引言：三个词，一套谱
“数字经济”“数智经济”“智能经济”频繁出现在政策文件、企业年报和学术文章里。但三者到底是三种并列的经济形态，还是同一技术经济范式在不同阶段的展开，外界并不总是说清楚。
本文倾向于把它们理解为一条连续光谱：数字经济解决“连得上”，数智经济解决“算得准”，智能经济指向“做得成”。前者是底座，中层是辅助决策系统，顶层是具备一定自主性的执行系统。时间上，它们大致呈现先后递进；在空间上，它们又长期共存于同一个经济体中。
这种区分不是概念游戏。对企业来说，它决定先补哪块能力；对监管来说，它决定在哪一环设闸；对劳动者来说，它决定哪些技能会被增强、哪些岗位会被重构。
一、概念界定：三层，而非三物
数字经济以数据资源为关键要素，以信息网络为主要载体，以信息通信技术的融合应用为推动力。它的核心动作是“资源数字化”：把交易、流程、行为变成可记录、可传输、可计算的数据。电商、移动支付、在线政务，都是这一层的典型形态。其经济意义主要在于降低信息不对称、提升连接效率。
数智经济是在数字化基础上，引入大数据分析、机器学习等能力，使系统具备预测和辅助决策功能。它的核心动作是“决策智能化”：从数据里找规律、给人类提建议。精准营销、智能调度、智能风控属于这一层。此时，AI更多是“副驾驶”，最终判断权仍留在人手里。
智能经济则以大模型、通用人工智能、具身智能等前沿技术为驱动，系统具备自感知、自学习、自决策、自执行的倾向。自动驾驶、AI药物研发、无人化工厂常被归入这一层。它的核心动作是“系统自主化”——但这不是绝对意义上的自主，而是在人类设定目标、划定边界的前提下，完成更复杂的任务闭环。
因此，更准确的说法或许是：数智经济和智能经济并不是与数字经济并列的“新物种”，而是数字经济在能力维度上的深化。本文持这样一种看法：把三者写成“基座—引擎—方向”，有助于战略判断，但不应掩盖它们同属一个数字时代生产体系的本质。
二、演进逻辑：连得上、算得准、做得成
第一阶段是“连得上”。企业把业务搬上网，用ERP、CRM、云服务把库存、销售、客户行为变成数据。这一阶段最容易被误读为“上了系统就数字化了”，但真正重要的是数据是否可采集、可打通、可复用。此时，信息系统主要是人的手脚延伸。
第二阶段是“算得准”。当数据积累到一定规模，算法开始从“描述过去”走向“预测未来”：哪款产品可能热销、哪类客户可能流失、哪条产线可能宕机。企业竞争力从“拥有数据”转向“拥有洞察”。但本文要强调，这一阶段最关键的不是模型多花哨，而是人类是否还握得住最终决策权。
第三阶段是“做得成”。当算法稳定性、传感能力和执行装置同时成熟，系统可以在限定场景里感知环境、制定策略、采取行动、回收结果并自我修正。人类从“操作者”退到“目标设定者”和“异常干预者”。这里要避免一种浪漫化叙述：智能经济并不意味着人退出生产，而是人的角色从直接执行转向监督、纠偏和价值判断。
推动这三阶段演进的，是三组变量的叠加：数据成本持续下降、算力供给快速扩张、算法从规则驱动走向数据驱动再走向自监督学习。技术侧的变化并不自动等于制度侧准备好，这正是后文风险与治理部分的起点。
三、生产要素与生产力标志
在数字经济阶段，数据常被比作“原油”，网络与算力像管道。价值创造主要来自连接效率：谁能更快、更广地把供需双方连起来，谁就能获得平台红利。
在数智经济阶段，原始数据被加工成知识：客户画像、风险评分、需求预测。生产力标志从“宽带和终端”转向“算法精度、模型迭代速度、数据质量”。企业赚的不是过路费，而是“帮客户省下来的钱”或“帮客户多赚的钱”。
在智能经济阶段，系统的泛化能力、多智能体协同、人机交互自然度变得更重要。价值创造逻辑从“优化存量”走向“拓展生产可能性边界”：新材料、新分子、新服务形态，可能由人机协同系统首先提出。但要说“人力将被大规模替代”，目前仍缺乏足够扎实的宏观证据；更稳妥的表述是：部分任务被替代，部分岗位被重组，部分职业被创造。
四、商业模式：从卖渠道，到卖洞察，再到卖结果
数字经济的主流是平台模式。淘宝连接买卖，滴滴连接用车，美团连接本地生活。平台赚取佣金、广告费、会员费，本质是消除信息不对称带来的交易摩擦。
数智经济开始出现“算法即服务”。企业不只买软件，而是买更准的推荐、更稳的排程、更早的预警。字节跳动的推荐系统、京东物流的智能供应链，都是用算法改善决策，再按效果或订阅收费。客户买的不是工具，而是“更好的决策”。
智能经济里，“成果经济”开始被讨论：自动驾驶按安全里程计费，AI研发平台按交付化合物收费，工业运维以保证设备非计划停机率下降为标的。但要注意，这类模式仍处于早期和局部场景，不能据此断言整个经济已经进入“按结果付费”的时代。
一个通俗类比：数字经济像在线挂号，解决人和服务之间的连接；数智经济像辅助诊断，帮医生提高判断质量；智能经济像在某些标准化环节由机器人执行操作，但是否“独立交付健康结果”，仍取决于场景、责任和监管边界。
