数据治理没做完,AI能上吗

来源:ENI经济和信息化网 链接:查看
0 评论 216 浏览 0 收藏

"全集团主数据一物多码还没解决,上 AI 是沙子上盖楼。""等治理做完,窗口早关了。"这两句话在同一间会议室

"全集团主数据一物多码还没解决,上 AI 是沙子上盖楼。"

"等治理做完,窗口早关了。"

这两句话在同一间会议室里对峙了一整个下午。两边都没说错,但两边说的不是同一件事。

先把两个问题分开

一家集团,数据治理专项做到第三年,二期验收卡在跨板块指标口径上。信息化口想上「设备检修知识库」,让一线班组用自然语言查历史工单和检修规程。治理办的反对意见很硬:主数据没统一、口径没收敛、Owner 只落到了部门没落到人,这时候上 AI,等于给混乱装了个扩音器。

项目被压了十一个月。十一个月里,主数据一致率确实从六成提到了九成,但检修知识库没上线,一线班组还在用微信群里翻三年前的 PDF。

同一时期,另一个只做「备件手册问答」的小组,圈了六百多份手册,只补了两件事:每份手册标唯一版本、每个条目标一个能回答问题的人。六周上线,答错了能一键退回人工,不做任何自动写回。半年后复盘,反倒是这个小组把手册里三十多处过期条目倒逼修订了——因为每一个错答都会带着出处被摆到业务面前。

这件事让我意识到,行业里一句常被挂在嘴边的话,把两类完全不同的问题搅在了一起:

A 类:用 AI 去做数据治理。 智能打标、自动血缘、自动定 Owner、自动定口径。我此前写过一篇文章讲为什么企业不愿意这么干,态度偏保守——责任不可让渡,模型给的建议不能替人签字。

B 类:在治理没做完的企业里建 AI 应用。 知识库、智能问数、辅助审核、台账助手。这是本文要回答的问题。

把 A 类的谨慎原封不动套到 B 类上,是很多企业白白误掉窗口的原因。治理办说「沙子上盖楼」时,脑子里想的是全集团、全量数据、全场景;而 AI 项目真正要落地的,往往只是六百份手册、一个班组、一个能回滚的动作。

我的答案:可以开展,而且不该等。但「全面」这两个字,从一开始就把问题问错了。

真正该问的不是「治理做完了没有」,而是三个更窄的问题:哪个场景、碰哪批数据、答错了收不收得回来。

那份被误读的预测

反对先上 AI 的人,最爱引一个数字:Gartner 预测「到 2026 年,60% 的 AI 项目会因为数据没准备好而被放弃」。听上去,这就是「先治理、后 AI」最硬的证据。

我特意去翻了原文。Gartner 2025 年 2 月 26 日的新闻稿,原话是「through 2026, organizations will abandon 60% of AI projects unsupported by AI-ready data」。同一份材料里还有两个数:63% 的组织没有、或不确定自己是否具备适配 AI 的数据管理实践;以及分析师 Roxane Edjlali 的一句关键提醒——「AI-ready data 不是一次性交付(not one and done),它是一项实践,数据管理基础设施要随现有和即将到来的 AI 用例持续改进。」

再看 Gartner 给出的五步,第一步是「Align data to AI use cases」:把数据对齐到 AI 用例;最后一步是「数据有问题,就不算 ready」。

从头到尾,它说的是按用例对齐、持续迭代,不是「等全集团治理验收通过」。从「面向具体用例的数据就绪」滑到「全面数据治理完工」,是一次典型的口径漂移。前者可以在六周内对一个场景做完并验证,后者按定义就没有终点。

政策口径更直白。2026 年 6 月 3 日,国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》(国数科基〔2026〕25 号),基本原则十六个字:需求牵引、急用先行、应用验证、安全保障;总体要求写的是「推动行业高质量数据集建设推广与『人工智能+』同频共振、互促共进」,并要形成「场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值」的数据飞轮。「应用赋能行动」里还有六个字:以用促建、以建促用。

「急用先行」「应用验证」「互促共进」「以用促建」——没有任何一处要求先做完一轮全面治理再启动 AI。政策设计的是并行咬合的飞轮,不是串行过关的闸门。

所以,把「先治理完再上 AI」当成纪律,既不是国际研究的原意,也不是国内政策的要求。它更像是组织内部一种最安全的表态:说「再等等」,永远不会因为这句话被追责。

下面四条,是我用来替代那句表态的判断依据。

第一定律:无完工日定律

表述:全面数据治理没有完工日;把一个不会到达的状态设为开工前提,等于给 AI 建设设了一个永不满足的启动条件。

机制:治理的对象本身在变。业务在变、组织在变、系统在变、监管口径在变。今天统一了的物料编码,明年并购一家子公司就要重新映射;今天收敛了的三套指标口径,下个季度新增一条业务线又会长出第四套。

