当倒闭公司的Slack记录成为训练资产

作者：张烽

当“运营废气”成为训练资产：休眠数据资产与企业数据战略的重构。

一、一个正在机构化的“数据来世”市场

2026年10月，AI训练数据的获取方式出现了一个值得严肃对待的变化：它不再只发生在公开互联网的爬取或合成数据的生成中，而是延伸到了企业生命周期的末端。一个产业——清算中介将倒闭初创公司的代码库、Slack归档、邮件与会议记录打包出售给基础模型实验室，正在成形。SimpleClosure旗下的Asset Hub平台自2026年4月上线以来已处理逾150笔此类交易，该公司预计到2026年底向倒闭创业公司返还超过1000万美元；其CEO多里·约纳表示，曾经“罕见且略带禁忌”的数据转售，如今已占其经手清算交易总量的47%。

更具信号意义的是规模的上移：在Spirit Airlines的破产程序中，Google以1000万美元出价击败AI数据公司Mercor，拟收购这家航司约1亿封电子邮件、5亿条Microsoft Teams消息、3000万行代码及数万条拉取请求；当然交易明确排除了旅客档案和会员记录，数据在交付前须经第三方脱敏处理。虽然截至2026年10月中旬，该交易尚未最终交割——美国消费者隐私监察官已表示支持，破产法院的批准听证会则从10月14日延期至11月6日。但这一悬而未决的状态本身就说明：企业的“运营废气”——日常协作中留下的非结构化痕迹——正在被重新定价为训练AI智能体的稀缺原料，但其流转规则远未定型。

这一现象不宜被简单理解为又一条“AI缺数据”的新闻。它提出的真正问题指向企业数据战略的一个盲区：当数据资产的价值实现可以发生在企业倒闭之后，数据战略的时间边界是否仍然止于“存续期间”？

我们认为，AI实验室对倒闭企业数据的收购并非短期套利，而是公开数据约束与Agent训练需求叠加下的结构性产物；由此，“休眠数据资产”应当被纳入数据战略的常规框架，而非留待清算环节被动处置。以下从需求与供给两侧展开这一判断的证据链，进而界定休眠数据资产的概念特征与战略含义，最后回到中国制度语境中讨论可操作的落地路径。

二、为什么是“现在”——需求侧的Agent转向与供给侧的公开数据约束

理解这一市场的突然兴起，需要同时观察两个方向的变化，二者在2026年前后形成了交汇。

需求侧的核心变量是AI训练目标从“对话”向“执行任务”的迁移。当模型被要求作为智能体完成多步骤工作——排查IT故障、处理发票异常、回复客户工单——训练数据的理想形态就不再是干净的问答对，而是任务在真实组织中的完整痕迹链：一张工单触发Slack中的讨论，邮件中留下决策依据，GitHub或工单系统中记录修改动作等。可以说，AI实验室“已经基本刮完了整个互联网”，现在需要的是人与人之间的真实互动。据公开信息，数据公司Protege处理的交易总额已从2025年的约3000万美元升至2026年的至少1亿美元需求在一年内的量级跃升，说明它并非边际性的补充采购，而是训练范式转换带来的结构性缺口。

供给侧则受到两重约束的挤压。其一是公开高质量文本的趋紧。Epoch AI的研究论文《Will we run out of data? Limits of LLM scaling based on human-generated data》测算，若当前大模型开发趋势延续，模型将在2026年至2032年间被训练到与可获取的公开人类文本存量大致相当的规模，若模型被过度训练则时点可能略早。Gartner则预测，到2026年75%的企业将使用生成式AI创建合成数据，而2023年这一比例不到5%。

需要澄清的是，Gartner这一指标衡量的是企业采用率，而非合成数据在全部训练数据中的占比；合成数据能够缓解数量缺口，却难以复制真实组织中“判断如何做出”的分布——分歧、纠错、例外处理恰恰是模拟办公场景中最难被程序化生成的部分。

其二，创业公司倒闭潮提供了非结构化的存量供给。Carta与AngelList的估算显示，近年创业公司关停率年度上升幅度在26%至56%之间，清算中介与“数据转售”服务随之兴起。Sunset的创始人布伦丹·马奥尼用一个材料学比喻概括了这类资产的性质：“这种运营废气数据就像所有人以为没有价值的木屑，但它实际上价值巨大。” 

需求侧寻找的是公开语料中不存在的“过程知识”，供给侧恰好存在一个由倒闭企业构成的、尚未被系统开发的非结构化数据池——两者在2026年的交汇，构成了这个市场从“个案”走向“品类”的基础条件。

