AI+时代的数据治理-企业级AI可靠落地的基础与路径_第1页
AI+时代的数据治理-企业级AI可靠落地的基础与路径_第2页
AI+时代的数据治理-企业级AI可靠落地的基础与路径_第3页
AI+时代的数据治理-企业级AI可靠落地的基础与路径_第4页
AI+时代的数据治理-企业级AI可靠落地的基础与路径_第5页
已阅读5页,还剩43页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

拓尔思TRS股票代码:300229AI时代的数据治理——企业级AI可靠落地的基础与路径拓尔思信息技术股份有限公司2026年11月AI时代的数据治理:企业级AI可靠落地的基础与路径2目录一、重新定义数据治理:从“把数据管好”走向“让AI正确地使用数据”…5数据治理不是数据标注,标注只是其中一个环节 5数据治理不等于高质量、高价值数据集 6数据不开放,不意味着数据不需要治理 8AI时代的数据治理目标发生了根本变化 9二、重新理解数据中台:为什么需要提出“数据治理平台” 10数据中台曾经解决了真实问题,但没有自动解决数据价值问题 10数据治理平台不是数据中台改名,而是建设目标和运行机制的变化…12为什么现在要讲数据治理平台 13三、什么是好的数据治理平台:从工具集合走向企业级治理控制中枢……14好的数据治理平台,必须回答五个根本问题 15数据治理平台的内涵:五大核心管理能力与九大核心工程能力 16数据治理平台的外延:不只是技术平台 18四、动态本体:从“数据结构统一”走向“业务世界可被机器理解” 19大模型与数据治理的双向关系 19为什么动态本体可能成为AI时代数据治理的关键技术机制 21动态本体与其他技术的关系 22为什么必须强调“动态” 23动态本体如何成为治理与AI应用之间的桥梁 24五、数据治理与智能体:治理是一套体系,平台是控制基础,智能体是执行力量

25数据治理是不是一系列智能体? 25建立“制度-平台-治理智能体-业务智能体”协同体系 26治理智能体应该承担哪些任务 27从“AI治理数据”走向“治理AI用数” 28从“治理AI用数”走向“AI原生数据治理” 29AI时代的数据治理:企业级AI可靠落地的基础与路径3六、制度与流程:数据治理首先是企业管理问题,其次才是技术问题……30数据问题往往不是在数据平台里产生的 30建立五项基础制度 31建立九步治理流程 32从制度到技术,必须建立可执行的映射 33数据治理应当形成持续运营机制 34七、最新政策释放了什么信号:数据建设正在与AI应用深度融合 35从“拥有数据”走向“数据能够支撑AI” 36从“单次加工”走向“全生命周期治理” 36从“重数据标准”走向“重业务语义与应用验证” 36从“数据可用”走向“安全、可控地使用” 37从“建设项目”走向“场景牵引和持续改进” 37政策要求与企业平台能力如何衔接 37八、数据治理平台与数力、语义能力与智能行动的关系 38数力不是数据资源规模,而是让数据成为生产力的能力 38数据治理平台在数力体系中的位置 39数据治理平台不是数力的全部,但应当成为数力的基础性平台 41面向企业的数据治理产品定位建议 42建设与落地模式也需要随之转变 44九、如何建设:从单一场景试点走向企业级治理体系 44十、结论:AI时代的数据治理,是企业智能能力的基础工程 47AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS4引言:AI时代,企业真正缺少的可能不是数据,而是把数据转

化为智能的能力过去十多年,企业信息化建设积累了大量业务系统、数据库、文

档资料、知识资产和行业经验。但进入大模型与智能体时代,一个日

益突出的矛盾正在显现:企业拥有的数据越来越多,能够被AI正确

理解、可靠使用并持续转化为业务价值的数据,却并没有同步增长。这并不只是数据质量问题。企业数据可能散落在不同系统和部门,

使用不同的业务口径;可能以合同、报告、图纸、邮件、音视频等非

结构化形式存在;可能依赖专家经验才能理解;可能随着政策、组织、

业务流程和产品规则的变化而失去原有含义;也可能因为权限、隐私、

商业秘密和安全要求,不能简单汇聚或开放给外部模型。因此,企业部署大模型后,即使模型能力足够强,也可能因为数

据上下文不完整、业务语义不清、知识关系缺失、数据权限不明确、

结果无法验证而难以进入核心业务流程。问题的本质在于:数据的存在,不等于数据能够被理解;数据能

够被访问,不等于数据能够被正确使用;模型能够回答问题,也不等

于AI能够可靠地完成业务任务。2026年,国家数据局印发的《关于推进行业高质量数据集建设

行动的实施方案》,进一步将行业数据供给、质量提升、应用赋能、

全生命周期管理和价值释放结合起来,并明确提出加强知识库、知识

图谱、本体以及面向复杂任务规划、推理和决策执行的数据建设。政

策所呈现的方向,是让数据建设与人工智能应用协同演进,而不只是

建设孤立的数据资源。这要求我们重新认识数据治理。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS5AI时代的数据治理,不应再被狭义地理解为数据清洗、字段标

准化或人工标注,而应成为连接企业数据、业务语义、行业知识、

AI模型、智能体与业务流程的基础性能力体系。数据治理平台也不应只是传统数据管理工具的重新命名,而应当

成为企业持续发现、理解、校验、授权、组织和使用数据的治理控制

平台。从行业实践来看,这一方向与“数力”战略具有内在一致性:数

据治理平台负责为数据建立可信、清晰、可执行的基础,以动态本体

和知识图谱帮助机器理解业务世界,治理智能体提升治理自动化水平,

业务智能体在授权和规则约束下执行任务,最终将数据资源转化为可

持续创造价值的智能能力。一、重新定义数据治理:从“把数据管好”走向“让AI正确地使用

数据”数据治理不是数据标注,标注只是其中一个环节数据标注,是为数据增加标签、类别、实体、关系、答案、偏好

或其他监督信息,帮助模型学习、识别、推理和评测。它对于特定模

型训练和高质量数据集建设十分重要,但不能代表数据治理的全部。企业级数据治理涉及的问题更为广泛:数据从哪里来?来源是否合法、授权是否充分、采集是否符合

业务目的。数据究竟意味着什么?同一个字段、指标、业务对象在不同系

统中是否具有一致的定义。AI时代的数据治理:企业级AI可靠落地的基础与路径6数据是否可信?是否完整、准确、一致、及时,是否存在重复、

冲突、过期和异常。数据之间有什么关系?业务对象、事件、流程、规则和结果之

间能否建立可解释的关联。数据能否被AI使用?模型和智能体是否理解数据的含义、上

下文、适用范围和限制条件。数据可以怎样使用?谁能访问、能执行什么操作,是否允许用

于训练、推理、共享或对外输出。数据发生变化后怎么办?业务规则、语义定义、数据来源或权

限变化时,哪些模型、知识库和应用需要同步更新。数据是否真正产生价值?治理工作是否改善了AI准确性、任

务成功率、业务效率和风险控制。数据标注主要解决其中部分“数据如何表达、模型如何学习”的

问题,而数据治理还要解决数据的来源、质量、语义、责任、权限、

生命周期和使用效果等问题。国家数据局有关数据治理标准的专家解读,也将数据治理概括为

提升数据质量、安全性和合规性、推动数据有效利用的过程,并特别

指出,面向人工智能的结构化数据治理需要关注业务语义与逻辑关系,

非结构化数据则需要更加系统的数据准备与预处理。以高质量数据治

理标准促进高质量数据资源流通利用。所以,数据治理不能被等同于标注项目,也不能仅凭标注数量、

清洗数据量或数据集规模衡量其成效。数据治理不等于高质量、高价值数据集AI时代的数据治理:企业级AI可靠落地的基础与路径7高质量数据集与数据治理密切相关,但二者处于不同层次。高质量数据集是一种经过采集、加工、筛选、标注、质检和评测,

