当模型不再稀缺，教育科技的下一道壁垒是什么？

“从全国首单数据资产入表到教育能力出海，读书郎正在重构教育数据价值链。

全国教育领域首单数据资产入表，落在了浙江诸暨。

2025年4月，浙江诸暨市传媒集团联合读书郎完成全国教育领域首单数据资产入表，入表金额超过百万元。围绕这一项目形成的《教育行业数据资产入表蓝皮书》，随后由新华出版社出版发行，为教育数据资源盘点、治理、价值评估和会计处理提供了一套可供参考的实践路径。

但数据完成入表，是否就意味着教育数据的价值已经得到释放？答案显然是否定的。入表解决的是数据如何被识别、治理和计量的问题；对于教育行业而言，真正决定数据价值的，仍然是这些数据能否重新进入教学流程，转化为教师可使用、学生可执行、结果可验证的教育服务。

这也是读书郎智慧教育总经理荆全齐反复强调的一点。

“入表只是把数据这本账算清楚。教育数据最终有没有价值，还是要看它能不能回到课堂，帮助教师和学生解决具体问题。”

从全国首单数据资产入表，到教育数据闭环、教育Agent工程化，再到海外市场的本地化部署，读书郎正在尝试建立一条更完整的教育数据价值链。这条路径所指向的，也不只是单一企业的业务转型，而是一个更具行业普遍性的问题：当基础模型能力逐步普及，教育科技企业下一阶段真正的竞争力，究竟来自哪里？

全国首单的意义

不只是“把数据写进报表”

教育行业从来不缺数据。一次作业、一次考试、一节课的互动，以及一个学生长期的学习轨迹，都会不断形成数据。问题在于，这些数据往往分散在不同设备、平台和业务系统中，来源不一、标准不同，既难以持续管理，也很难直接用于教学和服务。学校真正缺少的，不是更多数据，而是一套能够说明数据从哪里来、是否可信、可以用于什么、应由谁负责的治理体系。

诸暨项目所验证的，首先就是这件事。自2021年起，诸暨持续推进区域智慧教育建设，逐步形成覆盖全市1万余名教师、18万名学生的教育数字化基础。依托长期运行的数据基座，项目对学校、教师、学生基础信息及精准教学相关数据进行系统治理，并于2024年5月30日以成本法完成数据资产入表，相关数据产品随后在浙江大数据交易中心挂牌。

此次入表涉及的核心应用包括“目标导向学习系统”和“即时响应学习系统”。系统基于学生学习过程和知识掌握情况，形成从基础巩固、专项突破到能力提升的分层学习任务。这意味着，数据治理并不是为了形成一项静态资产，而是为了建立能够持续支撑教学应用的数据基础。

围绕诸暨实践，多方共同推动《教育行业数据资产入表蓝皮书》的形成，对数据资源盘点、成本归集、资产确认、会计核算和后续管理等关键环节进行梳理。2026年2月，《教育数据资产开发利用全过程管理》同样由新华出版社发行出版，进一步聚焦教育数据从采集、治理、开发到授权运营和场景应用的全过程管理。

两项实践共同说明了一件事：教育数据要释放价值，第一步不是寻找交易方式，而是先把治理基础做扎实。

这一区别尤其重要。教育数据具有明显的专业性、公共性和敏感性，部分数据还涉及未成年人个人信息、学校教学管理信息以及区域教育治理信息。教育数据开发利用，不能被简单理解为原始数据的流通或售卖。更具现实意义的路径，是在权属清晰、授权明确、用途限定和安全可控的前提下，把经过治理的数据转化为面向具体教学和管理场景的产品与服务。

因此，全国首单真正重要的地方，不只是多了一项财务科目，而是教育数据第一次以相对完整的治理、评估和应用链路，被纳入可管理的资产体系。但从“可管理”走向“有价值”，中间仍然隔着最关键的一步：数据必须重新进入教学现场。

数据只有进入教学

才会从资源变成能力

如果数据只能停留在报表、看板和静态分析中，其价值仍然有限。教育数据与一般消费数据最大的不同，在于它不仅要描述行为结果，还必须能够解释教学问题，并进一步支持教师和学生采取行动。

一次作业完成后，系统不应只停留在统计正确率，而需要继续判断：哪些错误集中在同一知识点，哪些学生反复出现同类问题，哪些错误反映的是概念理解不足，哪些只是计算或审题失误。对教师而言，这些判断可以转化为讲评重点、分层辅导名单和教学调整建议；对学生而言，则可以形成不同的巩固任务和学习路径。学生完成新的任务后，结果再次进入系统，成为下一轮分析的依据。

由此形成的，是一条持续运行的数据闭环：教学行为产生数据，数据形成学情判断，学情判断驱动新的教学和学习任务，新的学习结果再反向校正系统。

荆全齐认为，教育数据真正的壁垒，不在于积累了多少条记录，而在于能否让这些数据持续产生作用。这要求企业同时具备两种能力：一是长期进入真实教育场景，持续获得稳定、可信的数据；二是把数据解释为可执行的教学任务。

