、C。

随后因为某项指标排除了C。

又因为一项检查降低了B的可能性。

用药以后效果不明显，于是重新考虑A的一个亚型。

最后才形成治疗方案。

最终写入数据库的可能只有：

诊断：A。

处置：B。

但真正稀缺的专业能力，藏在前面那几十分钟里。

这也是为什么医疗AI正在越来越重视病例叙事、鉴别诊断、处置依据、随访变化等过程性语料。

不过这里同样需要注意一个边界：

把结构化数据重新组织成叙事文本，可以帮助模型理解上下文，却不能凭空“还原”医生当时没有记录下来的真实思维。

真正高价值的数据，还是需要在工作过程中主动记录。

这一点非常重要。

所以，未来企业真正应该建设的，可能不是“数据库”，而是“决策数据库”

这也是我看完Spirit交易以后最大的感触。

企业过去的信息化，主要解决的是：

把业务结果记录下来。

订单是多少。

客户是谁。

库存多少。

合同多少钱。

员工绩效是多少。

这些当然很重要。

但进入Agent时代以后，企业可能必须再记录另外一种东西：

为什么这样决定。

当时有哪些候选方案。

谁提出了反对意见。

用了哪些信息。

最终选择了什么。

结果怎样。

后来有没有修正。

因为未来的企业AI如果想真正承担工作，它需要学习的不只是企业的知识。

它还需要学习：

这家企业判断事情的方法。

所以我甚至认为，企业知识库这个概念都会慢慢显得太窄。

真正有竞争力的企业未来可能拥有三层资产：

最下面是知识。

中间是流程。

最上面是决策轨迹。

知识告诉AI“知道什么”。

流程告诉AI“下一步做什么”。

决策轨迹告诉AI：

遇到没有标准答案的问题，这家公司通常怎么判断。

最后这一层，很可能才是最难复制的。

对普通人也是一样

这件事情并不只属于谷歌。

如果你每天都在工作，你其实每天都在生产数据。

只是绝大多数数据没有被保存下来。

一个销售谈成客户以后，只在CRM里留下：

“已成交。”

真正有价值的信息却消失了：

客户最开始反对什么？

哪一句话改变了他的态度？

竞争对手开了什么条件？

为什么最后没有继续降价？

一个程序员解决线上故障以后，系统里只留下：

“Bug fixed。”

但真正值钱的可能是：

最开始怀疑了哪三个问题？

为什么排除了前两个？

最后从哪一个异常日志发现根因？

一个运营做爆一条内容以后，后台留下：

播放量100万。

真正有价值的却是：

为什么选这个角度？

之前测试过什么？

哪个版本失败了？

标题为什么最终改成这一版？

这些东西以前看起来都是工作过程中的“废气”。

今天再看，它们越来越像数据资产。

AI时代最稀缺的东西，可能正在从“答案”变成“过程”

所以，如果让我用一句话总结Spirit这笔交易，我不会说：

数据越来越值钱了。

这句话太宽泛。

真正发生的变化应该是：

公开答案越来越便宜，真实世界的过程越来越贵。

互联网有无数文章告诉模型“什么是航空收益管理”。

但只有Spirit自己的系统知道：

某一天，某一条航线，在竞争对手突然降价、燃油价格上涨、航班上座率变化、节假日临近的情况下，公司内部到底讨论了什么，最后又怎么调整价格。

这才是专有数据。

它不是“更多的数据”。

它是：

别人没有的数据。

再进一步说，它还是别人很难重新制造的数据。

你可以重新写一篇航空公司的案例分析。

但你很难重新创造一家航空公司30多年真实经营留下来的5亿条聊天、1亿封邮件、几十亿次交易和无数次成功与失败。

时间本身，已经成为这套数据的一部分。

这可能也是为什么一家已经死掉的公司，最后留下来的服务器，还能让全球最强的AI公司愿意出1000万美元。

企业消失了。

但它曾经如何思考、如何行动、如何犯错的痕迹，反而变成了新的资产。

而这件事给普通企业甚至普通人的提醒可能更加重要：

以后做一件工作，不妨多问一个问题——这件事情完成以后，我到底只留下了一个结果，还是顺便积累了一套别人无法轻易复制的数据？

几年以后，两者之间的差距，可能比我们今天想象的大得多。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

主要事实来源说明： Spirit破产及停止运营时间参考Spirit官方公告、SEC文件与Reuters；谷歌竞拍的数据范围、报价及排除项目参考美国破产法院材料的媒体披露、Bloomberg Law、Reuters及《华尔街日报》；Anthropic Project Panama参考《华盛顿邮报》对公开诉讼材料的调查以及Bartz v. Anthropic相关判决报道；公开训练数据供给估算参考Epoch AI；递归使用生成数据造成模型退化的研究参考Nature论文；Mercor业务定位参考其官方Research与Mission页面。