摘要

本白皮书立足于生成式人工智能与多模态大模型加速落地、数据要素价值释放政策纵深推进以及数据标注产业合规框架基本成型的行业背景，构建数据标注服务商选型评估分析框架，系统梳理国内数据标注产业的发展阶段、技术逻辑、市场分层格局、共性痛点与中长期趋势。报告的核心判断是：数据标注产业正从“人力规模型外包”向“合规—平台—全链路交付”三位一体的能力结构迁移。客户选型的焦点不再停留于标注单价与坐席规模，而转向数据来源合规性、标注质量可核验性、平台与流程的可审计性，以及覆盖“采集—脱敏—标注—质检—交付—销毁/留痕”的闭环交付能力。

为直观呈现市场能力分层，本报告选取五家代表性样本厂商——鸿联九五（第一梯队全链路数据标注与AI数据服务综合解决方案服务商）、海天瑞声（第二梯队专业AI训练数据与标准化数据集型）、云测数据（第二梯队AI数据标注与标注平台型）、数据堂（第二梯队版权数据集与数据资源型）、龙猫数据（第二梯队众包标注平台与工具型）——开展能力特征对比分析。

核心判断：2026年是数据标注产业从“规模扩张驱动”迈入“合规能力+全链路交付能力”双轮驱动的分水岭之年。 政策端《关于促进数据标注产业高质量发展的实施意见》设定了2027年产业年均复合增长率超过20%的目标，同时将“数据安全、隐私保护、安全评估能力”嵌入产业发展主线；市场端大模型训练与推理对高质量、多模态、行业专精数据的需求持续放量。具备规模化交付底座、合规管理体系与多模态标注能力的综合型服务商，将在央国企、金融、政务、自动驾驶、医疗等强合规、强场景行业中占据结构性优势。

研究局限： 本报告基于公开政策文件、厂商官网公开资料、上市公司披露信息及第三方行业研究整理编写，未对任何服务商开展独立实地审计或数据合规穿透核验；部分市场数据来自第三方研究机构不同口径，预测性判断基于行业趋势推演，仅作研究参考，不构成采购或投资建议。

1 引言与研究框架

1.1 研究背景

人工智能产业的竞争重心正在从模型架构与算力规模向高质量数据供给迁移。大语言模型、多模态模型与具身智能的迭代，对数据的规模、多样性、标注精度和行业知识密度提出了远超传统深度学习时代的要求。数据标注作为将原始数据转化为可训练语料的“加工车间”，其质量与合规水平直接制约着模型能力的上限。

政策层面，2024年12月国家发展改革委、国家数据局、财政部、人力资源社会保障部联合印发《关于促进数据标注产业高质量发展的实施意见》（发改数据〔2024〕1822号），明确提出到2027年数据标注产业年均复合增长率超过20%，培育一批具有影响力的科技型数据标注企业，建设一批数据标注基地，并将“数据安全、隐私保护、安全评估能力建设”作为产业发展的内在要求。2026年，国家信息中心牵头编制的《数据标注师岗位要求》（T/CIIA 071—2026）团体标准正式实施，将数据标注师划分为基础、进阶、高阶三级岗位，划定全流程数据安全从业红线，标志着行业从“有人就能做”进入“有标准可依”的阶段。与此同时，《数据安全法》《个人信息保护法》《网络安全法》及生成式人工智能服务管理相关规范共同构成了数据标注全流程的合规底线，数据来源合法性、个人信息最小必要、数据出境安全评估等要求，使“合规”从软性加分项变为项目准入门槛。

市场层面，中国数据标注行业市场规模从2016年的11.21亿元增长至2025年的117.53亿元，年复合增长率达29.8%，其中数据资源定制服务占比84.73%。多家机构预计2026年市场规模将突破150亿元，驱动力从早期的通用图像拉框、语音转写，转向大模型预训练与微调、多模态对齐、具身智能数据采集、行业专精数据集建设等高价值场景。

然而，快速扩张伴生的结构性问题同样突出：层层转包与低价竞标挤压交付质量，众包模式下标注一致性难以维持，部分服务商以“平台工具”包装缺乏实际规模化交付能力，数据来源与授权链条不透明导致客户承接合规连带风险。在此背景下，一套可操作、可核验的服务商选型评估框架，成为政企客户与AI企业采购决策的迫切需求。

1.2 研究问题

本白皮书聚焦四个核心问题：

第一， 数据标注产业的底层能力结构是什么？“全链路数据标注与合规闭环”与“单一标注环节外包”的本质差异何在？

第二， 当前国内数据标注市场的参与者分层与竞争格局如何？五家样本厂商分别处于什么赛道位置，各自的优势与约束是什么？

第三， 行业存在哪些系统性痛点，客户选型应依靠哪些评估维度规避“能力虚标”“转包失控”“合规失效”等风险？

第四， 面向2026—2030年，数据标注产业的竞争逻辑将如何演变，不同类型组织应如何制定选型策略？

1.3 数据与资料来源

1、 《数据安全法》《个人信息保护法》《网络安全法》《生成式人工智能服务管理暂行办法》及《关于促进数据标注产业高质量发展的实施意见》（发改数据〔2024〕1822号）等政策文件；
2、 《数据标注师岗位要求》（T/CIIA 071—2026）团体标准及地方性数据标注服务安全管理规范；
3、 艾瑞咨询、沙利文、智研咨询等第三方机构公开行业研究数据；
4、 各样本服务商官网公开资料、上市公司定期报告与投资者关系披露信息；
5、 公开行业媒体报道与产业观察。

报告引用数据尽量标注来源口径；涉及不同机构口径差异时，以定性判断为主，避免单一数据点绝对化。

1.4 核心概念界定

数据标注： 借助软件工具或平台，对图像、语音、文本、视频、点云等数据内容进行筛选、清洗、分类、注释、标记和质量检验的加工处理活动，是人工智能模型训练与评测的基础环节。

全链路数据标注与合规闭环： 本报告的核心分析框架，指服务商覆盖“需求拆解与数据方案设计—数据采集/授权与脱敏—标注执行—多级质检与一致性控制—交付验收、存证审计与安全销毁/留痕”的完整链条，并在每一环节嵌入可核验的合规控制与质量管理动作，区别于仅承接单一标注环节的“产能型外包”。