五、风险：大、暗、乱
数字经济怕“大”。平台集中带来数据归集、流量垄断和信息茧房。问题不只是企业做大，而是当连接层变成基础设施后，规则制定权、商户生存权和公共讨论质量都可能被平台行为影响。
数智经济怕“暗”。算法歧视、大数据杀熟、拒贷而不给理由，这些问题的共同点是：决策由模型参与形成，但责任链条不清晰。“技术中立”若被用作免责修辞，就会侵蚀社会对算法系统的信任。
智能经济怕“乱”。这里的“乱”主要指自主系统带来的岗位重构、目标错位和安全风险。比如，一个被设定为“最大化产量”的系统，可能在人类看来忽视了安全、能耗或组织代价。现有法律体系以“可归责的人类行为者”为枢纽，当系统越来越多地参与决策，归责框架会面临适配困难。
应对这些风险，本文认为至少有三类治理方向值得推进：
其一，探索数据确权规则与反垄断监管，让连接层的红利不被少数节点独占；
其二，推动可解释性研究、算法备案与审计实践，让“暗箱”至少变得可监督；
其三，把价值对齐、人工复核、紧急制动机制作为智能系统部署的底线要求，而不是单纯的技术优化选项。
这些表述是政策建议，不是对现行法律的完整描述。
六、全球治理：三种姿态，一条共同主线
中国的总体思路可以概括为“发展优先，兼顾安全”。在数字经济阶段，监管对互联网平台采取包容审慎；在数智经济阶段，“十五五”等政策和规划语境中，全国一体化算力网、国资央企数智化转型被放在更重要位置；在智能经济阶段，国家网信办等七部门公布的《生成式人工智能服务管理暂行办法》自2023年8月15日起施行，明确发展与安全并重、包容审慎和分类分级监管。
美国更依赖市场、资本和企业创新。2022年白宫科技政策办公室发布的《人工智能权利法案蓝图》提出五项原则，但官方文件明确其为非约束性框架，不构成美国政府政策。 美国联邦层面虽有行政命令、行业指引和州一级立法探索，但全国综合性AI法律并未稳定成型。其底色是：技术突破优先于规则前置，政府更多扮演守夜人和采购方，而非产业领航员。
欧盟以权利保护见长。以《通用数据保护条例》（GDPR）为起点，欧盟建立了严格的个人数据保护框架；2024年通过的《人工智能法案》按风险等级对AI系统实施监管，是迄今最成体系的区域性AI立法。至于“人工智能责任指令”，欧盟委员会曾于2022年提出相关提案，后来该提案被撤回；相关责任改革思路部分融入修订后的产品责任规则和《人工智能法案》的配套讨论之中。 因此，不能把“欧盟已确立AI责任指令”写成事实。
三地路径不同，但有一条共同主线：都在试图把“创新速度”和“可问责性”重新绑起来。中国更强调场景应用与国家安全，美国更强调市场和前沿突破，欧盟更强调权利与风险分级。未来真正的博弈，不完全是谁技术最强，而是谁的监管语言、标准语言和审计语言能变成全球产业链的默认设置。
七、企业行动地图：别跳过地基
大型企业可以三层并行：底层补数据治理，中层推AI赋能，顶层投资前沿实验室和私有化大模型。但要警惕一种误区——把“上大模型”当成数智化完成。没有数据口径、没有业务流程、没有组织能力，模型再先进也只是演示品。
中型企业不必自研底层。更现实的路径是直接采购行业SaaS＋AI，把精力放在高频场景：销量预测、客服辅助、质检识别、供应链排程。验证ROI后再扩面，比一次性“全面智能化”安全得多。
小型企业先吃透第一阶段。短视频、社交电商、支付工具、低代码表单，这些公共平台已经把数字化能力商品化。AI能力通过API调用即可，不宜过早押注重资产智能系统。小企业最大的风险不是不用AI，而是被“AI焦虑”拖去烧钱。
无论规模大小，部署自主化系统时都应保留三件事：人工复核接口、异常熔断权限、员工再培训机制。把被替代的岗位员工转化为“AI督导员”“场景设计师”和“价值把关人”，不是温情话术，而是组织能否把技术红利接住的关键。
结语：我们不是在等一个未来，而是在进入一段水位
数字经济、数智经济、智能经济，不是三张海报，而是同一浪潮的三段水位。
对政策制定者来说，真正的难题不是“禁不禁AI”，而是如何在创新激励、市场竞争、劳动者保护和公共安全风险之间保持动态平衡。对企业家来说，真正的战略不是追热词，而是看清自己处在“连得上”还是“算得准”，有没有资格谈“做得成”。对普通劳动者来说，真正的护城河也不是“学会用一个工具”，而是把人类特有的判断、共情、责任和跨域联想，嵌进机器越来越会执行的流程里。
未来的经济图景，未必是“人vs机器”的零和，也不会天然就是“人＋机器”的童话。它更像一种需要被设计的关系：机器负责规模、速度和搜索；人负责目的、意义和终审。
理解从连接到自主的这段演进，不是为了预测哪一年奇点到来，而是为了在今天的项目、预算、课程、监管条款和岗位说明书里，少做一些自以为前沿、实则悬空的决定。
（作者 余政）
热门跟贴