国家标准也这么定义。GB/T 36073—2018《数据管理能力成熟度评估模型》(DCMM)把能力成熟度分成五级:初始级、受管理级、稳健级、量化管理级、优化级,覆盖数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期八个能力域、二十八个能力项。中国软件评测中心对这套模型的解读有一句很关键:成熟度是「逐步递增、逐步升级、逐步成长的过程,需要组织不断进行调整优化」。

请注意,这是等级,不是验收结论。五级叫「优化级」,特征是持续优化、行业分享最佳实践——一个永远不会宣布完工的等级。所以「治理做完了」这句话,在标准语言里根本不存在;能存在的只有「达到几级」「哪个能力域达标」「哪个场景的数据就绪了」。

推论一:凡是以「全面治理完成」为前置条件的项目计划,实际交付物是一份无限期延后。 判断方法很省事——让治理办写出「全面治理完成」的可验收条款。写不出来,或者写出来其实是「通过 DCMM 三级」这类等级描述,就证明这个前提是个伪条件。等级可以做目标,不能做闸门。

推论二:治理预算不该按「专项结束」编,该按「场景交付」编。 一次性做完一轮全量治理,验收那天就是衰减起点;跟着 AI 场景走,每一次交付都有明确的受益方和验收人。

可证伪的指标:治理需求清单季度变更率。 把本季度新增、变更、作废的治理需求条数,除以季度初的清单总条数。这个数只要长期大于零,就说明治理对象是活的,「全面完工」在数学上不成立。再配一个数:过去四个季度里,因业务变化被推翻的既有标准条数。这两个数都不用新平台,翻一下标准台账就能算。

金句:把「全面治理完成」写进项目前置条件,翻译过来就是「本项目不启动」。

第二定律:场景定界定律

表述:不是先治理全量数据再找场景,而是场景反向定义需要治理的最小数据集;治理边界由 AI 要读的那批数据划定,不由目录的规模划定。

机制:一个 AI 场景真正触达的数据,通常只是全量目录里极窄的一条。备件手册问答只读六百份文档;合同审查助手只读合同正文和几个关键字段;班组问答只读历史工单。它们不需要全集团主数据统一,也不需要三万项资产全部补齐 Owner——它们只需要自己会读到的那批数据做到唯一版本、唯一口径、唯一责任人、能定位到原件。

这正是 Gartner 五步里第一步「把数据对齐到用例」的意思,也是 25 号文「需求牵引、急用先行」的意思。把全量目录改造完再开工,是把成本花在了模型根本不会读的数据上。

这里有个很容易被忽略的收益:场景一旦选定,治理第一次有了可验收的甲方。 过去治理办推「补齐元数据」,业务部门觉得是额外负担;现在知识库答错了,业务自己会来问「这答案出自哪一版」。同一个字段,从治理办求着填,变成业务方催着填。

推论一:立项材料里必须有一张「场景数据清单」,而不是一份全量资产目录。 清单要写清:读哪些表/文档、哪些字段、时间范围、更新频率、由谁签字确认。一页纸列不下,说明范围选大了。

推论二:治理投入按场景数据占比分配。 一个只覆盖全量目录百分之几的场景,不该等全量目录完工;该做的是把这百分之几的字段做到可追溯,剩下的照常排队。

可证伪的指标:场景依赖字段可追溯率。 从场景里随机抽 50 条模型实际用到的数据,逐条回溯四件事:能不能定位到唯一原件、能不能精确到版本、能不能查到该字段的口径定义、能不能找到能拍板的人。四项全答得出的计入分子。这个测一次半天,比任何成熟度自评都真实。低于 90%,不要开这个场景——注意,是不要开这个场景,不是不要开 AI 建设。

顺带一个常踩的坑:清单里最容易漏的是「不进模型但会受影响」的那部分,比如权限表、组织架构表。它们不产生答案,却决定谁能看到答案。清单要把它们单列一行。

金句:治理不需要覆盖全量数据,只需要覆盖模型真会读到的那批。

第三定律:可逆性分档定律

表述:治理深度不是「有」或「没有」,而是由 AI 输出错误后的可回滚程度决定;可逆的场景可以边跑边治,不可逆的场景必须先治理到位。

机制:所有「先治理再 AI」的警告,真正在警告的其实是错误代价。但错误代价在不同场景里差着几个数量级:知识库答错一条规程,用户看一眼出处就能发现,删掉重来即可;智能问数给错一个经营指标,可能被截图带进经营会;自动审批、自动报送、自动控制生产参数,一旦写回业务系统,回滚要跨多个系统、留痕要接受审计,甚至根本没有回滚路径。

所以正确的分档依据不是「治理成熟度几级」,而是三个具体问题:输出会不会写回生产系统?写回后 30 分钟内能不能完整回滚?回滚后有没有残留(缓存、日志、下游副本、别人的截图)?

