很多人对AI的认知，还停留在“读万卷书”：大模型吞下全网文章、书籍、新闻，学会总结、改写、创作，无所不能。但最近一桩行业合作，彻底打破了这套固有认知。
近期，路透社正式入驻云数据平台Snowflake数据市场，对外开放自1987年以来的海量新闻档案，同时实时同步全球最新资讯、多媒体内容与行业动态。企业无需复制、搬运数据，可直接通过接口，将路透社权威内容接入自身AI系统与业务流程。
这就产生了一个极具反差的问题：如今的AI明明已经会写新闻、摘摘要、做财经分析，为什么顶级企业还要花钱买新闻？
答案藏着AI行业最关键的一次迭代：AI的竞争，早已不是“谁更会读书”，而是“谁更能实时对接真实世界”。模型学会了加工知识，但永远无法凭空生成瞬息万变的新事实。于是，权威媒体、实时数据源，成了AI时代最稀缺的“数字线人”。
一、AI的两类数据：读旧书，不如知新事
绝大多数人混淆了AI的两种核心能力，也搞错了AI的数据需求。AI的数据体系，清晰分为训练数据和运行时数据，二者价值、作用完全不同。
训练数据，是AI的“教材”。过往几年，大厂拼尽全力囤积的网页、书籍、论文、历史新闻，都属于这类资产。它的核心作用，是帮模型学会语言逻辑、专业概念、推理规律，掌握通用认知能力。比如AI能解释ROE指标、分析加息对资产的影响，靠的就是训练阶段积累的存量知识。
但AI落地到真实业务，仅有教材远远不够。商业、生活、金融场景的核心问题，从来不是“已知规律”，而是“当下状态”。
“最新财报数据是多少？”“航班是否晚点？”“商品当前是否有库存？”“盘中市场有哪些突发异动？”
这些问题没有标准答案，也不存在固定规律。它们依赖实时、动态、不断更新的现实信息，是模型训练时完全无法接触到的“未来事实”。再大的参数规模、再完善的训练体系，都无法从历史语料中，推理出尚未发生、刚刚更新的动态信息。
简单来说：预训练决定AI“懂不懂”，运行时数据决定AI“对不对”。
聊天问答时代，AI只需回答“世界曾经是什么样”；智能体、工作流时代，AI必须精准回应“世界现在是什么样”。想要精准执行任务、对接真实业务，AI就必须持续外接外部实时数据源，这就是“找线人”的核心逻辑。
二、AI让内容加工免费，让事实采集涨价
生成式AI最先颠覆的，是信息加工环节，而非信息生产环节。
《科学》杂志曾做过一组对照实验：让453名高学历专业人士完成中等难度职业写作任务，接入ChatGPT辅助后，参与者完成时长缩短40%，内容质量提升18%。
这组数据精准印证了行业现状：摘要、翻译、改写、文案整理、观点整合，所有基于存量信息的加工工作，已经被AI大幅降本增效，甚至趋近于免费。
但真正昂贵、且无法被AI替代的，是事实的首次生产与核验。
AI可以无限改写新闻、整合资料、输出分析内容，却无法替代遍布全球的记者网络、现场采访、行情采集系统、实地核验流程、持续更新的数据库运维。
交易所的实时成交价格、企业刚刚披露的公告、一线调研的产业信息、实时变动的商品库存、突发的全球事件，这些独一无二、经过核验、持续更新的“新事实”，是AI无法自我生成的稀缺资产。
行业价值逻辑彻底反转：内容表达不再稀缺，真实、实时、可溯源的事实，正在重新掌握定价权。
企业愿意持续付费的，从来不是优美的文笔、标准的文案，而是数据源的三大核心价值：独家采集能力、权威核验体系、稳定更新的机器适配能力。
三、从版权采购到数据流订阅：AI数据交易彻底迭代
过去，AI公司与媒体的合作，核心是训练版权采购。最典型的案例，是2024年OpenAI与新闻集团的合作，五年超2.5亿美元的天价合约，核心是买断海量历史内容的训练使用权，服务于模型迭代升级。
而路透社入驻Snowflake，代表着第二种、更具未来性的合作模式：运行时数据流服务。
企业无需批量采购历史内容、无需反复训练模型，而是通过接口、RAG检索、实时数据流，在AI运行、业务执行的每一刻，即时调取最新资讯与动态数据。此时企业采购的，早已不只是内容版权，更是更新频率、接口稳定性、数据合规性、权限管理与全天候可用性。