能够服务特定模型训练、测评或应用任务的数据集合。它通常围绕明

确的目标和场景建设,是数据治理的一类重要产出。数据治理则是一套持续运转的机制,负责让数据在整个生命周期

中保持可理解、可验证、可控和可用,并支撑数据集不断更新。二者的区别可以概括为:比较维度高质量数据集数据治理核心定位面向特定任务的数据供给

成果面向企业数据全生命周期管理与能力

体系主要对象特定语料、样本、训练数

据、评测数据等结构化与非结构化数据、元数据、业务

语义、知识关系、权限、派生数据等典型目标满足特定模型或应用的数

据要求使数据长期可信、可理解、可控并持续

创造价值时间特征可以是阶段性建设成果,

也可以持续更新持续运行、持续监测、持续改进评价方式数据质量、任务适配性、

模型效果等数据质量、语义一致性、合规性、可追

溯性、AI应用效果及治理成本等表1一个企业可以建设多个高质量数据集,却仍然缺乏完善的数据治

理体系。例如,同一客户在多个系统中的身份可能不一致,重要业务

术语没有统一定义,数据更新后旧知识仍被模型检索,或者AI应用

能够读取敏感数据却缺少有效的授权控制。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS8反过来,一个企业也不必把所有数据都制作成公开数据集,才能

开展数据治理。企业可以在数据不出域的情况下,对内网数据库、业

务文档、行业知识和专有流程进行治理,让数据在授权边界内服务模

型推理和智能体执行。因此,高质量数据集是面向特定任务的数据产品或数据成果,数

据治理则是持续生产、管理、保护和改进这些成果的基础机制。需要进一步区分“高质量数据”与“高价值数据”。高质量强调数据本身及其治理过程是否满足特定用途的要求,例

如准确、完整、一致、及时、来源清楚、语义明确、权属和使用条件

清晰;高价值强调数据在具体业务场景中能够带来的增量收益、决策

改善、风险降低、效率提升或战略差异化。高质量是价值实现的重要基础,但并不自动等于高价值;数据价

值也取决于场景需求、稀缺性、可用性、时效性、组合关系、使用成

本和合规边界。因此,数据治理不应以“数据越多越好”或“质量分数越高越好”

为唯一目标,而应从业务任务出发,识别关键数据、明确质量门槛,

并验证其对具体应用的贡献。对开放域数据,治理目标通常不是追求

绝对完整,而是明确覆盖范围、采样偏差、时效窗口、不确定性和适

用边界。数据不开放,不意味着数据不需要治理过去一些数据工作以数据汇聚、共享交换和开放利用为主要目标,

容易让人形成一种印象:只有要共享、要流通、要交易的数据,才需

要治理。AI时代的数据治理:企业级AI可靠落地的基础与路径9但在企业级AI时代,越来越多具有差异化价值的数据恰恰是专

有数据,包括内部经营数据、客户服务记录、行业知识、研发资料、

生产过程数据、专业文档、历史决策记录以及专家经验。这些数据即使不能公开,依然需要解决质量、语义、权限、版本、

来源和应用适配等问题。例如,一家企业可以不把内部合同上传到大模型,却仍然需要治

理合同条款、客户主体、履约状态、风险规则和授权关系;一家工业

企业可以不向外部开放生产数据,却仍然需要让内部智能体理解设备

状态、工艺参数、质量规范和操作边界。数据治理的目标不是让所有数据都开放,而是让数据在适当的主

体、适当的场景、适当的权限和适当的技术边界内被正确使用。这也是数据治理与数据开放、数据交易之间的重要区别。数据治

理既支撑流通,也支撑不流通条件下的内部可信使用;既服务模型训

练,也服务检索增强生成、推理、业务分析和智能体执行。AI时代的数据治理目标发生了根本变化传统数据治理主要关注数据是否规范、完整、一致、可管理,服

务于业务系统运行、统计分析、经营决策和数据共享。AI时代,这些目标仍然重要,但已经不够。数据治理还必须使数据具备新的能力:可理解:模型能够识别数据所表达的业务对象、术语、关系与

上下文。可关联:能把分散在不同系统、文档和流程中的信息联系起来。AI时代的数据治理:企业级AI可靠落地的基础与路径10可验证:能够追溯数据来源、处理过程、适用条件和证据依据

可授权:能够依据用户身份、业务目的、数据敏感等级和操作类型实

施访问控制。可执行:能够以明确的结构、规则、接口和工具形式,为智能

体提供可调用的业务能力。可进化:业务变化、数据更新和模型效果反馈能够反过来推动

治理体系改进。这意味着数据治理的核心目标正在从“数据可管理、可共享、可

分析”,扩展为“数据可理解、可验证、可授权、可执行,并持续支

撑AI完成真实任务”。二、重新理解数据中台:为什么需要提出“数据治理平台”数据中台曾经解决了真实问题,但没有自动解决数据价值问题数据中台建设曾经是企业数字化转型的重要路径。它推动数据汇

聚、统一存储、标准管理、指标复用、分析服务和跨部门共享,解决

了不少系统割裂与重复建设问题。但在部分企业的实践中,数据中台并没有充分转化为业务价值。

这并不意味着所有数据中台都失败,而是说明:数据汇聚和技术平台

建设,不会自动带来语义统一、业务协同、持续治理和价值创造。一些项目出现的问题主要包括以下几类:(1)重汇聚、轻源头。数据问题被留到中台处理,源头业务系

统和流程没有同步改进。重复数据、口径冲突和质量问题不断产生,

治理成本居高不下。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS11(2)重技术整合、轻业务语义。企业可能统一了表结构、字段

格式和指标名称,却没有真正统一业务概念。相同的“客户”“项目”