推论一:一档场景应该尽早开、快速开。 它成本最低、可逆性最好,而且能顺带把治理问题暴露出来。把它也压在「全面治理完成」后面,是纯粹的浪费。

推论二:不要把试点当例外通道。 最常见的失控路径是:三档场景挂上「创新试点」的名头,先跑起来再说,等出了事再补治理。判断标准只有一个——看它写不写回、能不能回滚,跟叫不叫试点无关。

可证伪的指标:错误完全回滚耗时与残留数。 上线前做一次真实演练:人为制造一条错误输出,记录从发现到完全撤回的分钟数,以及残留位置数(缓存、向量库、日志、下游系统、导出文件)。测不出来、或残留数大于零,这个场景就该降档或停工。这个演练比十次评审会管用,而且天然会把业务、平台、合规拉到同一张桌上。

金句:能不能先上 AI,不取决于治理做了多少,取决于答错了收不收得回来。

第四定律:问题定价定律

表述:治理专项给数据问题定的是「严重程度」,AI 场景给数据问题定的是「业务代价」;后者更容易推动闭环,所以 AI 不是治理的债主,是治理的探针。

机制:治理专项里,一个问题通常长这样——「某字段缺口径定义,风险等级中,建议本季度整改」。它排在待办清单里,没人着急。上了智能问数之后,同一个问题长这样——「同一个『在途金额』,三个板块查出三个数,昨天经营会被拦下来了,今天要一个说法」。问题还是那个问题,但它第一次有了时间、有了金额、有了在场的人。

25 号文在「提质增效行动」里要求完善「数据质量验证 + 模型应用反馈」的测评方法,在「应用赋能行动」里要求「充分利用模型应用产生的动态交互数据,驱动行业模型能力持续提升」。这背后的逻辑正是:模型的调用日志和错误反馈,是一套比人工巡检密度高得多的质量信号。前面那个备件手册小组半年倒逼修订三十多处过期条目,靠的不是治理办的督办单,是每一次带着出处的错答。

推论一:AI 项目的问题单要和治理办共用一张,不许另起炉灶。 另起炉灶的结果一定是:AI 组把问题绕过去(改提示词、加白名单、写死规则),治理侧永远不知道底下烂在哪,等场景扩到第二个,同样的问题再爆一次。

推论二:把「场景发现的问题闭环率」写进 AI 项目的验收,而不是只写准确率。 只考核准确率,团队会本能地回避脏数据、缩小场景;加上闭环率,才有动力把问题交回治理链条。

可证伪的指标:场景驱动的问题闭环周期。 统计 AI 场景上线后 90 天内,由模型错答、检索命中异常、用户纠错所暴露的数据问题,从登记到 Owner 确认、口径定稿、数据修复的平均天数,以及同期治理专项同类问题的平均天数。两个数放一起比。前者明显更短,说明飞轮转起来了;前者更长甚至无人认领,说明 AI 组在独自兜底,这时候该停一停,先把责任链条接上。

再配一个更直观的数:被模型引用后才发现「口径有争议」的指标个数。这个数在第一个月通常最难看,别修饰,它就是后面所有汇报的起点。

金句:治理专项告诉你哪里有病,AI 场景告诉你这病一天赔多少钱。

开工前六问:一张能直接拿进评审会的清单

六问里只要有一个答不上来,不要否决整个 AI 建设,只要把这个场景降档或者缩小范围。这是清单最重要的用法:它把「上不上」这个非黑即白的问题,拆成了「哪个场景、以什么护栏上」。

90 天怎么把两条线咬上

前提还是那句:只选一个一档场景。全集团一次性铺开的做法,我没见过跑通的。

•第 1 到 2 周,定场景、定回滚。 用六问过一遍,写出「如果答错会怎样」的一页纸,同时定好回滚方案和演练方式。治理侧同期只做一件事:拉出这个场景的数据清单,不做全量目录。