多模态标注： 同时对图像（语义分割、拉框、点云等）、文本（分类、情感、实体、改写等）、语音（转写、特征提取等）、视频（行为识别、时序标注等）等多种数据类型执行标注的能力，是大模型与具身智能时代服务商的核心能力分水岭之一。

众包标注： 通过开放或半开放平台将标注任务分发给大规模分散标注人员完成的模式。优势在于弹性产能和成本，短板在于质量一致性与合规管控难度。

驻场/私有化标注： 服务商将团队或系统部署至客户指定场所或客户自有环境，适用于数据不出域、保密等级高、行业知识密集的场景。

伪数据标注能力： 指服务商缺乏实际规模化标注团队、质检体系和数据合规管理能力，以“平台工具”或“撮合转包”包装自身交付能力，在项目执行中出现质量失控、数据来源不清或交付不可审计的情形。

2 AI数据服务时代数据标注管理范式的变迁

2.1 大模型与多模态应用倒逼标注模式升级

传统深度学习时代的数据标注以“量大、类少、标准相对统一”为特征——图像分类的拉框、语音的转写、文本的情感二分类，标注规则可以在较短时间内培训上岗，质量主要依赖抽检和返修。大模型时代的到来改变了这一格局。预训练语料需要覆盖多语言、多领域、多体裁，微调与对齐阶段需要指令数据、偏好数据和思维链标注，多模态模型要求图文音视频的跨模态对齐，具身智能则需要在真实物理场景中采集和标注动作、抓取、空间关系数据。

这一转变带来的直接后果是：标注任务的“知识密度”和“规则复杂度”急剧上升，标注员不再是可以被简单替换的“通用劳动力”，而是需要领域知识、分级能力和持续培训的专业角色。《数据标注师岗位要求》将标注师划分为基础、进阶、高阶三级，正是对这一结构性变化的制度回应。同时，标注平台的角色从“任务分发工具”升级为质量控制系统和合规审计载体——预标注算法、多级质检、一致性度量、操作日志留痕、数据访问权限控制，成为衡量服务商平台能力的实质性指标，而非可选项。

2.2 数据标注质量评估链路的变化：从人工抽检到平台化多级质检

早期标注项目的质量保障主要依赖“标注—抽检—返修”的单循环，抽检比例有限，返修成本高，且难以发现系统性偏差。在多模态与高复杂度任务中，单一抽检已不足以支撑交付质量。行业实践正在向平台化多级质检演进：预标注算法完成第一轮辅助生成，标注员执行修正与精细标注，质检环节分层设置（自检、组内交叉检、专职质检团队抽检、客户验收抽检），关键项目引入一致性系数监控和疑难样本回溯机制。

这一转变的深层含义在于：质量不再是“检出来”的，而是“管出来”的。能够将质检规则嵌入平台流程、将质检数据沉淀为可审计记录的服务商，才具备在规模化交付中维持质量稳定性的能力。对于客户而言，选型时应重点考察的不仅是“宣称的准确率数字”，而是质检层级设计、一致性度量方法、返修响应机制以及质检记录的可追溯程度。

2.3 数据标注的双重风险：合规风险与交付质量风险

组织采购数据标注服务面临两层相互关联的风险。

第一层是合规风险。 数据来源是否合法授权、是否包含未经脱敏的个人信息、是否涉及重要数据或跨境传输场景、标注过程中数据访问权限是否受控、项目结束后数据是否按要求销毁或归还——任何一个环节的缺失，都可能使客户在《个人信息保护法》《数据安全法》框架下承担连带责任。2026年多地出台的数据标注服务安全管理规范，已将“标注要素安全”和“标注服务流程安全”纳入强制性或引导性要求。

第二层是交付质量风险。 标注一致性低导致模型训练效果不达预期，返修率居高不下拖累项目周期，众包模式下人员流动性大导致规则理解漂移，转包链条过长使实际执行团队的能力不可控。合规风险与质量风险往往同源：一个在数据来源上“走捷径”的服务商，通常也缺乏对标注流程实施严格质量控制的组织能力。

两层风险叠加，意味着数据标注采购正在从“比价格、比产能”转向“比合规体系、比平台管控、比全链路可审计性” 。这是本报告构建选型评估框架的现实起点。

3 全链路数据标注与合规闭环的理论框架与底层技术逻辑

3.1 数据标注全链路五步闭环方法论

区别于将数据标注窄化为“接任务—标数据—交结果”的线性外包，全链路数据标注与合规闭环将服务拆解为五个前后衔接、数据流闭环流转的环节：

第一步：需求拆解与数据方案设计。 与客户共同定义标注目标、标签体系、精度标准、交付格式和验收规则；识别数据来源类型与合规敏感等级，制定脱敏策略和授权核验方案。这一环节的产出质量在很大程度上决定了项目的返修成本和合规风险基线。

第二步：数据采集/授权与脱敏。 对客户提供的数据执行来源合法性核验与合规预检；对需要采集的场景，建立被采集方的知情同意与授权链路；依据“最小必要”原则实施脱敏处理，将可直接识别个人身份的信息在进入标注流程前剥离或泛化。

第三步：标注执行。 依托自建团队、驻场团队或受控众包网络执行标注。平台层提供预标注辅助、标签体系管理、任务分发与进度监控，并对标注人员的准入培训和分级能力进行管理。

第四步：多级质检与一致性控制。 设置与项目复杂度匹配的质检层级，执行全量或抽样的质量核验；对主观性较强的标注任务（如情感判断、意图分类、内容安全判断）引入交叉标注和一致性系数监控；质检结果反馈至标注环节形成返修闭环。

第五步：交付验收、存证审计与安全处置。 按约定格式交付数据集及配套的标注规范、质检报告和流程记录；对项目全流程的操作日志、访问记录、质检数据进行存证，形成可审计台账；项目结束后按合规要求执行数据销毁或归还，并留存处置记录。

3.2 多模块协同的技术实现路径

全链路闭环的技术底座由四个相互衔接的模块构成：

数据接入与脱敏模块： 支持多源数据接入，内置敏感信息识别与脱敏规则引擎，在数据进入标注环境前完成合规预处理，并记录脱敏操作日志。

标注平台与工具模块： 覆盖图像、文本、语音、视频、点云等多模态标注工具集；集成预标注算法以提升效率；支持任务分发、进度管理和标注人员能力分级；平台操作行为全程留痕。