“收入”“风险”等词语,在不同部门仍然可能指向不同对象和计算

规则。(3)重集中建设、轻分布式责任。平台团队承担了过多数据治

理任务,业务部门却没有明确的数据所有者、语义负责人和质量责任。

业务部门最了解数据,却没有持续参与治理。(4)重建设交付、轻持续运营。平台验收后,数据标准、业务

规则、数据关系和权限策略缺乏持续维护机制。业务一旦变化,平台

能力就可能迅速落后。(5)重数据服务、轻AI消费。传统数据服务通常面向报表、查

询和分析,而AI应用需要理解非结构化文档、领域知识、对象关系、

任务上下文、证据来源和使用约束。原有能力并非无用,但不一定足

以直接支撑AI应用。(6)重平台投入、轻价值验证。建设成果容易仅以接入系统数、

数据表数、存储规模和接口数量衡量,却没有回答治理是否改善了业

务效率、AI任务成功率和决策质量。这些问题不是数据中台架构本身必然导致的,而是部分项目在建

设目标、组织责任、业务参与和运营机制上的不足。即便采用数据治

理平台,如果仍然沿用同样的建设逻辑,也可能重演这些问题。还应特别警惕一种项目模式:以技术方案和验收指标驱动建设,

而不是以业务场景和实际结果驱动建设。项目可能完成了数据接入、

平台部署、接口交付和功能验收,却没有证明数据是否支撑了关键业

务任务。数据治理平台同样可能重蹈覆辙。正确路径应是先确定高价AI时代的数据治理:企业级AI可靠落地的基础与路径12值场景、使用者、决策或执行任务及基线指标,再倒推需要治理的数

据、语义、规则和平台能力;验收既要检查技术交付,也要验证数据

可信度、任务效果、风险控制和运营可持续性。数据治理平台不是数据中台改名,而是建设目标和运行机制的变化数据中台与数据治理平台并不是非此即彼的关系。前者更常被用

于描述企业数据的汇聚、加工、管理和服务能力;后者则应突出企业

对数据资产、业务语义、质量、安全、权限、变更和AI使用过程的

持续治理能力。二者可以复用同一套底层基础设施,但重点不同。维度传统数据中台的常见建设重心AI时代数据治理平台的建设重心首要问题数据在哪里,怎样汇聚、加工

和服务数据意味着什么,能否被正确、安

全、持续地使用核心对象数据表、数据仓库、指标、接

口和数据服务数据资产、业务语义、知识关系、

规则、权限、数据集及AI消费过程治理方式以集中加工、标准化和服务化

为主以全生命周期治理、语义治理、规

则执行和持续评测为主组织机制平台团队推动建设,业务部门

提供数据业务责任、领域语义责任、平台技

术和AI应用团队共同负责AI支持提供数据访问和分析基础进一步支撑检索、推理、上下文构

建、智能体调用与结果验证价值衡量数据接入量、服务能力、复用

程度可信使用程度、治理效率、AI应用

效果、风险控制和业务价值表2需要特别强调:数据治理平台并不意味着不再需要数据湖仓、主

数据管理、数据目录、数据质量工具、数据集平台或分析服务。它应表2AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS13当把这些能力纳入统一治理体系,建立跨系统、跨数据形态和跨AI

应用的治理机制。数据中台更多回答“数据怎样汇聚和服务”,数据治理平台则重

点回答“数据怎样被定义、被信任、被约束、被持续使用,并在AI

时代持续产生价值”。为什么现在要讲数据治理平台随着大模型和智能体从通用问答进入企业核心业务,数据问题正

在从后台管理问题变成AI应用的前台瓶颈。过去,数据口径不一致可能导致报表偏差;现在,它可能导致智

能体调用错误的业务规则。过去,文档没有结构化可能影响人工检索

效率;现在,它可能导致模型遗漏关键证据。过去,权限配置不严可

能带来数据泄露风险;现在,它可能让智能体在自动执行任务时扩大

风险。数据治理因此需要从信息化项目中的一个技术模块,提升为企业

级AI的基础能力。“数据治理平台”这一定位,至少要具备三项明确含义:平台化:把分散的治理工具、标准、规则、语义和审计能力形

成可复用的基础设施。运行化:治理不是一次性项目,而是覆盖数据产生、加工、使

用、变化和退出的持续流程。智能化:利用AI和治理智能体提高资产发现、质量检测、语

义建模、影响分析和持续评测的自动化水平。AI时代的数据治理:企业级AI可靠落地的基础与路径14因此,新的故事不是“把数据中台换一个名字”,而是从以数据

汇聚和服务为中心的建设思路,进一步走向以可信数据、业务语义、

AI就绪和持续治理为中心的企业智能基础设施。三、什么是好的数据治理平台:从工具集合走向企业级治理控制中枢数据治理平台不能简单定义为数据目录、质量管理、元数据管理、

知识图谱、向量数据库等产品的集合。工具可以组合,但只有建立起

统一的治理对象、责任体系、规则机制和应用闭环,才能形成真正的

平台能力。建议将企业级数据治理平台定义为:企业级数据治理平台,是面向全域数据资产和AI应用的“治理

控制中枢”。它以制度和责任为基石,以数据资产与质量治理为底座,

以业务语义和动态本体为核心机制,以安全、权限和溯源为刚性约束;

通过平台工具与治理智能体的协同,实现覆盖数据“产生、加工、组

织、应用、演进、评估与退出”的全生命周期治理,持续提升数据对

模型、智能体及业务系统的可信供给能力。这一界定包含五个关键认识。第一,治理对象不只是数据库中的结构化数据,还包括文档、图

像、音视频、知识、业务规则、模型上下文、向量、派生数据以及智

能体执行过程中产生的数据。第二,治理目标不只是让数据整齐规范,还要使数据的业务含义、

使用条件和风险边界清晰可知。第三,治理不是某个部门或某个工具的单独工作,而是制度、流

程、组织、技术和业务应用共同构成的体系。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS15第四,平台不仅管理数据,也管理数据如何被模型和智能体使用,

以及使用结果如何被验证。第五,平台不是一次建设完成的静态系统,而是随着业务变化、

AI应用反馈和治理规则更新持续演进的基础设施。好的数据治理平台,必须回答五个根本问题企业有什么数据?通过资产目录、元数据、血缘关系和数据发现,建立数据资源全

景,识别来源、责任、分布、敏感等级和使用情况。数据意味着什么?通过业务术语、领域模型、动态本体、知识图谱和指标定义,建

立机器可理解、业务可确认的语义体系。数据是否可信、能否使用?通过质量规则、来源追溯、合规检查、权限控制和证据校验,明

确数据的可信程度、使用条件和责任边界。数据变化后如何持续有效?通过版本管理、变更影响分析、责任人确认、自动化检测和回归

评测,使治理规则随业务同步演进。治理是否真正改善了AI应用?将治理结果与检索准确性、答案可靠性、任务完成率、人工复核

成本、业务效率和风险事件联系起来。AI时代的数据治理:企业级AI可靠落地的基础与路径16如果一个平台只能回答“数据在哪里”,却不能回答“数据是什

么意思、能否使用、谁来负责、变化后如何处理、AI使用效果如何”,

它仍然只是数据管理工具的集合,还没有形成完整的数据治理能力。数据治理平台的内涵:五大核心管理能力与九大核心工程能力一个完整的数据治理平台,其能力体系应可组合、可扩展,并不

