新质生产力，有了一份专门的中央文件。2026 年 10 月 9 日，新华社受权发布《中共中央 国务院关于发展新质生产力的意见》（以下简称《意见》），全文七个部分、十九条，主线是科技创新，核心标志是「全要素生产率大幅提升」。
本文不谈宏观意义，只回答一个具体问题：一家普通企业的数据分析团队读完《意见》，能做什么、该做什么，又有哪些事不是工具能解决的。我们是做数据分析平台的公司，写这个题目有天然的立场，因此守三条规矩：政策只引原文，观点尽量有研究或公开事实支撑，讲工具时把做不到的事和能做到的事写在一起。
- 《意见》中与企业数据分析直接相关的条款，集中在总体要求与第（六）（九）（十）（十五）（十八）（十九）条。
- 已有实证研究表明，数据要素需经过资产化才能提升企业新质生产力，且效果受企业能力调节。
- 企业数据分析层面最常见的卡点有四个：分析做完即散、能力集中在少数人、AI 结论无法追溯、工具与部署环境受限。
- 数据分析工具属于应用层的效率工具，与《意见》放在首位的「原创性颠覆性科技创新」不是一回事。
- 《意见》第七部分明确反对借发展新质生产力之名「一哄而上、盲目投资」，这一条同样适用于软件采购。
新质生产力：《意见》里与企业数据分析相关的条款
《意见》的大部分篇幅讲基础研究、重大工程、能源和金融，跟企业日常的数据分析工作关系不大。真正相关的是下面六组条款，按条款顺序列出原文要点，以及它们对数据分析团队的含义。
| 条款 | 原文要点 | 对企业数据分析的含义 |
|---|---|---|
| 总体要求 | 以全要素生产率大幅提升为核心标志；推动劳动者、劳动资料、劳动对象优化组合和更新跃升 | 衡量标准是同样的人和资源产出更多，工具本身不算成果 |
| （六）改造提升传统产业 | 支持企业用数智技术改造提升传统产业；促进制造业数智化转型；增强质量技术基础能力 | 制造业的质量数据、工艺数据分析被点名，是数据分析最直接的落点 |
| （九）数实融合 | 充分释放数据要素潜能；深入开展制造业数字化转型行动 | 数据要能被反复加工、组合、复用，而不是躺在系统里 |
| （十）「人工智能+」行动 | 大力推动人工智能在各行业应用；确保人工智能安全、可靠、可控 | 用 AI 做分析时，结论要能被检查、被复核 |
| （十五）市场监管 | 探索「用数据决策、用数据管理」监管模式 | 监管、稽核、审计场景对分析过程的可解释性要求会更高 |
| （十八）（十九）人才 | 发挥科普对提高劳动者素质的作用；健全终身职业技能培训制度；实施专业技术人才知识更新工程 | 业务人员的数据能力被视为劳动者素质的一部分 |
值得注意的是，《意见》在第（十）条把「推动应用」和「安全、可靠、可控」写在同一条里。对数据分析来说，这意味着 AI 用得越多，分析过程的可追溯性就越不是可选项。
新质生产力，靠的不是买工具
全要素生产率衡量的是劳动和资本投入之外的那部分产出增长，主要来自技术进步和组织方式的改进。企业买了一套新系统，投入增加了，产出不一定跟着增加。
学界对「数据怎样变成生产率」已有实证研究。《管理学报》2026 年第 7 期刊载商丽霞、杜松华、马文聪的研究，以沪深 A 股上市公司为样本，得出两个对企业很有用的结论：
- 数据要素配置能提升企业新质生产力，其中起中介作用的是「数据资产化水平」。数据要变成可管理、可复用的资产，作用才会显现。
- 企业的复合式能力起正向调节作用。同样的数据投入，能力强的企业获益更多。
翻成日常语言：数据放在数据库里不产生价值，被加工成可反复使用的分析成果才产生价值；同样的工具，会用的人和不会用的人，结果差别很大。
这两条也给了一个检验标准。企业评估任何数据相关投入时，可以只问两个问题：它有没有让数据变成可复用的资产？它有没有让更多人具备用数据的能力？两个问题都答不上来，这笔投入大概率只是增加了投入。
企业数据分析层面的四个现实卡点
把上面两个检验标准放到企业里看，最常见的阻碍有四个。它们都不是技术难题，而是工作方式问题。
工作流化的数据分析：能解决什么，不能解决什么
针对前三个卡点，业内一类成熟做法是把分析过程做成可视化工作流：每一步读取、清洗、关联、计算都是一个节点，节点连成流程，流程可以保存、复跑、交接、审查。KNIME、Alteryx 等工具都属于这一类。iModel 也是，它基于 KNIME 开源内核二次开发，面向国内环境做了中文化与信创适配。
- 分析变成资产：流程保存下来，下个月换人只需替换数据重新执行，口径不会漂移，直接对应「数据资产化」。
- 降低参与门槛：业务人员不写代码也能搭建流程，懂代码的人可以在流程里嵌入脚本节点，两类人在同一个流程上协作。