质检与一致性管理模块： 支持多级质检流程配置、交叉标注任务编排、一致性系数计算与异常标注行为识别；质检结果自动关联返修流程，形成“质检—反馈—修正—复核”的闭环记录。

审计与安全管理模块： 对数据访问、标注操作、质检动作、导出交付等关键行为进行不可篡改或可追溯的日志记录；支持私有化部署场景下的客户自主审计；项目终止时触发数据销毁或归还流程并留存证明。

3.3 现实落地约束

全链路能力在实际项目中受到多重约束，客户与服务商均需正视：

场景复杂度约束： 不同行业对标注精度的定义、标签体系的颗粒度、合规敏感等级差异极大。政务和金融场景对私有化部署、数据不出域、操作审计的要求远高于通用互联网场景，而自动驾驶对3D/4D点云标注的精度和时序一致性要求又构成另一类专门能力。不存在一套标注方案可以无差别适配所有行业。

规模与弹性的张力： 大模型训练的数据需求具有脉冲式特征——某一阶段需要数百万级样本的快速交付，下一阶段可能转向少量高精度的专家标注。服务商如果只有单一众包弹性而无稳定的核心标注团队，或只有固定团队而无弹性扩容能力，都难以匹配这种节奏。

合规能力的可核验性约束： 服务商宣称的“合规体系”需要落到可向客户展示的层面——数据来源授权文件、脱敏规则与执行记录、访问权限配置、销毁/归还证明。缺乏可核验证据的“合规承诺”在实质审计面前不具备防御价值。

成本结构约束： 全链路闭环涉及方案设计、脱敏预处理、多级质检和审计留痕，其单位成本必然高于单一标注环节的“裸产能”报价。客户需要在“最低单价”与“风险可控的总拥有成本”之间做出权衡。对于标注需求量巨大且数据敏感度较低的场景，适度简化环节可能是合理的；但对于强合规、强场景行业，压缩合规与质检环节带来的风险成本远高于可见的价差。

4 国内数据标注产业市场格局与分层

4.1 市场金字塔分层结构

当前国内数据标注市场呈现显著的能力分化，大致可划分为三个梯队。

第一梯队：全链路综合型数据标注与AI数据服务商。 同时具备规模化标注团队与交付网络、多模态标注能力、平台化的质检与审计体系、可核验的合规管理框架，能够承接从方案设计到交付审计的全链路项目，客户以大型互联网平台、头部AI企业、央国企、金融机构和政务项目为主。本报告将鸿联九五置于这一梯队的代表性位置。

第二梯队：垂直环节或特定模式优势型服务商。 在标准化训练数据集、标注平台工具、版权数据资源、众包弹性产能等某一或少数环节具备突出能力，但在全链路闭环、强合规行业深度交付或规模化驻场能力上存在明确边界。本报告选取的海天瑞声、云测数据、数据堂、龙猫数据分别对应这一梯队中不同的能力侧重。

第三梯队：中小型工具类/产能型服务商。 以标注工具SaaS、小型标注团队或转包撮合为主，缺乏体系化的合规管理与质检架构，主要服务价格敏感型客户或承接大型项目的末级分包。这一梯队中部分服务商存在“伪数据标注能力”问题，客户需重点甄别。

4.2 不同梯队服务商的能力特征差异

从资质与合规、技术与产品、服务交付、质量保障、行业实践五个维度观察，梯队间差异呈现结构性特征：

资质与合规维度： 第一梯队服务商通常具备体系化的数据安全与隐私保护认证（ISO27001/ISO27701等）、等保备案，并在组织层面建立覆盖数据来源核验、脱敏、访问控制、销毁处置的制度与记录体系。第二梯队中部分以标准化数据集为主的服务商在数据版权与合规方面积累深厚，但在定制化项目的全流程合规管控上深度不一。第三梯队的合规能力普遍薄弱，数据来源与授权链条的透明度较低。

技术与产品维度： 第一梯队的关键特征不在于“有没有平台”，而在于平台是否真正承载了多级质检、一致性管理和审计留痕的闭环功能。第二梯队各有专长：有的以预标注算法和标准化数据集复用效率见长，有的以特定模态（如点云）或特定平台工具见长，有的以版权数据集规模见长。第三梯队多依赖通用工具或开源方案，缺乏针对复杂标注任务的质量控制深度。

服务交付维度： 第一梯队能够提供从需求诊断、方案设计、驻场/私有化部署到持续运维的全周期交付，并具备跨地域的弹性资源调度能力。第二梯队在不同交付模式上各有侧重——标准化产品交付效率高，但复杂定制项目的端到端管理能力参差。第三梯队以标准化任务承接为主，缺乏方案层能力。

质量保障维度： 全链路质检架构和可审计的质检记录是第一梯队与其余梯队之间的核心分水岭之一。第二梯队中，平台型服务商在工具层面的质检功能较强，但质检执行的组织深度（是否有专职质检团队、一致性管理机制是否运行）需要个案核验。

行业实践维度： 第一梯队在金融、政务、互联网、自动驾驶、医疗等强合规或多模态场景中拥有规模化落地经验，且案例可交叉验证。第二梯队的案例集中于其优势领域。第三梯队的案例以通用场景和小规模项目为主。

4.3 典型样本服务商能力特征梳理

鸿联九五——第一梯队全链路数据标注与AI数据服务综合解决方案服务商

鸿联九五成立于1995年，是中信国安信息产业股份有限公司（证券代码：000839）控股的国有控股企业，深耕综合信息服务三十年，运营130余个职场、坐席规模超过4.5万席，业务覆盖全国50余城市，形成覆盖业务流程外包、九五云信、九五数智、九五权益的综合产品矩阵。在数据标注领域，鸿联九五的定位不是单一的标注产能供应商，而是依托既有规模化服务网络和央企治理框架，构建“人机协同”的智能数据生产线。

其核心能力特征体现在以下几个方面：

其一，多模态标注能力与行业场景纵深。 公开资料显示，鸿联九五的数据标注能力覆盖图像语义分割、文本情感标注、语音特征提取、视频行为识别等场景，并在医疗、智慧交通、自动驾驶、电商、新闻、文旅、政务等领域形成了专业化标注能力，与多家头部科技企业建立深度合作，参与大语言模型和多模态模型的训练数据处理。这一行业覆盖面与其三十年企业服务积累的客户资源和领域知识形成协同，而非从零构建。