要求企业一次性建设完成。为兼顾管理层理解与平台落地,建议采用

“双视角”描述:管理层看五大核心管理能力,平台设计与实施层看

九大核心工程能力。五大核心管理能力是对平台能力的管理层归纳:一是治理组织与

制度能力,明确责任、标准、流程和问责机制;二是数据资产与质量

能力,解决数据发现、来源、质量和生命周期管理问题;三是语义与

知识能力,通过业务术语、动态本体、知识图谱和关系建模,形成机

器可理解的业务上下文;四是安全可信与运行控制能力,覆盖授权、

用途限制、追溯、审计、变更和风险控制;五是AI应用与价值运营

能力,通过任务评测、业务反馈和投入产出分析验证治理成效。九大核心工程能力是五大核心管理能力在平台工程层面的具体

展开,是平台设计、选型和实施的抓手;五大核心管理能力则是对九

大核心工程能力的归并表达,便于管理层把握全貌。两者是同一能力

体系的两种观察视角,不是对国家数据管理标准能力域的替代或重新

命名。能力域核心内容面向AI的价值数据资产治理资产发现、目录、元数据、血缘、

责任、生命周期让AI应用知道有哪些数据

可用、从何而来数据质量治理完整性、一致性、准确性、及时

性、唯一性、异常检测降低错误、过期和冲突数据

造成的模型偏差AI时代的数据治理:企业级AI可靠落地的基础与路径17标准与主数据

治理统一编码、指标口径、主数据、

跨系统实体匹配避免不同系统对同一业务对

象产生不同理解语义与本体

治理术语、概念、属性、关系、约束、

规则、版本和变更管理使数据不仅能被检索,还能

被理解和关联推理知识与非结构

化数据治理文档解析、切分、结构恢复、知

识抽取、来源追溯、版本更新为RAG、知识助手和行业智

能体提供可信上下文AI数据

就绪治理数据筛选、清洗、对齐、标注、

评测、任务适配和反馈闭环支撑训练、检索、推理、智

能体执行和应用评估安全与使用

控制分类分级、授权、脱敏、用途限

制、审计、敏感输出控制使数据能够在明确边界内被

模型和智能体使用治理运营与变

更管理责任分工、流程、审批、版本、

问题工单、影响分析将一次性治理变为持续运行

的组织能力价值评估与持

续改进基线、指标、成本核算、AI应用

评测、业务反馈验证治理投入是否改善应用

效果和业务结果表3在技术实现层面,平台需沉淀经典的APAA(接入Access、加

工Process、聚合Aggregate、分析Analyze)数据处理链路:即快速

接入原始数据,完成清洗打标等粗/精加工,聚合形成主题库与专题

库,最终通过BI分析产出指标库。这是夯实数据资产底座的基础工

程。但在AI时代,APAA流水线必须与治理和语义深度融合。数据

治理平台要在APAA基础上,进一步解决“AI能否正确理解、安全

调用及可追溯”的问题,实现从“数据加工流水线”向“智能治理控

制中枢”的跃升。表3这里有一个重要边界:AI数据就绪是数据治理平台面向人工智

能的重要能力,但数据治理平台不等于高质量数据集生产平台。前者

提供持续治理、授权、语义和质量控制机制;后者则围绕特定任务,

组织数据加工、构建和评测。两者需要衔接,但不能混为一谈。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS18数据治理平台的外延:不只是技术平台数据治理平台的建设范围应当包括四个相互支撑的层面。制度层:明确数据责任、质量要求、语义标准、权限规则、

AI使用边界和问责机制。流程层:定义数据发现、治理、审核、发布、使用、变更、复

核和退出的工作流程。技术层:通过数据目录、质量引擎、本体管理、知识组织、策

略控制、治理智能体等能力执行规则。应用层:把治理要求嵌入问数、RAG、决策支持、业务智能体

及自动化流程,并通过真实业务结果验证治理效果。如果只有制度,没有工具,治理容易停留在文件层面;如果只有

工具,没有制度,规则缺少权威来源;如果只有平台,没有业务责任,

数据质量无法持续;如果只有治理过程,没有AI应用验证,治理成

效就难以衡量。因此,好的数据治理平台必须将“组织有责任、流程有闭环、技

术可执行、结果可验证”结合起来。AI时代的数据治理:企业级AI可靠落地的基础与路径19数据治理平台·建设范围四个相互支撑的层面 组织有责任·流程有闭环·技术可执行·结果可验证图1数据治理平台·建设范围图1四、动态本体:从“数据结构统一”走向“业务世界可被机器理解”大模型与数据治理的双向关系既然大模型已经能理解语言,为什么还需要本体?既然本体、规

则和平台已经把业务定义清楚,大模型又有什么不可替代的价值?大模型提供理解与生成能力,本体提供明确的业务语义,治理平

台提供可信数据与执行控制,三者共同支撑业务智能体。这里要展开

三个层次。第一,大模型既是治理的工具,也是治理成果的使用者。作为工具,它可以理解文档、抽取概念与关系、提出术语映射、

发现潜在冲突、辅助生成质量规则,降低过去依赖专家和人工配置的

治理成本。AI时代的数据治理:企业级AI可靠落地的基础与路径20作为使用者,它需要调用治理后的数据、知识、语义和工具,完

成问答、分析、推理与任务执行。因此,两者是双向关系:大模型提

升治理效率,数据治理提升大模型应用的可靠性。第二,本体与大模型之间,是明确业务语义与灵活语言理解的配

合。大模型擅长什么本体补充什么理解自然语言和非结构化文档明确企业认可的概念、关系与约束从上下文中推断词语含义区分同名异义,统一关键业务定义面对新问题进行归纳和生成提供可检查、可维护、有版本的语义依据提出概念、关系和规则候选经业务确认后,将其纳入正式语义体系表4例如,大模型通常理解“客户”的一般含义,但不能据此确定某

家企业究竟把签约主体、付款主体还是实际使用方视为“客户”。这

种企业特定的权威定义,需要通过业务确认和语义治理来建立,本体

是承载它的一种方式。同时也应说明:本体本身不能保证模型回答正确,还需要检索证

据、规则校验、权限控制和应用评测共同发挥作用。第三,企业知识不必全部训练进模型,治理成果可以在运行时供

模型使用。这一点很关键,建议明确区分:训练或微调:让模型学习特定领域的表达、任务模式或能力。AI时代的数据治理:企业级AI可靠落地的基础与路径21检索增强与上下文供给:向模型提供当前有效的企业资料、定

义和证据。工具调用与运行控制:让智能体通过受控接口查询数据、执行

规则和办理业务。频繁变化的合同规则、实时数据和用户权限,通常更适合通过后

两种方式管理。模型参数里的知识,不能直接充当企业当前有效的事

实、制度和授权依据。为什么动态本体可能成为AI时代数据治理的关键技术机制传统数据治理可以通过字段标准、数据模型、主数据和指标口径

解决大量问题,但这些方法往往不足以完整表达复杂业务中的概念、

关系、约束和变化。以“项目”为例。在不同业务系统中,“项目”可能分别指投资

项目、建设项目、审批事项或合同项目;它们可能相互关联,但又不

是同一个对象。项目的状态、责任主体、阶段和规则,也可能随着制

度变化而改变。如果只是统一字段名称,却没有表达这些概念之间的区别、联系

和约束,模型就可能把名称相近的对象当作同一事物,或者把历史规

则错误地应用到当前业务中。动态本体的价值就在于:它不只是描述数据的结构,而是定义业

务世界中“有哪些对象、对象具有什么属性、对象之间存在什么关系、

规则如何约束对象,以及这些定义如何随业务变化而演进”。AI时代的数据治理:企业级AI可靠落地的基础与路径表522从技术上看,本体可用于明确领域概念、关系与约束;知识图谱