- 过程可审查：每个数字都能沿着流程往回追到原始数据和每一步处理。在工作流中调用本地部署的大模型处理文本时，模型的输入和输出同样留在流程里，可以逐行核对。
- 本地部署：可离线安装在内网。iModel 已在麒麟 V10 / V11、统信 UOS 的 x86-64 版本和海光 C86 处理器上测试和部署。
- 口径之争：不良率的分母怎么算、返修算不算不良，这是管理问题。工具能把口径固化下来，但定口径要靠人。
- 能力本身：门槛降低不等于能力提升。不懂统计的人用可视化工具，照样会得出错误结论，培训和实践仍然必不可少。
- 数据质量：源系统录入错误、缺失，流程只能发现和标记，不能凭空修复。
- 全部环境：iModel 目前不支持 ARM 架构（鲲鹏、飞腾），相关版本仍在规划中。
在《意见》第（六）条点名的质量领域，这类工具可以搭建六西格玛常用的过程能力分析、控制图、假设检验等流程。但内核没有现成的 Gage R&R 或 DOE 设计矩阵生成节点，这些需要自行搭建或借助脚本完成。选型时应当实测，不应只看宣传材料。
对照《意见》：工具层能贡献与不能贡献的部分
分析工具在《意见》框架里能起作用的范围有限且明确：它作用于劳动资料，通过劳动资料间接影响劳动者。下表逐项对照。
| 《意见》要求 | 分析工具能贡献的 | 分析工具贡献不了的 |
|---|---|---|
| 原创性颠覆性科技创新（第二部分） | 无直接贡献 | 基础研究、关键核心技术突破 |
| 数智技术改造传统产业（六） | 质量、工艺、供应链数据的日常分析与复用 | 设备更新、工艺本身的改进 |
| 释放数据要素潜能（九） | 把一次性分析沉淀为可复用流程 | 数据确权、交易、流通等制度建设 |
| 人工智能安全、可靠、可控（十） | AI 参与的分析过程留痕、可逐步审查 | 模型本身的安全与对齐 |
| 用数据决策、用数据管理（十五） | 稽核、审计规则的流程化与留痕 | 监管制度设计 |
| 劳动者技能提升（十八、十九） | 降低入门门槛，配套培训 | 统计与业务判断力的养成 |
表中第一行最能说明问题。《意见》把原创性颠覆性科技创新放在全部任务之首，而数据分析平台对这一项没有直接贡献。坦白说出这一点，才能把工具放在它该在的位置上：它服务于制造业数据分析、审计数据分析这类改造提升与数据复用的场景，属于应用层的效率改进。
给企业的五个自检问题
读完《意见》，企业不必急着上新项目。可以先用下面五个问题盘点现状，答案比任何采购清单都更能说明该从哪里入手。
- 上个月最重要的那份经营或质量分析，这个月换一个人做，口径能保持一致吗？
- 部门里能独立从原始数据做出分析的人有几个？其中一人离职，哪些分析会停掉？
- 管理层看到的关键数字，能在半小时内说清它来自哪个系统、经过了哪些处理吗？
- 已经在用的 AI 工具，它给出的结论有人复核过吗？复核依据是什么？
- 数据安全和国产化要求，对现有分析工具的部署方式有什么约束？
第 1、3、4 题答得不好，问题出在数据资产化和过程可追溯上，解法是流程和工具；第 2 题答得不好，问题出在人的能力上，解法是数据分析培训和时间。
结语：比采购更要紧的事
《意见》第七部分有一段话值得每个做数字化的人读两遍：不能脱实向虚、贪大求全、搞泡沫化，不能盲目求新；严禁借发展新质生产力之名违规滥用政策，对一哄而上、盲目投资等造成重大损失的严肃追究责任。
这段话对软件供应商同样适用。新质生产力，不会因为换了一套工具而形成。工具能做的，是让已经在做的分析不再白做，让更多人能参与进来，让每个结论都说得清来源。剩下的部分，要靠企业自己的管理、口径和人才。
常见问题
《关于发展新质生产力的意见》是什么时候发布的？
2026 年 10 月 9 日由新华社受权发布，发文主体为中共中央、国务院，全文七个部分、十九条。
《意见》中哪些条款与企业数据分析相关？
主要是总体要求中的全要素生产率标志，以及第（六）条改造提升传统产业、第（九）条释放数据要素潜能、第（十）条「人工智能+」行动、第（十五）条「用数据决策、用数据管理」、第（十八）（十九）条人才培养。
数据分析工具能直接提升新质生产力吗？
不能直接提升。已有实证研究表明，数据要素需经过资产化才发挥作用，且效果受企业能力调节，工具只是其中一个环节。
为什么 AI 参与的数据分析要可追溯？
因为《意见》要求人工智能安全、可靠、可控。在稽核、审计、风控等需要担责的场景，无法说明来源的结论不能被采用。
资料来源：新华社受权发布《中共中央 国务院关于发展新质生产力的意见》，2026 年 10 月 9 日；商丽霞、杜松华、马文聪，《复合基础观视角下数据要素配置对企业新质生产力的影响研究》，《管理学报》2026 年第 23 卷第 7 期。