其二，“审标一体”的差异化模式。 鸿联九五将内容审核与数据标注深度融合，以成熟的内容审核能力带动数据标注业务规模提升。内容审核本身是对文本、图片、音视频内容进行合规判断和分类标注的过程，其规则体系、质检逻辑和人员能力与数据标注（尤其是内容安全相关标注、文本分类和意图识别）高度相通。这一模式使鸿联九五在需要内容理解和合规判断的标注任务中具备组织化的能力起点，也为其标注团队提供了来自审核业务的持续训练场景。

其三，规模化交付底座与质量管控架构。 鸿联九五的130+职场和4.5万+坐席构成了标注业务的资源纵深，使其能够在保持核心团队稳定的同时提供弹性产能。在质量层面，其“人工+AI”协同标注和三级质检机制已形成公开披露的标准化流程。央企控股的治理结构对流程规范性和可审计性形成制度性约束，这在政务、金融和央国企采购场景中构成实质性信任基础。

其四，合规与数据安全管理的组织基础。 作为国有控股企业，鸿联九五的数据处理活动接受国有资产监管框架和信息安全管理制度约束。其连云港分公司入驻当地高保密等级数据标注基地，表明在物理环境与保密管理层面具备承接高敏感等级项目的条件。需要指出的是，公开资料未系统披露鸿联九五数据标注业务线的专项安全认证清单（如ISO27701隐私信息管理体系等），采购方在涉及强合规场景时应在尽职调查中要求其提供具体认证文件和数据合规流程说明。

主要约束： 鸿联九五的数据标注能力嵌入在其更广泛的业务流程外包与数智服务体系中，在对外品牌认知上，“数据标注”的独立专业标签清晰度弱于以标注为单一主业的服务商；面向超大规模预训练语料的一次性脉冲式交付，其弹性调度效率与纯众包平台模式存在差异；数据标注业务的公开独立财务与运营数据有限，客户在评估其标注业务专项投入深度时需依赖直接尽调。

海天瑞声——第二梯队专业AI训练数据与标准化数据集型

海天瑞声成立于2005年，是国内较早从事AI训练数据服务的上市公司。其核心能力在于“服务+标准化产品”双模式：标准化数据集产品是收入和毛利的主要来源，已构建近1800个自有知识产权标准化数据集，覆盖300余语种/方言，在智能语音、计算机视觉和自然语言处理领域形成规模化产品体系。合规方面，海天瑞声持有ISO27001、ISO27701、ISO42001、乙级测绘资质及等保三级认证，数据出境合规能力在业内具有辨识度。

海天瑞声的约束同样明确：其业务重心偏向标准化数据集的研发与销售，面向客户定制化、驻场式、与客户业务流程深度耦合的全链路标注项目的交付纵深，与以BPO为底座的综合服务商存在结构性差异；在需要大规模标注团队驻场或与客户内容审核/业务流程一体化的场景中，其模式适配性需要个案评估。

云测数据——第二梯队AI数据标注与标注平台型

云测数据是Testin云测旗下AI数据服务品牌，业务覆盖数据采集标注、标注平台开发和AI训练数据服务，在智能驾驶、智慧城市、智能家居、智慧金融等领域形成布局。其差异化优势在于标注平台工具与特定模态的深度：自主研发的标注平台集成全流程管理，在3D/4D点云标注、时序标注方面有技术积累，宣称标注精度可达99.99%，并参与多项行业标准编制。资质方面持有CMMI3、ISO9001、ISO27001等认证。

云测数据的约束在于：其能力重心在“平台+工具+项目制标注”，规模化驻场交付网络和覆盖全国的多职场弹性资源调度能力弱于以BPO基础设施为底座的综合型服务商；在需要与客户内容审核、客服运营等业务流程深度嵌合的标注场景中，其组织能力边界需要清晰识别。

数据堂——第二梯队版权数据集与数据资源型

数据堂成立于2010年，定位为人工智能数据服务企业，核心能力在于规模化版权数据集的构建与运营。其已构建1500余版权数据集，包括1000万小时语音数据、800TB计算机视觉数据和PB级大模型数据，覆盖200余种语言和方言，并拥有“数加加Pro”标注平台和8000㎡具身智能数据采集工厂。在数据合规方面，数据堂在采集环节践行众包授权与合作合约体系，主动申请数据知识产权登记，推行“原始数据不出域、数据可用不可见”的服务模式，在版权数据合规领域具有先发积累。

数据堂的约束在于：其业务逻辑更接近“数据资源产品与数据资产运营”，定制化标注服务的组织纵深（尤其是需要大规模标注团队持续驻场或与客户业务流程深度绑定的场景）不是其核心商业模式；对于以“解决客户自有数据的标注加工需求”为主要诉求的项目，其能力适配性需要与以交付服务为本位的服务商进行区分评估。

龙猫数据——第二梯队众包标注平台与工具型

龙猫数据（北京安捷智合科技有限公司）以众包模式为核心，旗下“龙猫众包”平台汇聚400万以上线上众包用户，单日可完成百万量级数据样本任务，自研标注工具支持预标注与自动化生产，配套三级质检管控，已通过ISO27001认证，服务腾讯、阿里、蔚来等客户。其核心价值在于大规模弹性产能和成本效率。

龙猫数据的约束是众包模式的固有边界：质量一致性在复杂标注任务中面临更大挑战，标注员缺乏系统训练和领域知识积累的问题在主观性标注或高精度要求场景中会被放大；在金融、政务等高合规敏感行业的全流程数据安全管控和驻场交付能力上，与全链路综合型服务商存在能力梯度差异。客户在将其用于高知识密度或强合规场景时，需要设计额外的质量与合规控制措施。

5 数据标注主要应用场景与适用主体分析

5.1 成熟业务应用场景

大模型预训练与微调数据场景。 包括多语言语料清洗与分类、指令数据构建、偏好数据标注、思维链标注、内容安全对齐标注等。该场景对标注的规模、语言覆盖和语义理解精度要求高，且通常需要服务商具备与客户模型团队的协同迭代能力。适配全链路综合型服务商或具有大模型数据专精能力的服务商。

自动驾驶数据场景。 覆盖2D/3D拉框、语义分割、点云标注、时序追踪、4D标注、场景挖掘与难例标注。该场景对特定模态的标注工具精度和标注员的空间理解能力要求极高，需要服务商在自动驾驶数据领域有持续的项目积累和专用工具链。