可以承载实体及其关系;规则引擎可以执行确定性约束;大模型可以

辅助理解、映射和推理。它们各有分工,并不能彼此替代。动态本体之所以重要,不是因为它是一个新的数据建模术语,而

是因为AI需要一套能够被机器理解、被业务确认、被规则约束、随

业务变化而持续更新的语义基础。动态本体与其他技术的关系技术或机制主要回答的问题与动态本体的关系元数据管理数据叫什么、在哪里、如何定义

和管理提供数据资产描述与管理信息主数据管理核心业务实体如何统一识别为客户、组织、产品、项目等对

象提供权威标识数据模型数据以什么结构存储和交换描述表、字段、实体结构与约束语义层指标和业务术语如何解释将业务定义映射到数据与查询动态本体业务概念、关系、属性、约束和

规则如何组织与演进提供跨数据、知识和AI应用的

语义框架知识图谱具体实体、事实和关系如何关联承载本体约束下的领域知识和

事实关系向量数据库如何基于语义相似性检索内容提供候选知识召回,不直接保证

事实正确或权限合规大模型如何理解语言、生成内容、归纳

和推理利用语义与知识辅助完成理解

任务规则引擎明确条件和约束如何被确定性

执行执行可形式化的业务规则和校

验条件智能体如何规划任务、调用工具并推进

业务流程在本体、知识、规则和权限约束

下使用数据AI时代的数据治理:企业级AI可靠落地的基础与路径23动态本体不是要取代这些技术,而是把它们连接到共同的业务语

义基础上。为什么必须强调“动态”企业业务不是静态的。组织结构会变化,政策制度会调整,业务

流程会重构,指标口径会修订,新的产品和服务会不断出现。动态数据治理还需要区分数据对象的时间属性与环境变化速度。

对于静态或低频更新数据,重点是版本、质量、来源和定期复核;对

于实时或高频变化数据,例如设备状态、市场事件或战场态势,治理

还必须管理事件时间与接收时间、数据有效期、来源可信度、时空位

置、更新频率、多源实体消解和冲突裁决。治理不能只回答“这条数

据是否正确”,还要回答“它在什么时间、什么空间、基于什么来源

和置信度成立”。完整性也应按数据域区分。闭合域数据有相对明确的对象范围,

可以定义覆盖率和缺失项;开放域数据(如社交媒体舆情、突发事件

线索)通常不可能穷尽,治理目标应转为说明采集范围、来源分布、

时效性、代表性、偏差、置信度和未覆盖风险,而不是承诺绝对完整。如果本体只在项目建设初期设计一次,之后缺少版本、审批和维

护机制,它同样会变成新的“静态烟囱”。动态本体治理至少应具备六项能力:• 语义责任机制:每个重要领域有业务负责人或领域专家,负责

概念定义与解释。版本管理机制:记录本体、术语、规则和关系的变更历史,支

持版本比较与必要的回滚。AI时代的数据治理:企业级AI可靠落地的基础与路径24变更影响分析:识别语义变更影响哪些数据资产、知识库、指

标、模型上下文、Agent工具和业务流程。语义映射与冲突管理:识别跨系统的同义词、近义词、歧义词

和概念冲突,支持领域自治与跨域协同。• 可追溯推理机制:将推理结论与事实来源、适用规则和版本关

联,便于核验。AI应用回归评测:重要语义或规则变更后,触发相关检索、

问答、推理和任务执行测试,防止局部修改引起系统性偏差。需要明确的是,动态本体是AI时代数据治理的重要技术机制,

但不是所有数据治理问题的唯一答案。数据质量、安全、权限、责任

和流程仍需独立治理;本体也必须经过业务确认和实际验证,不能让

模型生成的概念未经审核就成为企业权威标准。动态本体不应成为所有数据项目的默认配置。对于维度单一、结

构稳定、业务规则清晰的数据,传统数据模型、标准、质量规则和主

数据机制往往已经足够;只有当业务概念跨系统歧义明显、实体关系

复杂、规则持续变化,或AI任务需要结合上下文进行跨域理解和推

理时,才更有必要引入动态本体。对于时序和事件密集场景,可结合

时序知识图谱、图查询与图算法、语义向量检索和事件锚定等技术,

处理多源实体消解、时空时效和冲突裁决。技术选择应由业务复杂度

与收益决定,而非追求技术名词的完整性。动态本体如何成为治理与AI应用之间的桥梁以企业合同审查为例,数据治理平台首先需要识别合同文档及其

版本、来源、责任部门和访问权限;再通过本体定义合同、客户、供AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS25应商、条款、履约义务、违约风险等业务概念,明确它们之间的关系;

然后把合同内容抽取为可追溯事实,与企业规则和历史案例建立关联。当合同审查智能体执行任务时,它可以通过平台获取已授权的合

同资料、语义定义、相关规则和证据,而不是仅依赖模型的通用知识

猜测。如果某项合同规则发生变化,治理平台应识别受影响的知识库、

审查流程和智能体,并触发重新验证。这样,业务语义的变化就能够

传导到数据治理和AI应用,而不是依赖各个项目团队手工修改。这一机制将数据治理从“整理数据”推进到“治理企业如何理解

业务”。五、数据治理与智能体:治理是一套体系,平台是控制基础,智能体

是执行力量数据治理是不是一系列智能体?答案是:数据治理可以由智能体显著增强,但不能被简化为一系

列智能体。在智能体快速发展背景下,很多治理任务确实可以自动化。智能

体能够发现数据资产、识别潜在重复、检测质量异常、提出术语映射、

辅助构建本体、生成治理规则候选、分析变更影响、生成审计报告。但这些能力并不意味着治理责任可以交给智能体自行决定。数据治理涉及数据权益、业务规则、隐私保护、商业秘密、风险

承担和组织责任等方面。这些事项不仅是技术判断,更包含业务权衡AI时代的数据治理:企业级AI可靠落地的基础与路径26和制度约束。智能体可以提供证据和建议,却不应自动取得原本属于

业务负责人、数据责任人、安全负责人或管理层的决策权。例如,智能体发现两个字段含义相近,可以提出语义合并建议,

但是否合并需要业务确认;智能体发现一份文档可能包含敏感信息,

可以建议分类分级,但最终规则必须来自企业授权的制度;智能体发

现某个数据源可能影响模型结果,可以发起评测,但不能为了提高回

答率而自行扩大数据访问权限。因此,治理体系必须明确:哪些任务可以自动完成,哪些需要人

工复核,哪些必须由授权责任人批准。建立“制度--平台--治理智能体--业务智能体”协同体系图2图2第一层:制度与责任定义治理目标、责任主体、业务规则、风险等级与授权边界。第二层:数据治理平台统一管理资产、质量、语义、本体、知识、权限、版本、规则、