三、“休眠数据资产”的概念边界与定价难题

通常讨论的企业数据资产——客户数据库、交易记录、专有算法、已登记的数据产品——其价值实现路径嵌入在持续经营之中，权属与使用目的相对清晰。而休眠数据资产则具有四个不同特征：非结构化程度高（聊天、邮件、会议转录、代码注释而非表格化记录），场景嵌入性强（价值取决于它能否还原特定类型的工作流程，而非数据量本身），权属链条复杂（同时牵涉企业财产、员工个人信息、客户与第三方信息，以及可能的商业秘密），以及价值高度不确定。

Surge AI负责强化学习环境的尼克·海纳即指出，一家公司的Slack历史如果对话具有足够的多样性与深度，可能比另一家的Slack、邮件和日历加起来更有价值；但迄今为止，没有公司公开发表过真实工作数据训练与替代方案的效果对比，买卖双方的报价基于各自的“研究假设”，差异极大。

这种定价不确定性并不意味着市场无法运转，而是意味着它高度依赖中介机构的评估能力与合规加工能力。SimpleClosure对资产的估值维度包括员工人数、运营年限、数据体量以及团队对工具的使用方式；Sunset则扮演着类似的尽职调查角色。一个需要精确区分的统计口径是：前文所述“47%”描述的是SimpleClosure经手的全部清算交易中包含代码或数据销售的比例，而非Asset Hub平台150笔数据交易内部的占比——后者作为专门的数据销售渠道，其交易全部属于数据或代码范畴。

换言之，休眠数据资产的市场化不是简单的“数据挂牌”，而是一条“清算识别—合规脱敏—场景化加工—训练验证”的服务链。缺乏中间环节的能力建设，原始数据本身很难直接进入交易。这也解释了为什么当前最活跃的买方并非实验室的直接采购部门，而是Mercor、Surge AI这类为实验室构建模拟训练环境的数据加工商——它们承担了将碎片化办公痕迹转化为可训练任务场景的职能。

四、从“清算时打包”到“运营期管理”——数据战略的时间维度需要前移

如果休眠数据资产具有可辨识的经济价值，那么当前的主流处置方式——等到清算阶段由中介一次性打包出售——在战略上就是次优的。原因不在于清算出售本身不合理，而在于它使企业丧失了三个层面的主动权。

第一，合规主动权。倒闭清算中的数据出售往往在时间压力下进行，脱敏与权属清理的空间有限。Spirit Airlines案例中的争议即具有警示意义：尽管乘客数据库被排除且员工数据经过去标识化处理，工会仍以敏感员工资料及欠薪问题提出反对，听证会一再延期。美国参议员在致Google与Spirit的公开信中也指出，常规的去标识化“并不必然使数据集匿名化”，大规模数据集上的模式推断与信息重构仍然可能识别到个体。如果在运营期即建立分类分级与脱敏规则，清算时的合规摩擦可以显著降低。

第二，价值捕获主动权。清算出售通常是一次性的、折价性质的资产处置；而在运营期将休眠数据资产纳入台账、明确可交易边界，企业可以在需要时以授权而非卖断的方式实现更优的定价结构。Mercor向Warmly提出的最高约30万美元报价是一个值得参照的坐标，但需注意Warmly系被HubSpot收购而非倒闭清算，且SimpleClosure处理的典型初创数据交易金额多在1万至10万美元区间——30万美元更接近上限而非中位水平。

第三，数据主体权益保护主动权。员工聊天记录与会议录音中包含大量可识别信息，若在正常运营期没有明确的留存目的、访问控制与匿名化流程，清算时的集中出售将放大个人信息侵权风险。《个人信息保护法》第四条将匿名化处理后的信息排除在个人信息之外，这为合规加工提供了法律接口，但匿名化的技术标准与验证流程必须在数据生成与留存阶段就有制度安排，而非在交易前临时补救。

因此，“将休眠数据资产纳入数据战略”的实质，不是鼓励企业为出售而囤积办公数据，而是在数据治理的源头上补上一个此前被忽视的类别：在数据资产盘点中识别哪些非结构化痕迹具有场景还原价值，在分类分级中明确哪些字段属于必须脱敏或禁止交易的边界，在授权链条中厘清企业、员工与客户之间的权利配置，在处置预案中为可能的休眠状态预设托管或信托安排。数据战略的时间视野由此从“服务当前业务”延伸至“覆盖数据全生命周期末端”，这并非对既有战略框架的替代，而是对其完整性的一次修正。

五、中国的制度接口已经出现

在中国，一个常见的误判是将海外“清算掮客+数据工厂”模式直接平移。实际上，中国当前的制度基础设施走的是一条以场内交易、产权登记与信托工具为支点的路径，其进展比“缺乏合法通道”的笼统判断要具体得多。