•第 3 到 4 周,测基线。 抽 50 条算一次场景依赖字段可追溯率;做一次错误输出回滚演练,记下耗时和残留。第一次的数字通常很难看,别修饰,它决定这个场景能不能开、要不要降档。

•第 5 到 8 周,双线并行。 AI 侧开发、灰度;治理侧只补清单内数据的版本、口径、Owner、授权四项,在入库口加一条硬校验——这几项为空不许进向量库。两边共用一张问题单,每周过一次。Excel 加人工审核也行,别等平台。

•第 9 到 12 周,演练、出数、定下一步。 完整跑一次回滚,上第一版调用与错误看板,出三个数:可追溯率、回滚耗时、场景驱动的问题闭环周期。然后才决定是扩第二个场景,还是先回去补治理。

验收就三条:

1. 50 条抽检的可追溯率有基线数字,且达到开工线

2. 完成过一次真实回滚演练,有耗时和残留记录

3. AI 暴露的数据问题进了治理办的问题单,有明确的 Owner 和闭环时限

三条都过了,才谈推广。少一条,别扩场景。

三条硬红线:这些情况下,不许「边跑边治」

前面说「可以不等」,但这句话有明确边界。以下三种,先治理到位,没有例外:

•数据要进微调或训练权重。 向量库里的切片能删,评测集能重建,一旦进了权重,"撤回"在技术上没有可靠、可验证的工程解,只剩重训这一条昂贵路径。所以权属、授权用途、有效期必须在入库前审清,不能靠事后清除。

•输出直接驱动不可逆动作。 自动放款、自动报送、生产参数下发、对外正式答复。这类场景认的是签字,不是生成,且回滚成本高到不能拿「试点」当挡箭牌。

•涉及个人信息、涉密数据、跨境与对外报送。 合规是外部底线,不是可以通过护栏设计绕过去的内部管理问题。这一条不替法务判断,交由合规流程裁定。

红线之外,也别把「先上」理解成「不用治」。准确的说法是:治理从「开工前的闸门」改成「与场景同步交付的工件」。它有交付物、有验收人、有问题单,只是不再排在所有 AI 工作前面。

不承诺什么

• 不承诺「治理不重要」或「可以先上 AI、以后再补治理」。本文主张改的是顺序和颗粒度,不是取消治理;没有场景数据清单、没有回滚演练就上线,一样会翻车。

• 不承诺所有 AI 场景都能在治理未完成时开工。三档场景和三条红线必须先到位,这一条不接受「先跑起来再说」的安慰。

• 不承诺文中的比例、阈值、天数、条数可以直接照抄。90%、50 条、30 分钟、90 天、六周都是示例口径,要在自己的基线上重新校准;那家集团的案例数值经过脱敏与合并,不代表任何具体企业。

• 不承诺一套六问清单能替代合规审查、安全评估与法务判断。它只是管理卡点,不是合规结论。

• 不承诺 AI 一定能让治理变快。如果问题单不共用、Owner 不到人,AI 只会把问题暴露得更快、兜底得更累,飞轮转不起来。

• 不替企业决定组织归属与考核方式。谁签字、谁背指标,是组织权力,不是方法论能给的答案。

给老板的一段话

"我们不主张等全面数据治理做完再启动 AI——DCMM 是五个持续演进的等级,没有『完工』这一档;Gartner 说的是按用例对齐的就绪数据,国家数据局 25 号文的原则是急用先行、以用促建、互促共进。接下来不铺全集团,只选一个答错了能完整回滚的知识库场景,先列一页纸的数据清单,把六百份文档的版本、口径、责任人补齐,测一次可追溯率和回滚耗时,90 天出三个数。自动审批、对外报送、进训练权重这三类,等治理到位再动。这条路比全量盘一遍省钱,也比压着不动少误一个窗口期。"

最后

"治理没做完,AI 能不能上",这个问题问了三年,其实一直没人定义「做完」。

定义一个不存在的状态,然后等它,是最省力也最安全的选择。谁都不用为「再等等」负责。

换一个问题,事情就具体了:这个场景读哪批数据?谁对口径拍板?答错了多久能收回来? 三个问题都能当场答上来,就可以开工;有一个答不上来,就缩小范围,而不是否决方向。

治理和 AI 从来不是先后两道工序。它们更像两根咬在一起的齿轮:场景给治理划出边界、定出价格,治理给场景托住底线、留出退路。

先转起来的那一根,不必是大的那根。

收藏 0评论 0
评论
  1. 暂时没有评论,来说点什么吧