审计与评测。第三层:治理智能体发现、检查、建议、分析、测试、监测和报告。第四层:业务智能体检索、分析、规划、决策辅助、工具调用和任务执行。业务结果与反馈闭环AI时代的数据治理:企业级AI可靠落地的基础与路径27以真实任务结果验证数据和语义质量,驱动治理规则持续改进。这四个部分承担不同职责。制度与责任确定治理的目标和边界,回答“谁有权定义、谁承担

责任、什么行为被允许”。数据治理平台将这些要求变成可执行的规则、接口和控制机制,

回答“如何统一管理、如何持续执行、如何追溯”。治理智能体是平台的自动化执行者之一,负责把大量重复、复杂

和需要分析判断的治理任务转化为可编排的工作流。业务智能体消费治理后的数据、知识和工具能力,完成真实业务

任务,并将使用过程和结果反馈给治理体系。这个体系的关键不是智能体数量,而是各类智能体都能在清晰的

治理边界内协作。治理智能体应该承担哪些任务建议优先发展以下治理智能体能力:资产发现智能体识别数据源、文档类型、重复资产、潜在数据关系,辅助

更新资产目录。质量诊断智能体分析异常、缺失、冲突和过期数据,提出原因判断与修复

建议。语义建模智能体从业务文档、数据库结构和专业术语中提取概念、属性和

关系候选,辅助本体构建。知识治理智能体识别文档版本、抽取知识片段、建立证据链,辅助知识库

更新。变更影响智能体分析字段、指标、语义、规则或数据源变化对应用的影响。AI时代的数据治理:企业级AI可靠落地的基础与路径28安全审查智能体发现潜在的敏感数据、异常访问和违规使用线索。AI效果评测智能体组织测试集、分析错误类型、定位数据与语义问题、生成

评估报告。表6这些智能体应当通过统一的平台接口调用资产目录、语义服务、

质量规则、权限策略、版本管理和审计能力,而不是各自维护一套相

互割裂的治理知识。尤其要注意,智能体对数据的访问与执行必须受到实际的身份认

证、授权策略和运行时控制。不能只在提示词中要求智能体“遵守权

限”,就把安全责任交给模型自行判断。从“AI治理数据”走向“治理AI用数”AI不仅可以帮助治理数据,AI本身也必须被治理。AI可信应作为数据治理平台与AI应用之间的共同目标,而不是

单独依赖模型安全措施。至少要同时关注数据来源与授权可信、语义

和事实可信、检索证据可追溯、模型输出可验证、工具调用受权限约

束、运行过程可审计,以及错误能够被发现、纠正和反馈。对高影响

任务,应建立人工复核、回退机制和明确的责任归属;对动态数据,

还应把时间有效性和来源置信度纳入结果解释。一方面,治理智能体可以利用大模型处理非结构化内容、识别语

义和发现质量问题,提高治理效率。另一方面,模型和业务智能体在运行中会不断产生新的需求、调

用记录、用户反馈、推理证据和任务结果。这些信息可能暴露数据缺

口、语义冲突、权限配置不当和规则失效问题。AI时代的数据治理:企业级AI可靠落地的基础与路径29因此,企业需要形成双向机制:AIforData利用大模型的认知能力,实现智能打标、语义映射推荐、

异常检测和多模态数据处理,推动治理自动化和智能化。DataforAI通过治理平台向AI提供可信、适配、可追溯、可授权的

数据与语义。GovernanceforAI治理AI使用数据的方式、权限、过程和结果。AIfeedbackfor

Governance利用AI应用反馈持续改进治理。表7从“治理AI用数”走向“AI原生数据治理”表7传统数据治理高度依赖专家经验和人工配置,面临“建标难、打

标贵、用标难、维护成本高”的瓶颈。大模型的出现,不仅改变了被

治理的数据对象,更深刻地重塑了数据治理本身的方法和效率,推动

企业走向“AI原生数据治理”。大模型对数据治理的赋能,至少体现在四个维度的跃升:第一,从“规则驱动”走向“认知驱动”,破解语义对齐难题。

过去统一指标口径和业务术语,靠的是开会吵架和手工配置映射表。

现在,大模型能够基于上下文,自动识别不同系统中的同义词、近义

词和概念冲突,自动生成术语解释和映射候选建议。治理人员从“手

工搬砖”变成了“审核专家”,极大地降低了语义建模(特别是动态

本体构建)的门槛和成本。第二,从“人工盘点”走向“智能发现”,提升资产与质量巡检

效率。面对海量的非结构化文档,大模型可以自动提取数据特征、业

务标签和敏感信息,实现细粒度的资产发现与自动分类分级。在数据AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS30质量方面,大模型能突破传统SQL规则的局限,发现跨表、跨文档

的深层逻辑矛盾(如合同金额与付款记录的不一致),实现“用AI

检查数据”。第三,从“代码开发”走向“自然语言交互”,降低治理门槛。

业务人员可以通过自然语言对话,直接向治理平台提问(如“这个指

标是怎么算出来的?”“哪些系统用到了这张表?”),大模型能够

自动将其转化为数据血缘查询、质量规则生成或代码脚本。这打破了

技术壁垒,让最懂数据的业务部门真正参与到治理中来。第四,从“静态合规”走向“智能溯源与判别”,强化安全与证

据链。在AI使用数据的过程中,大模型可以辅助进行日志的智能审

计,自动识别越权访问的异常模式;在RAG和智能体执行时,大模

型能够自动抽取并标注事实证据的出处,确保关键结论“有据可查”,

大幅提升治理审计的自动化水平。当然,引入大模型也要守住边界。大模型擅长发现数据冲突、提

出映射建议,但它绝不能代替业务部门成为企业语义的“最终裁判”。

真正的智能治理,不是让AI包办一切,而是让机器去干海量、繁琐

的“体力活”,把高风险的审核与确权交还给人类。只有把大模型的

认知能力,扎实嵌进治理平台的规则和权限流程里,治理的效率和底

线才能同时保住。综上所述,这五个方面共同构成数据治理与智能体时代的闭环。六、制度与流程:数据治理首先是企业管理问题,其次才是技术问题数据问题往往不是在数据平台里产生的数据质量问题经常源于业务流程本身。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS31同一客户在多个系统中身份不一致,可能因为不同部门分别建立

客户档案;同一个指标存在不同口径,可能因为部门考核方式不同;

