El papel crítico del desarrollo urbano de alta calidad y el uso científico del suelo en la utilización de grandes datos para la mejora de la calidad del aire es primordial. La aplicación del aprendizaje automático para inferencias causales en investigaciones relacionadas con el desarrollo de grandes datos y la contaminación del aire presenta un potencial considerable. Este estudio emplea un modelo de aprendizaje automático doble para explorar el impacto del desarrollo de grandes datos en la concentración de PM2.5 en 277 ciudades a nivel de prefectura en China. Este análisis se basa en el experimento cuasi-natural denominado Zona Piloto Nacional de Grandes Datos. Los hallazgos revelan una relación inversa significativa entre el desarrollo de grandes datos y los niveles de PM2.5, con un coeficiente de correlación de -0.0149, un resultado consistentemente respaldado por diversas pruebas de robustez. Además, los análisis de mecanismos elucidan que el desarrollo de grandes datos disminuye notablemente los niveles de PM2.5 a través de las vías de un desarrollo urbano mejorado y la planificación del uso del suelo. El examen de la heterogeneidad subraya el efecto represivo de los grandes datos sobre los niveles de PM2.5 en las regiones central, oriental y occidental, así como en ciudades dependientes y no dependientes de recursos, aunque con diferentes grados de significancia. Este estudio ofrece recomendaciones de políticas para la formulación y ejecución de políticas de grandes datos, enfatizando la importancia de reconocer las variaciones locales y las matices estructurales de las economías urbanas.