教育数据具有明显的过程属性。一次考试或一次测评，只能反映某个节点的状态，只有产品真正进入日常作业、考试和教学过程，系统才有可能逐步形成对学生学习状态的连续理解。与此同时，数据价值也不只是描述一个学生“错了多少题”，而是进一步识别错误背后的知识缺口、能力障碍和学习原因，并据此组织下一步行动。

生成式人工智能的进入，使这条链路开始从“分析问题”进一步走向“推动执行”。过去，教育数据系统主要负责记录、统计和呈现，最终仍需要教师或学生自行理解并采取行动；教育Agent则有可能在数据、模型、教学规则和工具之间进行编排，把分析结果进一步转化为具体任务。

如果说数据系统解决的是“看见问题”，教育Agent要解决的，就是“接下来做什么，以及由谁去做”。

在教师端，Agent可以结合班级作业、知识点掌握情况和教学进度，辅助形成讲评重点、分层教学建议和学生关注清单；在学生端，Agent可以根据个人错题、能力水平和学习反馈，动态调整学习任务，而不是简单推荐更多内容。

但教育Agent并不等于在原有产品中增加一个对话入口。它更接近数据、模型、教学规则和工具之间的执行层：数据提供判断依据，模型负责理解和推理，教学规则限定方向，工具完成任务执行，新的教学结果则用来验证和修正系统。只有当这几个环节被真正连接起来，Agent才可能进入常态化教学，而不是停留在演示性功能和短期交互体验中。

当模型成为基础设施

竞争转向系统工程

教育智能硬件行业曾长期围绕硬件配置、教育资源和课程内容展开竞争。生成式人工智能普及后，AI问答、互动辅导、口语训练、拍照答疑和个性化推荐迅速成为行业常见能力。AI扩大了教育产品的功能边界，也让行业进入了新的同质化阶段：当企业可以调用相近的基础模型，单一功能的复制周期不断缩短，“拥有AI”本身已经难以形成稳定壁垒。

这并不意味着通用模型不重要。恰恰相反，成熟基础模型正在成为教育科技企业的重要技术底座。变化在于，竞争重点正从“有没有模型”，转向“能否把模型转化为稳定、可信、可规模交付的教育生产力”。

对于多数教育应用企业而言，从零训练一个通用基础大模型，并不是最具投入产出比的选择。更现实的路径，是基于成熟模型，持续建设教育知识体系、场景数据、教学规则、评测标准、工具链和Agent工作流。模型解决的是通用理解和推理问题，教育企业需要解决的，则是模型如何进入真实教学。

什么问题值得干预，什么任务适合当前学生，什么建议能够真正进入教师工作流，什么结果可以证明干预有效，哪些数据可以使用，又必须在哪些边界内使用——这些问题并不天然存在于基础模型中，而是来自长期的教学实践、产品运行和教育服务积累。这正是教育行业Know-how的价值所在。

读书郎的能力，也不是建立在某一个模型或某一项AI功能之上，而是来自多个环节的叠加：长期进入学校、家庭和区域教育场景，持续形成作业、考试和学习过程数据，将数据解释为教学问题和学习任务，再通过终端、平台和服务体系，把分析结果重新送回教学现场。几个环节形成闭环之后，企业所积累的就不再只是数据，而是一套能够持续运行的教育系统能力。

这一系统化能力也在更广泛的产业交流中得到呈现。2026年，读书郎受邀参加火山引擎Force大会，并围绕“教学主阵地的教育Agent实践：读书郎全域学情数据流通智能体落地探索”分享实践。相关展示并未把重点放在单一模型或功能演示上，而是呈现作业采集、智能批阅、学情分析、任务生成与反馈回流之间的协同关系，进一步说明教育Agent的落地，需要依托真实教学数据、业务系统和持续服务体系完成工程化组织。

这也是读书郎试图区别于单纯流量竞争的地方。教育硬件行业曾长期依赖广告投放驱动增长，但当基础功能趋同、获客成本上升，单纯依靠营销放大产品差异的空间正在收窄。行业最终仍要回到一个更朴素的问题：产品能否被持续使用，并产生可以验证的教育价值？

对学校而言，产品能否减少教师重复劳动、提高反馈效率、支持教学决策，比增加多少项AI功能更重要；对学生而言，系统能否减少无效练习、持续识别问题并提供适当任务，比单纯延长使用时长更有价值。从这一角度看，教育硬件不应只是一次性销售的终端，而应成为数据和服务进入教育场景的入口，真正决定长期价值的，是设备背后的学情分析、教学支持、Agent能力和持续服务体系。

教育行业的商业模式，也可能因此逐步从硬件和内容的一次性销售，转向围绕服务周期、应用规模和实际价值形成持续经营。所谓“以效果为核心”，并不意味着简单承诺考试成绩，而是建立更清晰的过程指标，例如教师工作量是否下降、教学反馈是否更及时、学生无效练习是否减少，以及知识薄弱点是否得到持续改善。只有当产品价值能够被持续观测和验证，教育科技企业才有可能摆脱单次交易，形成长期服务关系。