文档知识长期不更新,可能因为业务制度没有明确知识维护责任;数

据权限失控,可能因为数据使用审批与系统授权脱节。如果只依靠技术工具清洗数据,而不修正源头业务流程、责任分

工和管理规则,治理就容易陷入反复返工的情况。因此,企业级数据治理不能只是IT部门的一项工作,而应由业

务管理层牵引,业务部门、数据管理团队、AI团队、安全法务团队

共同承担。建立五项基础制度第一,数据资产与责任制度。对重要数据资产明确所有者、管理

者、使用者、质量责任和生命周期要求,防止出现“人人使用、无人

负责”的情况。第二,业务语义与本体管理制度。明确核心业务术语、指标定义、

领域本体、版本审批和冲突处理机制,避免同一概念在不同系统、部

门和智能体之间出现歧义。第三,数据质量与问题闭环制度。对质量问题建立发现、定级、

派单、整改、复核、归档和复发分析机制,既修复数据,也追踪源头

原因。第四,AI数据使用与安全制度。明确不同数据可用于何种模型、

任务、环境和输出场景,建立数据授权、敏感信息处理、模型访问控

制和审计要求。AI时代的数据治理:企业级AI可靠落地的基础与路径32第五,数据与AI变更管理制度。当数据源、字段、业务规则、

本体、知识库、模型或Agent工具发生重要变化时,必须评估影响,

执行必要的测试、审批、发布和回滚。这些制度不应只停留在文件中,而应尽可能映射到平台的规则、

工作流、权限和审计机制。建立九步治理流程建议形成覆盖数据全生命周期的标准治理流程:图3图3需求定义:明确目标业务场景、使用主体、数据需求和风险等

级。资产识别:确定相关数据源、文档、知识、数据集及其责任人。合法性与权限检查:确认来源、授权、使用目的和适用边界。语义与质量评估:检查数据定义、完整性、时效性、关系和冲

突。• 治理方案制定:确定清洗、标准化、关联、本体映射、脱敏和

知识加工方式。AI时代的数据治理:企业级AI可靠落地的基础与路径33治理结果验证:验证数据质量、语义正确性、来源可追溯性和

权限控制。发布与使用审批:按风险等级决定是否允许用于训练、检索、

推理或业务执行。持续监测与变更管理:监测质量漂移、语义变化、异常访问和

应用效果。复核、归档与退出:对失效、过期、授权终止或不再需要的数

据进行处理。其中,高风险数据和高影响任务需要更严格的审核;低风险、规

则明确、可逆的治理任务可以提高自动化程度。制度的目的不是增加

不必要的审批,而是让治理强度与业务风险相匹配。从制度到技术,必须建立可执行的映射建议采用“政策要求--企业制度--治理流程--平台控制--应用证

据”的五级映射。例如,企业规定某类敏感数据只能用于授权业务目的,那么平台

需要落实数据分类、访问策略、调用身份校验和审计;业务智能体执

行任务时必须经过实际授权检查;应用运行后,应能留下调用记录和

必要的审计证据。同样,企业规定核心业务术语必须由领域负责人确认,那么本体

管理流程就需要具备版本审批、责任人记录、影响分析和应用回归评

测能力。这使数据治理从“写了制度”转化为“规则能够执行、执行能够

留痕、问题能够追责、结果能够验证”。AI时代的数据治理:企业级AI可靠落地的基础与路径表834数据治理应当形成持续运营机制企业不能把数据治理完全按一次性项目来管理。治理工作需要持

续投入,也需要明确的运营机制。组织分工不宜简单选择“全部放在数据部门”或“全部交给业务

部门”。建议采用“业务负责数据含义与质量、数据部门负责治理机

制与平台、安全法务负责合规边界、AI团队负责应用验证、治理委

员会负责跨部门裁决”的共同责任模式。业务部门不配合时,应通过

数据责任清单、关键数据责任人、质量问题工单、服务等级和管理考

核形成约束;数据部门不履职时,则通过治理服务目录、平台运行指

标、审计与成熟度评估明确其交付责任。责任必须落到岗位、流程和

可检查证据,而不能只写在组织架构图上。建议建立由企业管理层牵引的数据治理委员会,统筹目标、优先

级和跨部门争议;由业务数据所有者负责数据定义和质量;由领域语

义负责人维护术语和本体;由平台团队提供技术能力;由AI应用团

队验证数据对模型与智能体的实际效果;由安全、法务和审计团队监

督合规与风险。治理评价应同时看四类指标:数据层质量问题率、过期数据比例、关键资产责任覆盖率、来源可追溯率。语义层核心术语覆盖率、跨系统映射准确性、语义变更处理时效。AI层检索证据准确性、答案可验证性、任务成功率、因数据问题导致的

失败比例。业务层人工复核成本、业务处理时间、风险事件、治理成本与收益。AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS35具体目标应以企业现状基线、业务风险和试点结果确定,而不是

先设定缺乏依据的统一提升百分比。数据治理投入产出评估应采用“以基线衡量业务改善,核算全周

期治理成本,并进行客观的收益归因”的方法。成本端核算平台、加

工、建模、运营及合规总账;收益端盘点效率提升、风险规避与业务

增长。关键在于收益归因:需通过对照测试,严格区分治理带来的直

接价值与模型/流程优化带来的自然增量,防止“贪功”。治理的“够

用”标准,不是追求完美,而是核心场景达标且风险可见;当新增投

入的边际收益不再高于边际成本时,治理即达到最优平衡。七、最新政策释放了什么信号:数据建设正在与AI应用深度融合近年来,国家关于数据要素、企业数据资源开发利用、数据流通

安全和人工智能发展的政策逐步形成协同方向。与此同时,国家标准

体系也在快速迭代。这要求企业在规划数据治理时,既要吃透政策导

向,又要对齐标准基线。首先,要理顺“标准成熟度-平台能力-AI场景结果”的映射

关系。本稿提出的“九类核心能力”是面向AI应用与产品设计的参

考架构,不能与国家标准能力域直接混用。在落地时,应补充对照两

项关键标准:一是GB/T36073-2025《数据管理能力成熟度评估模

型》(2026年7月1日起实施),用于诊断组织的数据管理成熟度

基线;二是GB/T46353—2025《信息技术大数据数据资产价值评

估》(2026年5月1日起实施),用于完善数据质量、价值影响因

素和评估方法。本文的“五大核心能力和九类平台能力”则服务于平

台设计与落地。三者共同支撑起科学的三层评估体系:以GB/T36073--2025开

展组织治理基线诊断;以平台资产覆盖、语义本体、权限审计等指标AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS36衡量治理能力;以AI任务准确性、证据可追溯性、人工复核成本等

衡量AI场景实际结果。绝不能仅凭平台功能数量或成熟度等级,直

接推断AI业务价值。其次,政策层面尤其值得关注2026年发布的行业高质量数据集

建设方案。该方案不仅强调数据集供给,更覆盖了强基扩容、标注攻坚、提质增

效、应用赋能、管理服务和价值释放,要求加强全生命周期管理,推

动数据、模型和应用形成反馈闭环,并明确提出建设知识库、知识图

谱、本体以及服务复杂任务规划的数据资源。虽然这不等于“国家要

求所有企业建设某种特定的数据治理平台”,但它清晰释放了一个信

号:数据治理、AI就绪、行业知识、应用验证、安全管理和持续运

营正在深度融合。具体而言,企业在落地数据治理时,必须实现五个维度的跨越:从“拥有数据”走向“数据能够支撑AI”行业专有数据的重要性持续上升。企业不能只盘点数据资源数量,

更要回答数据是否适配具体任务、知识密度是否足够、能否支持模型

推理与智能体执行。从“单次加工”走向“全生命周期治理”政策强调采集、清洗、加工、标注、质检、测评、迭代和审计

的全生命周期管理。这意味着不仅要产出数据,更要持续管理其来源、

版本、使用条件、质量和变更。从“重数据标准”走向“重业务语义与应用验证”AI时代的数据治理:企业级AI可靠落地的基础与路径37面向AI的数据治理,必须解决结构化数据的业务语义和逻辑关

