老干妈数字化：数据治理如何变现？

老干妈以AI质检大幅降本，但数据能否入表？传统CFO常误将数据视为可融资资产。本文剖析会计准则下的确权与计量难点，建议以项目制归集成本，聚焦内部ROI而非虚增报表。

核心摘要

老干妈数字化变现并非直接出售数据，而是通过AI质检将不良率降至0.02%，实现内部降本。数据资产入表需满足权属清晰与可计量性，传统制造CFO应放弃虚增报表的执念，转向项目制数据成本归集，以可量化的ROI证据链确认价值，而非依赖缺乏活跃市场交易的外部融资逻辑。

关键词：数据资产入表 / 制造业数字化 / 数据成本归集 / 老干妈数据治理案例 / AI质检降本 / 无形资产确认

编者按：老干妈通过AI质检将人力从600人降至48人，不良率降至0.02%。但数字化产生的数据能否变现？本文揭示传统制造CFO常陷入的误区：数据资产入表难，关键在于控制权与可计量性。建议通过项目制归集成本，而非虚增报表。

看不见的数字资产，看得见的成本黑洞

前几天，一家做食品加工的财务总监把我拉到一边，神情有点急。他指着报表里的“研发费用”和“无形资产”问我：“我们去年砸了几百万上AI质检，数据存了三年，财务说没法入账，只能当费用摊销。这些到底算不算资产？如果不入表，明年申请技改资金，我拿什么证明我们有核心竞争力？”

这问题很有代表性。其实不用找太复杂的理论，看看老干妈就行，但这里有一个巨大的认知错位。

据媒体报道，老干妈2025年营收达54亿元，全面上线了AI视觉质检系统，核心原料实现100%可追溯，关键工序产品不良率降至0.02%。更直观的是人力结构的变化：过去整条流水线上有超过600名拣椒工人，如今仅保留48位负责最后一道经验把关。贵州省工信厅官网显示，2025年贵州省工业领域数字化转型典型案例公示名单中，贵阳南明老干妈风味食品有限责任公司的“生产线自动化灌装的建设”入选。此外，贵州常务副省长也曾评价，老干妈运用大数据对全球销售实施精准分析，大幅提升生产效率。

你注意看，老干妈的数字化成果主要体现在“降本”和“增效”上，而不是“卖数据”。很多传统制造业CFO都会陷入一个误区：拼命收集数据，期望它们变成像库存一样的存货，可以变现、融资或抵税。但在当前的会计准则和审计环境下，这条路极难走通。

入表的前提：不是有数据，而是有“控制权”和“未来经济利益”

很多企业在数据治理初期，最大的动作是“汇聚”。建平台、拉接口、存数据库。这在财务视角里，只是形成了数据资源，而非数据资产。

我的判断标准很硬。第一，权属清晰。你是不是真的“拥有”这些数据？如果是用户授权采集的，或者涉及第三方API调用的，你拥有的只是“使用权”，连入表的门槛都够不到。第二，可计量且可靠。数据清洗、质检模型迭代的成本，能不能准确归集？如果这些支出是为了维持日常运营，会计上通常资本化程度很低。

回到老干妈的案例。AI质检系统产生的数据，直接服务于内部质量控制，降低不良率。这种“内部使用”的数据，在缺乏活跃市场交易、无法独立分离销售的情况下，很难单独确认为一项资产。它更像是嵌入在“机器设备”或“软件开发成本”里的附庸，而不是独立的“数据资产”。

实操拆解：成本归集的唯一出路是“项目制”而非“部门制”

既然独立入表难，怎么办？别死磕“数据资产”这个名目，而是通过“数据资源成本化”来体现价值，或者将其与具体的数字化项目绑定。

建议参考制造业通用的做法，建立严格的成本归集机制：

• 明确资本化边界：数据采集、清洗、质检模型迭代过程中的直接人工、云服务租赁、外部算法授权费，如果构成一个完整的、预计能带来未来经济利益的数字化项目（如老干妈的“生产线自动化灌装建设”），则计入无形资产或在建工程。不要混入日常运维费用。
• 科目设置建议：在“无形资产”下增设“数据资源”明细，或者在“制造费用/研发支出”中设置“数据治理专项”。关键在于，这些支出的确认标准要高于一般费用，必须有明确的项目立项书和验收报告。

审计师认可的逻辑链条必须是：投入（成本）→ 产出（具体的质量提升、效率提升证据）→ 未来收益（不良率下降带来的毛利提升）。老干妈将不良率降至0.02%，这就是最硬的证据链。如果没有这种可量化的内部效益证明，数据治理就只是一笔糊涂账。

给传统制造CFO的忠告

不要为了入表而入表。数据资产入表的终极目的不是美化报表，而是倒逼企业内部治理的规范化。

我的建议是：把数据治理视为一种“内部降本工具”，而非“外部融资工具”。从那些能明确算出ROI（如废品率降低、能耗减少）的场景入手，做扎实的成本归集。

提醒一句：如果你们的数据没有形成独立的交易场景，不要试图在报表上通过高额的“数据资产”来虚增净资产，审计和监管的眼睛比你想象的更毒。先把那几百个拣椒工人的成本省下来，比在报表上纠结一个无法验证的数字，对现金流有意义得多。

常见问题解答

老干妈的数字化数据能直接变现吗？

不能直接出售。老干妈作为典型的数据治理案例，其数据主要用于内部质量控制与效率提升，如将不良率降至0.02%。由于缺乏活跃交易市场，这些数据无法独立分离销售，因此变现路径是降低生产成本、提升毛利，而非直接的数据交易收入。

制造业企业进行数据成本归集要注意什么？

关键在于区分日常运维与资本化项目。在制造业数字化场景中，应将数据采集、清洗及模型迭代的相关支出纳入特定项目，如生产线自动化建设。通过项目立项书界定资本化边界，避免将日常费用混入资产，确保审计认可“投入-产出-收益”的逻辑链条。

数据资产入表难，财务该怎么办？

不要执着于在报表上单独列示“数据资产”。建议将数据治理视为内部降本工具，通过规范的数据成本归集体现其价值。若无独立交易场景，强行入表易被视为虚增净资产。应聚焦于通过量化指标（如废品率下降）证明数据的经济利益，而非追求形式上的资产确认。