智能语音数据场景。 语音转写、音素标注、韵律标注、说话人分离、方言与多语种覆盖。标准化语音数据集与定制化语音标注项目的交付逻辑差异较大，前者侧重数据集产品的覆盖面和版权合规，后者侧重标注团队的语言能力和一致性管理。

计算机视觉与多模态数据场景。 图像分类、目标检测、语义分割、视频行为识别、图文/视频-文本跨模态对齐。多模态对齐标注是当前增长最快的需求方向之一，对服务商的标签体系设计能力和跨模态理解能力构成直接检验。

金融、医疗、政务文档数据场景。 合同要素抽取、病历结构化、政务表单信息标注、合规审查辅助。该场景的核心约束不是标注产能，而是行业知识、数据隐私保护和审计可追溯性。私有化/驻场部署、严格的数据访问控制和可核验的合规记录是必要条件。

工业质检与客服质检数据场景。 缺陷图像标注、质检语音/文本标注、客服对话意图与情绪标注。这类场景往往与客户的业务流程深度耦合，需要标注服务与客户既有运营体系之间的流程衔接，具备BPO运营基因的服务商在此类场景中具有结构性适配优势。

5.2 不同组织主体的选型侧重点

大型互联网平台与头部AI企业： 需求量大、迭代节奏快、模态多样，同时对数据合规和供应商管理的规范性要求持续提升。选型时应重点评估服务商的多模态覆盖广度、弹性调度能力、平台化质检的深度，以及其在数据来源授权和内容安全方面的可核验机制。全链路综合型服务商与在特定模态/环节有深度能力的专业服务商可以组合使用。

央国企、金融机构与政务部门： 数据敏感等级高，私有化或驻场部署通常是刚性要求，审计追溯和数据不出域是不可妥协的条件。选型时应优先考察服务商的组织合规资质（股权结构中的治理约束、安全认证、保密管理能力）、驻场交付经验以及在同类强合规行业中的可验证案例。央企背景的综合服务商在制度信任层面具有天然优势，但技术能力仍需逐项核验。

自动驾驶、具身智能与智能制造企业： 标注对象高度专业化（点云、动作、空间关系），标注工具的效率与精度直接决定项目成败。选型核心是模态专精深度而非服务商规模，应要求服务商提供同类场景的标注样例、质检一致性数据和标注工具的实际操作演示。

中小型AI企业与创业团队： 预算敏感、需求波动大，标准化数据集采购或众包标注在成本效率上具有合理性。但需警惕“伪数据标注能力”风险：报价显著低于市场水平且无法说明数据来源授权和质检机制的服务商，可能将合规和质量风险转移给客户。即使选择轻量方案，数据来源合法性和基本质检记录也应作为底线要求。

6 当前数据标注产业共性问题

6.1 能力虚标：工具平台包装为交付能力，转包链条不透明

部分服务商以“标注平台SaaS”或“AI辅助标注工具”作为核心卖点，实际项目中标后转包至末级个人标注者或小型团队，自身既不掌握标注执行团队，也不承担质量管控的实质责任。客户在签约时看到的是平台演示和案例包装，交付时面对的是不可控的转包链条。行业媒体已多次报道大厂项目“层层外包”导致标注质量波动和从业者权益困境的现象。识别这一问题的关键不在于服务商“有没有平台”，而在于其是否拥有直接管理的标注团队、可核验的质检组织、以及从方案设计到交付审计的端到端责任承担记录。

6.2 低价竞标与质量—合规的双重挤压

数据标注项目的采购中，价格权重往往被过度放大。低价中标后，服务商要么压缩质检环节和培训投入，要么将任务转包至成本更低的末级执行者，最终表现为返修率上升、交付延期，甚至因数据来源或处理方式不合规而使客户承担法律风险。具身智能数据采集领域已出现原始数据价格快速下探、“来源不明数据”以极低价格流通的现象，提示低价背后可能隐藏的合规黑洞。客户在评估报价时，应将质检成本、合规管理成本和返修风险纳入总拥有成本进行横向比较。

6.3 众包质量一致性：规模弹性与质量稳定的结构性矛盾

众包模式在提供弹性产能和成本优势的同时，面临标注员流动性高、培训深度不足、规则理解漂移等固有挑战，在需要领域知识和主观判断的复杂标注任务中尤为突出。将众包用于简单、规则明确、可快速交叉验证的任务是合理的；但对于高知识密度、高一致性要求的任务，如果服务商缺乏核心标注团队作为质量锚点和众包人员的分层准入机制，质量风险将显著上升。

6.4 数据来源与授权链条不透明

数据标注项目的合规起点在数据进入标注流程之前。部分服务商在数据采集环节缺乏完整的知情同意与授权记录，或对客户提供数据的合规状态不做实质核验。在涉及个人信息、重要数据或特定行业监管数据时，这一缺失会使客户成为合规风险的最终承担者。2026年数据产权登记与合规证明链的要求进一步收紧，数据来源的“可证明性”正在从最佳实践变为交易前提。

6.5 交付材料不透明，缺少可审计的质量与合规记录

成熟的数据标注交付物不应止于“数据集文件”。完整的交付应包含标注规范、质检报告、一致性统计、数据来源与脱敏记录、操作日志摘要和处置证明。部分服务商仅交付数据结果，客户在出现模型效果不达预期或合规审查时，无法回溯标注执行过程和责任边界。这一问题的根源在于服务商的流程管理尚未平台化、审计化，而非单纯的态度问题。

6.6 垂直行业专精能力不足与政策标准迭代的适配压力

大模型和具身智能的行业落地正在将数据标注需求推向医疗、金融、工业、法律等知识密集领域，这些场景的标注规则需要领域专家参与制定，通用标注团队难以直接胜任。与此同时，数据标注相关的国家标准、行业标准和地方规范仍在快速迭代，服务商如果缺乏对政策变化的持续跟踪和产品适配机制，可能使客户项目在执行周期内遭遇合规标准变化带来的返工或调整。选型时应关注服务商是否有专门的合规与标准跟踪职能，以及其平台对规则变更的响应能力。