系问题,加强非结构化数据预处理。字段格式重要,但把业务概念、

关系和证据组织起来,让模型在正确的业务语境下理解数据更重要。从“数据可用”走向“安全、可控地使用”企业内部AI必须严格区分“允许系统访问”“允许模型检索”

“允许用于训练”和“允许对外输出”等不同权限。这些安全合规要

求,必须在数据治理与AI架构设计阶段就前置纳入。从“建设项目”走向“场景牵引和持续改进”不是先治理全部数据再找应用,而是围绕高价值场景识别数据问

题,通过治理支撑应用,以应用结果(如模型产生的反馈)推动治理

优化,再将成熟能力复用到更多场景,形成良性闭环。政策要求与企业平台能力如何衔接建议将政策要求转化为企业能够执行和检查的治理控制:政策导向企业治理机制平台支撑能力可验证证据高质量数据

供给数据资产清单、质量

标准和责任制资产目录、质量引擎质量报告、责任记录AI就绪按任务开展数据适

配与验证数据加工、语义治

理、评测任务测试结果、应用

反馈全生命周期

管理版本、变更、审计和

退出流程生命周期管理、血缘

和审计版本记录、变更单、

审计日志语义与知识

建设领域术语、概念关系

和知识责任机制本体管理、知识图谱语义定义、关系验证

记录安全与合规分类分级、授权和用

途管理策略引擎、权限控制授权记录、访问审计场景应用与

价值释放业务效果评估和

持续改进应用监测、评测闭环任务成功率、成本与

效率变化AI时代的数据治理:企业级AI可靠落地的基础与路径38表9同时,企业可以参考现行国家标准:表9GB/T44109--2024《信息技术大数据数据治理实施指南》。

该标准于2024年12月1日起实施,可作为企业规划治理实施工作的

参考之一。GB/T36073--2025《数据管理能力成熟度评估模型》,2025年

12月31日发布,2026年7月1日起实施。GB/T46353--2025《信息技术大数据数据资产价值评估》,

2025年10月5日发布,2026年5月1日起实施。八、数据治理平台与数力、语义能力与智能行动的关系在构建企业级AI能力时,数据治理平台不应被视作一条孤立的

IT产品线,而应被定位为“数力(将数据转化为智能行动力的能力)

体系中的基础性平台能力”。如果说数据治理平台回答的是“如何让数据可信、可理解、可授

权、可持续使用”,那么数力回答的就是“如何把这些数据能力转化

为机器可理解、可推理、可模拟、可行动的业务能力”。数力不是数据资源规模,而是让数据成为生产力的能力可以将数力概括为:将数据经过连接、治理、语义化、关联、推

理、模拟、编排和可信调用,转化为可理解、可推理、可模拟、可行

动的完整体系。从能力演进看,可以形成“采、治、义、联、知、演、行、进”

的八阶路径:AI时代的数据治理:企业级AI可靠落地的基础与路径39图4采:连接多源数据,发现并获取所需信息。图4治:治理数据质量、标准、权限、来源和生命周期。义:通过术语、语义层和动态本体明确数据含义。联:连接实体、事件、知识和业务流程。知:形成可检索、可关联、可验证的行业知识。演:利用推理、仿真和场景推演分析可能性。行:通过工具、工作流和智能体把认知转化为行动。进:依据执行反馈、业务结果和环境变化持续改进。其中,“治”不是八阶路径中一个做完即可结束的孤立环节。治

理规则、安全约束、语义版本、质量检测和审计必须贯穿后续所有的

环节。数据治理平台在数力体系中的位置业务价值层AI时代的数据治理:企业级AI可靠落地的基础与路径 拓尔思TRS40效率提升、风险降低、决策改善、任务完成智能行动层业务智能体、工具编排、流程执行、结果验证数力核心能力层语义理解、知识关联、推理分析、模拟推演、可信调用数据治理平台资产、质量、语义本体、知识、权限、版本、审计、评测数力的基础性平台能力,并对上层能力实施持续约束与反馈数据与知识基础设施业务系统、数据库、文档、数据湖仓、知识库、图谱、实时数据

与授权数据源数据治理平台位于基础数据与数力上层能力之间,负责建立统一

的治理规则和可执行控制,同时为上层提供资产、语义、知识、质量、

权限和审计服务。它也需要接收上层AI应用的使用反馈,持续改进

数据质量和语义体系。AI时代的数据治理:企业级AI可靠落地的基础与路径41数据治理平台在数力体系中的位置承上启下的枢纽:位于基础数据与数力上层能力之间,既建立统一规则,又向上持续赋能数据治理平台在数力体系中的位置AI时代的数据治理:企业级AI可靠落地的基础与路径4101业务价值层效率提升任务完成02智能行动层业务智能体流程执行结果验证03数力核心能力层语义理解可信调用01业务价值层效率提升任务完成02智能行动层业务智能体流程执行结果验证03数力核心能力层语义理解可信调用AI时代的数据治理:企业级AI可靠落地的基础与路径4104 数据治理平台定位:数力的基础性平台能力,并对上层能力实施持续约束与反馈资产 质量 ↑↓统一治理规则与可执行控制,作用于全部基础数据与知识资产05 数据与知识基础设施 文档数据 图谱 图5图5这张图表达的是逻辑关系,而不是要求所有组件必须部署在同一

套软件中。数据治理平台不是数力的全部,但应当成为数力的基础性平台如果没有数据治理,数力容易依赖项目级的数据清洗、人工维护

和临时规则,难以跨场景复用。如果只有数据治理,没有语义关联、推理、模拟和智能体编排,

数据又可能停留在“被管理、被查询”的阶段,难以形成业务行动的

能力。因此,两者之间不是简单的包含关系,而是基础平台与完整能力

体系的关系:AI时代的数据治理:企业级AI可靠落地的基础与路径42数据治理平台为数力提供可信数据、业务语义、知识组织、权

限约束和持续评测能力。• 数力将这些基础能力进一步转化为理解、推理、模拟、编排和

执行等能力。业务智能体在治理边界内调用数力能力,完成实际任务。业务执行结果再反向推动数据治理和数力能力的改进。这也意味着,企业不能只把数据治理平台当作一个独立的软件工

具销售,而应将其与行业知识、知识图谱、非结构化数据处理、RAG、

智能体编排和可信调用等能力共同设计。面向企业的数据治理产品定位建议面向未来的数据治理产品体系参考,建议企业或服务商在规划平

台时,采用“一个平台、三类引擎、两类智能体、一套运营机制”作

为参考架构。AI时代的数据治理:企业级AI可靠落地的基础与路径43数据治理产品体系参考架构自下而上:平台承载三类引擎,引擎驱动两类智能体,一套运营机制贯穿全体系图6数据治理产品体系参考架构图6一个平台:企业级数据治理平台。统一承载数据资产、质量、语

义本体、知识、权限、版本、审计和AI评测等治理能力。三类引擎:数据治理引擎、语义治理引擎、AI就绪引擎。数据

治理引擎负责质量、标准和生命周期;语义

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论