在交易基础设施层面，上海数据交易所早在2023年7月上线语料库，首批挂牌近30个语料数据产品，覆盖文本、音频、图像等多模态；深圳数据交易所围绕“构建行业语料集”推进，2025年3月发布的《深圳市加快打造人工智能先锋城市行动计划（2025—2026年）》明确提出汇聚建成3PB中文语料数据，并创新推出“语料券”激励机制。

2026年7月国内多家省级数据交易所上线或更新了AI训练语料专区。2026年9月11日，国家数据产权登记服务系统上线试运行，北京国际大数据交易所、上海数据交易所、深圳数据交易所纳入首批全国数据产权登记机构目录，为数据资产的权属确认提供了统一接口。

在托管工具层面，中国外贸信托于2026年2月设立“外贸信托-河北建工-算据资产服务信托1号”，委托人为河北建工集团，借助信托“财产独立、风险隔离”的制度优势为正常运营企业的算据资产提供确权与运营方案。需要审慎对待的是：该案例的场景是运营中企业的数据资产盘活，而非困境或清算场景。 将信托工具延伸适用于濒临倒闭企业的休眠数据资产，在制度逻辑上具备空间——财产独立与风险隔离恰好契合困境企业数据资产有序管理的需求——但目前尚无公开的困境场景先例，这一延伸属于需要试点验证的推论，而非已经确立的实践。

这些进展的意义在于：休眠数据资产流转所需的“确权—登记—托管—交易”制度元件在中国已经初步齐备，缺的不是基础架构，而是品类识别与规则细化。当前的AI语料专区主要面向正常经营主体主动供给的语料产品，数据信托的既有案例也集中于运营中企业的数据资产盘活，尚未出现专门针对“企业进入困境或清算阶段后非结构化办公数据的合规处置”的挂牌品类或托管方案——这一判断基于公开检索范围内的观察，不排除存在未公开的区域性试点。

与此同时，《数据安全法》要求的数据分类分级保护与《个人信息保护法》的最小必要原则，在这一场景中构成了实质性的约束条件，而非可以绕过的程序障碍。因此，中国路径的关键不在于复制海外的清算中介模式，而在于利用已有的产权登记与信托制度，为休眠数据资产设计一个“运营期确权、困境期托管、交易前脱敏验证”的合规链条。这一链条的建立，比争论“该不该卖”更具建设性。

六、可操作的推进层次——企业、中介与规则试点

根据上述判断，如何转化为可操作的行动？可以在三个层次上分层推进，各层次之间具有先后依赖关系：没有企业层面的资产识别，中介服务缺乏标的；没有中介的评估与加工能力，场内交易难以形成可验证的定价；没有规则层面的品类承认，前两者都缺乏稳定的合规预期。

企业层面，首要动作是在数据资产台账中增设“非结构化办公数据”类别，区分日常管理记录、含有个人信息或敏感个人信息的内容、以及可能构成商业秘密的部分；对拟在极端情形下进入流转的数据，在运营期即建立可审计的匿名化流程与授权记录。这一工作的成本远低于清算时的补救成本，而其收益不仅体现在潜在变现，更体现在降低合规风险与缩短困境处置周期。

中介与基础设施层面，可以依托现有数据交易所的AI语料专区，探索“困境企业数据托管与加工”的服务品类，将清算识别、脱敏验证、场景化加工与训练效果测试串联为可追溯的服务链。数据信托机制在此具有制度逻辑上的适用空间：财产独立与风险隔离可以在企业进入清算程序后维持数据资产的有序管理，避免在时间压力下无序出售；中国外贸信托的算据资产服务信托已经证明信托工具在企业数据场景中具备操作可行性，但将其适用对象从正常运营企业延伸至困境企业，仍需通过试点验证而非直接推定。

规则与试点层面，较务实的切入方式不是立即建立全面的定价规则，而是先在数据要素市场试点地区选取有限品类——例如已停止运营的中小科技企业的代码库与协作工具记录——开展合规处置试点，重点验证三件事：匿名化标准在真实办公数据上是否可执行、产权登记与信托托管如何衔接、训练数据买方对脱敏后数据的接受度与效果反馈。只有在试点中形成可复现的脱敏基准与合同范本，“休眠数据资产”才具备从概念进入常规交易品类的条件。

我们看到，AI实验室收购倒闭公司数据，表面上是一个关于“数据饥渴”的行业新闻，实质上暴露了企业数据战略在时间维度上的不完整。休眠数据资产的价值实现，不取决于清算那一刻有没有买家，而取决于企业在数据仍然“活着”的时候，是否已经为它的“休眠状态”做好了制度准备。 

对中国而言，产权登记、语料专区与数据信托的制度元件已经就位；下一步需要的，是将“休眠”从清算的附带事项提升为数据战略的常规科目，并在合规框架内为这一品类建立可验证、可复现的流转规则。这既是对AI数据需求的结构性回应，也是数据要素市场走向精细化的一个具体刻度。