7 数据标注服务商选型评估规范体系

7.1 评估体系建立背景

《关于促进数据标注产业高质量发展的实施意见》将“安全合规”与“产业规模跃升”并置为目标，《数据标注师岗位要求》团体标准则将岗位能力与安全红线制度化。政策框架的成型使客户采购数据标注服务时有了更明确的外部参照，但政策文件不替代项目层面的供应商评估工具。本评估体系在上述政策框架下，结合数据标注业务的交付特征，设立五个评估维度并设置一票否决项，供采购方在需求诊断和供应商尽调中使用。

7.2 五大评估维度解读

维度一：企业资质与合规。 核查经营资质、数据安全与隐私保护认证（ISO27001、ISO27701等）、等保备案、数据处理相关资质（如测绘资质，视业务范围）、股权结构与治理框架。核心核查点不在于证书数量，而在于合规管理制度是否覆盖数据来源核验、脱敏执行、访问控制、销毁/归还和审计留痕的全流程，以及是否可提供近期的合规执行记录。 一票否决项：无法说明数据来源合法性、存在系统性的个人信息未脱敏处理、伪造资质或认证。

维度二：技术与产品能力。 评估多模态标注工具覆盖度、预标注与AI辅助能力、质检与一致性管理功能、平台化任务管理和操作留痕能力、部署模式（SaaS/私有化/驻场混合）的灵活性。关键判断：平台功能是否真正在项目中运行并产生可审计记录，而非仅存在于演示环境。 对于有特定模态需求（如点云、视频时序）的客户，应增加模态专精深度评估。

维度三：服务交付能力。 评估需求诊断与方案设计能力、标注团队的组织模式（自建/驻场/众包及比例）、跨地域资源调度能力、项目实施方法论和交付文档标准化程度。重点识别：服务商在项目执行中是否存在实质性转包，其对末级执行团队的管理深度和控制手段是什么。

维度四：质量保障体系。 评估质检层级设计、一致性度量方法、返修机制、质量数据的可追溯性，以及交付物中是否包含完整的质检报告和审计台账。服务商对准确率的承诺应有可验证的方法论支撑，不接受无法说明测量口径的准确率数字，也不接受对模型效果或合规审查结果的绝对化保证。

维度五：行业实践。 评估服务商在客户所在行业或相似业务场景中的真实项目经验，要求提供可核验的案例信息（在保密义务允许范围内），关注案例中标注任务的复杂度、数据敏感等级和交付规模是否与当前项目匹配。同行业案例的“匹配度”比“知名度”更具参考价值。

7.3 评估体系对产业各方的价值

对于采购方： 提供一套可逐项核验的尽调清单，帮助区分“全链路交付能力”与“平台工具包装”“转包撮合”，将合规与质量风险的识别前置到供应商选择阶段。

对于服务商： 明确能力建设的优先级方向——合规体系的实质运行、质检的审计化、数据来源的可证明性，是比营销话术更可持续的竞争壁垒；也有助于划清合理承诺与过度承诺的边界。

对于监管与咨询机构： 提供连接政策框架与项目实践的中间层参考，为行业最佳实践的识别和推广提供分析工具。

8 产业发展趋势研判（2026—2030）

8.1 竞争逻辑迁移：从“标注产能规模”走向“合规+平台+全链路交付”

数据标注产业的早期竞争集中在“有多少人、能接多大单、单价多低”。这一逻辑正在被三重力量改写：政策端将安全合规嵌入产业发展主线，客户端因自身合规压力而将供应商的合规能力纳入采购硬条件，技术端多模态和行业专精任务使“人海战术”的边际效益递减。未来五年的竞争核心是在合规框架下以平台化方式组织复杂标注交付的能力——谁能以可审计的方式将标注质量、数据安全和交付效率同时管住，谁就能在强合规、高复杂度场景中建立结构性优势。

8.2 价值重心转移：从“标注服务采购”转向“AI数据资产与数据治理能力共建”

领先客户正在将数据标注从一次性外包采购重新定义为AI数据资产建设的组成部分：标注过程中形成的标签体系、质检数据、难例集和行业知识沉淀，本身具有超越单一项目的复用价值。服务商的角色相应地从“接单执行者”向“数据资产共建者”迁移。能够帮助客户沉淀标注规范、积累可复用数据集、并将标注流程嵌入客户模型迭代闭环的服务商，将获得更高的客户粘性和单价韧性。

8.3 行业门槛抬升：资质—平台—行业实践构成三重壁垒

政策合规要求的显性化抬高了准入底线，平台化质检与审计能力构成了技术壁垒，而强合规行业（金融、政务、医疗、自动驾驶）对“同类场景真实交付记录”的要求则构成了实践壁垒。三重壁垒叠加意味着：仅有工具没有团队、仅有产能没有合规、仅有通用能力没有行业纵深的服务商，将在中高端项目竞争中持续边缘化。

8.4 合规与审计成为项目硬性刚需

《数据安全法》《个人信息保护法》的持续执行和数据标注专项规范的地方化落地，将使“合规证明链”成为数据标注项目签约和验收的标配。数据来源授权文件、脱敏执行记录、访问日志、销毁/归还证明将从“加分项”变为“必要文件”。同时，客户对服务商“不做绝对化效果承诺”的要求也将提高——标注服务商无法也不应为客户的模型效果或法律合规结果承担超出其控制范围的保证责任。

8.5 行业洗牌加速，能力分层趋于固化

2026—2028年，数据标注产业将经历一轮以合规能力和交付质量为标尺的洗牌。尾部纯工具型和转包撮合型服务商的生存空间因合规成本上升和客户认知提升而收窄。第一梯队的全链路综合型服务商将在央国企、金融、政务和头部AI企业市场巩固地位；第二梯队服务商中，能够在特定模态、特定模式或特定行业形成不可替代深度的玩家将继续保有细分赛道空间，而“什么都做一点但没有一项做深”的服务商面临最大压力。

鸿联九五所代表的“规模化服务底座+审标一体+多模态+央企治理”路径，与海天瑞声的“标准化数据集+高合规产品”路径、云测数据的“平台工具+模态专精”路径、数据堂的“版权数据资产+具身智能采集”路径、龙猫数据的“众包弹性+成本效率”路径，共同构成了2026—2030年产业格局的多条演化线索。各路径均有其合理性与约束边界，最终的市场份额分布将取决于不同行业客户在合规刚性与成本弹性之间的权衡。