这不是新兴赛道，而是传统专业数据服务，迎来了AI智能体的全新增量市场。
道琼斯、Factiva等老牌数据服务商，早已搭建起成熟的企业数据分发体系：Factiva聚合超3.3万个全球信息源，道琼斯日均输出1.7万条专业资讯与统计数据。如今这套成熟体系，正在全面适配AI场景。
公开数据显示，道琼斯已有超8000个信息源开放生成式AI授权；Factiva手握4000余个API数据流账户，已落地20余笔AI企业专项交易。与此同时，道琼斯专业信息业务收入持续增长，2026财年同比增幅达9%，AI已成为明确的增量增长变量。
新旧模式的核心差异一目了然：训练数据买的是“过去的知识”，一次性授权、长期使用；运行时数据买的是“实时的状态”，持续订阅、按需调用、动态更新。一个面向模型迭代，一个面向业务落地。
四、行业分层：谁能掌握AI时代的定价权？
AI浪潮之下，内容行业正在迎来极致的两极分化，彻底割裂为两类玩家，命运天差地别。
第一类是内容加工者。依托二手信息、转载整合、SEO优化、观点汇编生存，没有独家信源，没有实地采集能力。这类内容的核心价值是“整理与表达”，恰恰是AI最擅长、最容易替代的环节，议价能力持续走低，生存空间不断被压缩。
第二类是事实生产者。以路透社、道琼斯为代表，手握全球采集网络、权威核验体系、标准化数据输出能力，能持续产出独家、实时、可信的一手事实。这类机构不比拼文笔，只比拼“独家信息+稳定供给+机器适配”，恰好适配AI智能体的核心需求，成为行业稀缺资源。
资源正在快速向头部集中：AI企业的实时数据合作，几乎全部聚焦于通讯社、高端权威媒体与专业数据机构。地方媒体、独立自媒体，很难进入AI大厂的采购清单。原因很简单：智能体需要的是覆盖面广、更新稳定、责任清晰、可合规接入的标准化数据，而非零散、碎片化、可替代的内容。
最终格局愈发清晰：AI抹平了内容加工的红利，却放大了事实生产的壁垒。只会“写内容”的机构逐渐贬值，能“供事实”的机构持续增值。
五、智能体时代：AI竞争的终极赛道，是对接现实世界
新闻资讯只是AI外接实时数据的冰山一角。当AI从“聊天工具”进化为“执行任务的智能体”，所有现实场景的动态数据，都成了AI的刚需“情报”。
电商领域，阿里将千问大模型与淘宝、天猫全面打通。AI可以理解商品参数、品牌差异等存量知识，但想要完成下单、比价、物流追踪、售后处理，必须实时读取40亿+商品的库存状态、订单进度、物流节点。静态知识无法解决“有没有、到哪了、能不能买”的动态问题。
金融投研领域，同花顺将“问财”升级为智能投研Agent，通过标准化接口把iFinD金融数据库接入机构AI系统。模型可以学习估值模型、分析框架、历史规律，但盘中异动、突发公告、最新财报、资金流向，必须依赖实时金融数据流。
所有场景的底层逻辑高度统一：AI可以学会方法论，但学不会瞬息万变的现实状态。
普通问答出错，只是答案不准确；智能体执行任务出错，会直接引发订单失误、交易偏差、履约故障，产生真实商业损失。这也让实时、可信、可对接的外部数据，从“加分项”变成AI落地的“基础设施”。
未来AI的核心竞争力，不再只是模型参数、推理能力、算法优势，更取决于连接现实世界的广度、精度与稳定性。谁掌握了更多实时“线人”，谁就能让AI在真实商业场景中持续精准运转。
结语
AI的上半场，是存量知识的竞赛。各大厂商疯狂囤积教材、论文、历史资讯，比拼谁的模型更博学、更会表达、更懂规律。
AI的下半场，是实时事实的竞赛。模型能力逐渐趋同，真正的差距，来自谁能更快、更准、更合规地对接真实世界的动态变化。
AI可以无限生成内容，却永远无法无限生成事实。当创作的门槛被彻底抹平，采集、核验、供给真实信息的能力，就成了新的行业壁垒与定价核心。
所谓AI找“线人”，本质是一场行业底层逻辑的重构：模型决定上限，实时数据决定下限；知识可以自学，真相必须外接。