从区域复制到能力出海

一套教育数据系统能否形成商业价值，还取决于它能否跨越单一项目，完成规模化复制。教育数字化项目具有明显的区域属性，不同地区在管理体系、教材版本、学校信息化基础和服务组织方式上存在差异，仅依靠总部团队，很难完成全国范围内的持续交付。

读书郎采用的是“核心能力自主建设、本地服务伙伴协同”的模式。总部主要负责数据治理体系、产品平台、教育Agent、合规规范和运营标准；本地合作伙伴则承担学校对接、项目实施、教师培训和后续服务。这并不是简单外包，而是把复杂项目拆解为两部分：一部分是可以标准化、模块化和平台化的核心能力，另一部分是必须结合当地教育环境完成的服务适配。

这种模式能否真正成立，取决于三个条件：数据标准、产品能力和实施流程是否可以复制；本地伙伴是否具备长期服务学校的能力；总部能否对项目质量、使用效果和合规风险进行统一管理。当这些条件逐步成熟，区域项目才可能从单点案例走向规模化运营。

同样的逻辑，也适用于海外市场。中国教育科技企业过去的出海，主要集中在硬件和内容出口。学习设备、教育终端和课程资源进入海外市场后，企业获得的主要仍是产品销售收入。但对读书郎而言，海外市场更长期的机会，不只是销售更多设备，而是验证一套经过国内场景打磨的教育能力，能否在不同教育体系中完成本地化。

国际化产业平台也为这套能力的对外展示提供了更直接的窗口。6月24日至26日，SSA 2026亚洲智能传感器与应用技术博览会在深圳会展中心（福田）举行。本届展会以“Connect the physical・Empower the digital”为主题，聚焦机器人、智能汽车、脑机医疗、消费电子、工业物联网等重点赛道，汇聚来自全球30多个国家和地区的产业资源，300余家企业和机构集中亮相。读书郎受邀参展，集中展示作业留痕批改机、AI爱学网、爱学网平板和爱学网小程序等智慧教育产品与解决方案。对读书郎而言，这类国际化、专业化展会的价值，不只在于展示单一产品，更在于向不同市场的产业伙伴说明：人工智能、感知终端、教学数据处理与教育服务如何在具体场景中形成完整解决方案。

硬件仍然是最直接的入口，内容解决课程和语言适配，教育服务和数据能力则决定企业能否从一次性销售走向长期运营。

这里需要明确一个关键边界：教育数据出海，并不等同于将境内学生数据传输或迁移至海外。更合理的路径，是输出经过国内场景验证的技术架构、产品能力和运营方法，在目标市场依据当地法律法规完成部署，在当地采集、治理和使用数据，并形成当地的数据闭环。真正输出的，不是中国学生的数据，而是数据治理、教学分析、教育Agent和服务运营能力。

这也意味着，教育科技出海并不是简单的渠道扩张。企业需要重新完成课程体系、模型能力、数据治理和未成年人信息保护的本地化适配，产品是否符合当地课程标准和教学方式，模型是否理解当地语言和教育语境，数据处理是否符合当地监管要求，Agent形成的建议是否具备可解释性和明确边界，都会直接影响产品能否真正落地。

读书郎未来的海外布局，也将从成熟硬件产品切入，逐步叠加本地化内容、学习服务和教育数据能力。硬件解决进入问题，内容完成基本适配，数据治理和Agent能力则决定企业能否建立持续服务。

从这个意义上看，出海是同一条能力链路的延伸。在国内，读书郎需要证明数据可以被治理、被使用、被转化为教学行动；在海外，则需要进一步证明，这套能力可以脱离单一区域和单一教育体系，在新的文化、课程和监管环境中完成重构。

结语

从全国教育领域首单数据资产入表，到教育数据开发利用全过程管理，再到教育Agent和海外本地化布局，读书郎正在验证的，并不是一条从“拥有数据”直接走向“数据变现”的捷径，而是一条更长、也更具工程复杂度的路径：真实场景持续产生数据，规范治理形成资产基础，数据分析支持教学判断，教育Agent推动任务执行，新的服务结果再形成反馈。

在这条链路中，模型是重要能力，但不是全部；数据是重要资源，但不会天然产生价值；硬件是场景入口，也不是商业模式的终点。真正决定教育科技企业长期竞争力的，是能否把模型、数据、教研、工具和服务组织成一套持续运行的系统。

全国首单数据资产入表，证明了教育数据可以被规范治理和识别；诸暨实践，验证了数据可以进入真实教学；教育Agent，则为数据进一步转化为行动提供了新的技术路径。当基础模型能力逐步普及，教育科技行业真正稀缺的，不会是更多AI功能，而是把数据持续转化为教育行动，并通过结果反复验证的系统能力。

教育数据价值是否走向成熟，最终也不取决于数据被确认了多少次、AI功能增加了多少项，而取决于数据能否在合规边界内持续服务真实教学。从全国首单数据资产入表，到教育Agent与能力出海，读书郎正在尝试走通的，正是这条从数据资源走向教育生产力的路径。