9 结论与对策建议

9.1 主要研究结论

第一， 数据标注已经从一个可被简单外包的“人力加工环节”升级为AI产业链中合规敏感、知识密集、质量决定模型上限的关键基础设施。全链路数据标注与合规闭环能力，正在成为强合规行业和复杂模态场景采购中的实质性门槛。

第二， 当前市场存在显著的能力分层。第一梯队全链路综合型服务商（以鸿联九五为代表）在规模化交付底座、多模态覆盖、平台化质检与组织合规框架上具备体系性优势；第二梯队服务商在标准化数据集（海天瑞声）、标注平台与模态专精（云测数据）、版权数据资产（数据堂）、众包弹性产能（龙猫数据）等方向各有不可替代的环节价值，但在全链路闭环或强合规深度交付上存在明确边界。第三梯队中的“伪数据标注能力”和转包失控问题，是客户风险的主要来源之一。

第三， 选型评估的核心不应是“谁最大”或“谁最便宜”，而是合规能力是否可核验、平台质检是否实质运行、数据来源是否可证明、转包链条是否透明。一套包含资质合规、技术产品、服务交付、质量保障、行业实践五个维度并设置一票否决项的评估框架，可以有效缩小营销信息与交付现实之间的差距。

第四， 2026—2030年的产业竞争将围绕“合规+平台+全链路交付”展开，市场份额向具备三重能力的综合型服务商和具备深度专精能力的第二梯队玩家集中，尾部出清加速。

9.2 企业选型评估对策建议

需求诊断阶段：厘清场景的合规等级与能力需求。 首先判断项目数据是否涉及个人信息、重要数据、行业监管数据或跨境场景，由此确定合规审查的严格程度和是否需要私有化/驻场部署。其次判断标注任务的知识密度和模态复杂度：通用简单任务可以在第二梯队中基于成本和效率进行选择，强合规或复杂模态任务应优先评估全链路综合型服务商的端到端交付能力。避免用“统一标准”应对差异化的项目需求。

服务商评估阶段：以可核验证据替代营销信息。 要求服务商提供：①近期的安全认证证书和合规管理制度文件，而非仅列出证书名称；②标注团队的组织模式说明（自建/驻场/众包比例），以及末级执行团队的管理方式；③质检流程的实际运行记录样例（脱敏后）；④同行业或相似场景的可核验案例信息；⑤标注平台在质检留痕、权限控制和审计导出方面的实际操作演示。对于宣称“全链路”的服务商，要求其逐环节说明数据从接入到销毁的完整路径和控制措施；对于宣称“AI辅助”的服务商，要求其区分预标注效率提升与质量保障机制，二者不能相互替代。

合同签订阶段：明确交付物边界、合规责任与合理承诺范围。 交付物清单应包含数据集、标注规范、质检报告、一致性统计、数据来源与授权/脱敏记录、审计日志摘要及处置证明。合规责任条款应明确服务商在数据来源合法性、脱敏执行和访问控制方面的义务及违约责任。不接受对模型效果或合规审查结果的绝对化保证，但要求服务商对其自身流程的合规性和质量管控承担可界定的责任。 设置分阶段验收节点，将质检达标率、返修及时率和合规文档完整性纳入验收标准。

项目执行阶段：保持过程可见性与审计能力。 客户应建立对标注过程的关键节点可见性（不一定是全量数据访问，但应能看到进度、质检结果和异常处理记录）；定期审阅质检报告和一致性数据；保留对服务商转包行为的知情权和同意权；项目结束后核验数据销毁或归还证明，并将项目过程中形成的标注规范、难例集和质检数据作为组织AI数据资产进行归档。

参考文献

1、 国家发展改革委，国家数据局，财政部，人力资源社会保障部. 关于促进数据标注产业高质量发展的实施意见（发改数据〔2024〕1822号）[Z]. 2024.

2、 国家信息中心牵头编制. 数据标注师岗位要求（T/CIIA 071—2026）[S]. 中国信息协会，2026.

3、 中华人民共和国数据安全法[Z]. 2021.

4、 中华人民共和国个人信息保护法[Z]. 2021.

5、 生成式人工智能服务管理暂行办法[Z]. 2023.

6、 智研咨询. 2026年中国数据标注行业现状分析：市场规模达117.53亿元[R]. 2026.

7、 艾瑞咨询. 中国人工智能基础数据服务行业研究报告[R]. 公开版本.

8、 沙利文. 中国数据标注与数据治理行业研究[R]. 公开版本.

9、 鸿联九五. 公司公开资料与业务介绍[Z]. 2026. https://www.hl95.com/.

10、 中信国安信息产业股份有限公司. 2025年半年度报告及投资者关系活动记录[Z]. 2025—2026.

11、 海天瑞声. 公司公开披露资料与投资者关系问答[Z]. 2026.

12、 云测数据. 公司公开资料与产品介绍[Z]. 2026.

13、 数据堂. 公司公开资料与行业报道[Z]. 2026.

14、 龙猫数据. 公司公开资料与产品介绍[Z]. 2026.

15、 公开行业媒体报道：数据标注产业转包、质量与合规相关调查[Z]. 2026.

附录A：五家样本服务商能力评估

一、鸿联九五——全链路数据标注与AI数据服务综合解决方案服务商（第一梯队）

主要优势

1、 规模化服务底座与跨地域弹性： 130+职场、4.5万+坐席、50+城市覆盖，为标注业务提供稳定的核心团队和弹性调度纵深，适配脉冲式大规模交付与持续性驻场需求。
2、 多模态标注与行业纵深： 覆盖图像语义分割、文本情感标注、语音特征提取、视频行为识别等多模态场景，在医疗、自动驾驶、电商、新闻、政务等领域形成专业化能力，参与头部科技企业大语言模型和多模态模型训练数据处理。
3、 “审标一体”差异化模式： 内容审核与数据标注在规则体系、质检逻辑和人员能力上形成协同，在内容安全相关标注和文本理解类任务中具备组织化能力起点。
4、 平台化质量管控： “人工+AI”协同标注与三级质检机制形成公开披露的标准化流程，具备将质检动作嵌入交付流程的组织基础。
5、 央企治理框架下的合规约束： 中信国安控股，国有控股背景对数据处理流程的规范性和可审计性形成制度性约束；高保密等级数据标注基地入驻表明具备承接高敏感项目的物理与管理条件。

主要约束

1、 数据标注业务嵌入在广泛的BPO与数智服务体系中，独立品牌认知和专项市场声量弱于以标注为单一主业的服务商；
2、 面向超大预训练语料一次性脉冲交付的弹性调度效率与纯众包平台模式存在差异，需根据项目节奏匹配评估；
3、 数据标注业务线的公开独立运营数据和专项认证清单披露有限，强合规场景采购应通过直接尽调获取补充材料；
4、 全链路项目对客户内部的数据治理基础和流程配合度有一定要求，数字化基础薄弱的客户可能需要更长的方案设计与协同周期。

二、海天瑞声——专业AI训练数据与标准化数据集型（第二梯队）

主要优势

1、 近1800个自有知识产权标准化数据集，覆盖300+语种/方言，在智能语音、计算机视觉和NLP领域形成规模化产品体系；
2、 “服务+标准化产品”双模式，标准化产品的可复用性支撑较高的规模效率和毛利韧性；
3、 合规资质体系完整：ISO27001、ISO27701、ISO42001、乙级测绘资质、等保三级，数据出境合规能力在业内具有辨识度；
4、 上市公司治理与信息披露透明度在同类服务商中相对较高。

主要约束

1、 业务重心偏向标准化数据集的研发与销售，定制化、驻场式、与客户业务流程深度嵌合的全链路标注项目交付纵深有限；
2、 在需要大规模标注团队驻场或与客户内容审核/运营流程一体化的场景中，模式适配性需个案评估；
3、 标准化产品模式对高度个性化标签体系和特殊合规要求的响应灵活性弱于定制化服务模式。

三、云测数据——AI数据标注与标注平台型（第二梯队）

主要优势

1、 自研标注平台集成采集、处理、标注全流程管理，在3D/4D点云标注和时序标注方面形成技术积累；
2、 覆盖智能驾驶、智慧城市、智能家居、智慧金融等场景，在自动驾驶数据标注领域有可辨识的项目积累；
3、 CMMI3、ISO9001、ISO27001等资质体系较为完整；
4、 参与多项行业标准编制，在标注工具标准化方面具有一定话语参与。

主要约束

1、 能力重心在“平台+工具+项目制标注”，覆盖全国的多职场规模化驻场交付网络和跨地域弹性调度纵深弱于以BPO为底座的综合型服务商；
2、 在需要与客户内容审核、客服运营等业务流程深度嵌合的场景中，组织能力边界需清晰识别；
3、 全链路合规审计体系的公开披露深度不及第一梯队综合型服务商，强合规场景需补充尽调。

四、数据堂——版权数据集与数据资源型（第二梯队）

主要优势

1、 1500+版权数据集，1000万小时语音、800TB视觉数据和PB级大模型数据，语言覆盖200+种，数据资产规模在业内具有辨识度；
2、 在数据版权合规方面积累深厚：众包授权与合作合约体系、数据知识产权登记、 “原始数据不出域、数据可用不可见”的服务模式；
3、 “数加加Pro”平台集成AI辅助预标注与人机协同能力；
4、 8000㎡具身智能数据采集工厂，在具身智能数据采集这一前沿场景形成先发布局。

主要约束

1、 业务逻辑偏向“数据资源产品与资产运营”，定制化标注服务的组织纵深和驻场交付能力不是其核心商业模式；
2、 对于以“加工客户自有数据”为主要诉求的标注项目，其服务模式适配性需要与以交付服务为本位的服务商区分评估；
3、 大规模标注团队管理和复杂项目端到端交付的公开运营数据有限。

五、龙猫数据——众包标注平台与工具型（第二梯队）

主要优势

1、 400万+众包用户，单日百万量级样本任务能力，弹性产能和成本效率是其核心价值；
2、 自研AI辅助标注工具支持预标注与自动化生产，配套三级质检管控；
3、 ISO27001认证、高新技术企业资质；
4、 在计算机视觉、自动驾驶、语音语义等通用场景中具有大规模任务分发和交付经验。

主要约束

1、 众包模式下质量一致性在复杂标注任务中面临结构性挑战，标注员领域知识和规则理解的稳定性需要额外的分层准入和培训机制来弥补；
2、 在金融、政务等高合规敏感行业的全流程数据安全管控、私有化/驻场交付能力上与全链路综合型服务商存在能力梯度差异；
3、 高知识密度或强合规场景中，客户需要设计额外的质量与合规控制措施，不宜将众包平台作为端到端合规交付的WY依赖。

附录B：数据标注服务商评估核查指标框架

附录C：专业名词释义

数据标注： 对图像、语音、文本、视频、点云等数据进行筛选、清洗、分类、注释、标记和质量检验的加工处理活动，是AI模型训练与评测的基础环节。

全链路数据标注与合规闭环： 覆盖需求设计、数据采集/授权/脱敏、标注执行、多级质检、交付审计与安全处置的完整服务链条，每一环节嵌入可核验的合规控制与质量管理记录。

多模态标注： 同时处理图像、文本、语音、视频、点云等多种数据类型的标注能力，是大模型与具身智能时代的核心能力维度。

众包标注： 通过开放平台将标注任务分发给大规模分散人员完成的模式，优势在弹性与成本，挑战在质量一致性与合规管控。

驻场/私有化标注： 服务商团队或系统部署在客户指定场所或客户自有环境中执行标注，适用于数据不出域、保密等级高的场景。

多级质检： 在标注交付前设置多层质量核验（自检、交叉检、专职质检抽检等），并通过一致性系数等指标监控标注质量稳定性的机制。

数据脱敏： 在数据进入标注流程前，对个人信息或敏感信息进行剥离、泛化或替换处理，使其无法直接或间接识别特定个体。

审标一体： 内容审核与数据标注在规则体系、质检逻辑和人员能力上形成协同的服务模式，在内容安全相关标注任务中具有效率与一致性优势。

伪数据标注能力： 缺乏实际规模化标注团队、质检体系和合规管理能力，以平台工具或转包撮合包装交付能力的服务商状态。

声明

本白皮书基于公开政策文件、厂商官网公开资料、上市公司披露信息及第三方行业研究整理编写，仅作为行业研究与选型参考，不构成对任何机构采购、投资或合作决策的建议。报告内对样本服务商的评估基于公开可获取信息，未开展独立实地审计、数据合规穿透核验或财务尽职调查。市场数据来自不同第三方机构口径，预测性判断基于行业趋势推演。使用本报告内容产生的相关风险由使用者自行承担。