治数有道，驭智有方：AI时代的七个数据治理常识

最近半年，我在几个客户现场反复看到同一类剧情。

第一家制造企业上了大模型问答助手，三个月后业务部门给的评价是八个字：答得挺流畅，不敢用。为什么不敢用？同一个"销售额"，营销口径含税、财务口径不含税，Agent 挑一个就往外答；主数据里"宝钢"和"宝山钢铁"是两条记录，Agent 引用错了历史单据，业务没人发现，直到对账时才炸出来。

另一家企业反过来：大模型上线前，先花四个月把指标口径、主数据、权限分级梳理了一遍。上线后，问答准确率从六成多提到九成以上，业务真的开始拿它当生产工具用。

同样的模型，同样的预算，结局天差地别。差别不在模型，在数据治理。

所以今天想认真回答一个问题：AI 时代，数据治理到底变了什么，没变什么。八个字作答——治数有道，驭智有方。四变，三不变，一共七个常识。

一个基本判断：治理没有贬值，是位置变了

过去二十年，数据治理在多数企业里的处境是"重要但不紧急"：花大钱做标准、建平台、发制度，业务感知很弱，治理团队年年都得为预算辩护。

AI 把这个局面掀了。过去治理做不好，代价是报表难看一点、口径吵架多一点；现在治理做不好，AI 会把你的混乱规模化放大——它不评判、不纠正、照单全收，然后以每秒成千上万次的速度，把你错的东西发布出去。

AI 时代，数据治理从"效率工程"变成了"事故防线"。

这里给一条定律：模型的上限是算法给的，下限是数据治理画的。你给 Agent 一个口径打架的指标库，它不会替你协调口径，它只会替你选边站——而且每次选的还不一定一样。人吵架，吵的是哪个口径对；机器猜，猜完就执行了。治理第一次直接决定了 AI 项目的生死，而不是 ROI 报表上的一行成本。

变化一：数据的消费对象，从"人"变成了"机器"

过去治理的所有产出——标准、口径、报告——最终消费者是人。人有一个被严重低估的能力：遇到歧义会停下来问。Agent 没有这个能力，遇到歧义会猜一个继续跑，猜错了也不吭声。

这意味着治理质量的要求被整整拔高了一个量级：过去"业务大概能看懂"的数据，机器用不了。一个字段含义靠"问老王"才能确认的表，在过去是正常现象，在 Agent 眼里是一颗定时炸弹。

推论：以后评估数据资产，别再只问覆盖率、及时率，要立一个新指标——机器可消费率：这份数据不经过任何人工解释，能不能被 AI 直接、正确地使用。这个指标现在还没有行业基线，谁先测出来，谁先拿到 AI 项目的体检报告。

变化二：治理对象，从"结构化"扩展到"非结构化"

行业老数据：企业里 80% 以上的数据是非结构化的——合同、图纸、会议纪要、邮件。传统治理基本绕着它走，顶多做个归档分级。

AI 时代，这批数据第一次有了规模化消费方：语料、知识库、RAG 索引。沉淀了二十年的合同条款，突然可以被问答了；散落在无数邮件里的业务规则，突然可以被提炼了。非结构化数据从"治理盲区"变成了"AI 燃料库"，绕了二十年的地方，现在绕不过去了。

与此同时，语义成了新的一等公民。术语表、指标口径、知识图谱的机器可读版本，从"锦上添花"变成 AI 应用的地基。过去业务术语表是发在门户上没人看的文档，现在它是 Agent 回答"我们公司逾期率怎么算"的唯一依据。

变化三：治理方法，从"人推"变成"AI 治数据"

有意思的是，AI 也在反哺治理本身。

标准与字段的自动映射、元数据的自动补全、质量规则的自动探查、数据血缘的自动解析——这些过去靠人肉完成的活，机器干得又快又不喊累。一个数据标准落地过去要开几十场对齐会，现在映射初稿机器十分钟出，人只做裁决。

治理团队的角色因此变了：从"治理操作员"变成"治理裁判员"。人的价值从"我做了多少映射"，变成"我裁决得有多准"。这也是治理团队在 AI 时代保住编制、甚至扩编的最好理由——不是砍掉治理，是把治理的人从体力活里解放出来。

变化四：数据 Owner 的责任，从"背名"变成"背责"

AI 把数据 Owner 的责任放大了一个身位。

过去口径定义错了，大不了开会给业务解释一下；现在 Agent 拿着你的口径对外作答，答错了就是事故，有截图、有传播、有追责。数据 Owner 这一页，终于从组织架构图上的署名，变成了责任书上的签字。

这是好事。治理推行二十年最难的就是"责任落地"，AI 用一种最硬的方式帮治理把这一关闯过去了：混乱不再是体验问题，而是资损问题。

不变的道：三件基本功，一件都不能省

变了这么多，什么没变？我说三件，都是老话，但 AI 时代一件都省不掉。

第一，标准与主数据。Agent 引用两条重复的主数据记录时，不会提醒你它们可能是同一家供应商。主数据做不好，AI 输出的每一个答案都自带混入错误记录的概率。地基不换，楼盖得越高塌得越快。

第二，元数据与血缘。AI 的每一次回答都需要可追溯：这个数从哪来、经过什么加工、口径谁定的。没有血缘的 AI 回答，和没有出处的传言没有区别——业务不敢用，出了事查不了。

第三，数据安全与分级分类。AI 彻底改变了数据的流动方式：原来锁在核心库里的数据，现在被切片进了向量库，被检索、被拼接、被引用进每一次回答。脱敏规则、权限边界、分级分类，只会比过去更重要，不会更不重要。AI 时代最大的数据泄露风险，是 Agent 一句"热心"的回答。

治理的基本功就像体检：平时觉得是成本，出事才知道是命。

给同行的行动清单（可直接抄）

最后照例上武器。如果你是这个季度要向老板汇报数据治理的数据负责人，这张清单可以直接带去开会：

1.盘点：列出未来 6 个月计划上线的 AI 应用清单，逐个标注它依赖的数据资产，找出"模型已就绪、数据未就绪"的缺口；

2.立指标：定义"机器可消费率"，选 10 张核心表测出基线，之后每季度晒改善幅度；

3.做专项：选 1-2 个高价值场景（智能问答、报告生成），先做口径统一与主数据清洗，再上线应用——顺序反了就是给混乱装上加速器；

4.扩边界：把非结构化数据纳入治理范围，从合同和会议纪要两类开始，别贪全量；

5.用 AI 治数据：选标准映射、元数据补全这类"机器出初稿、人做裁决"的任务做试点，量化节约的人天；

6.签责任：重新签数据 Owner 责任书，加上"AI 输出引用数据责任"条款；

7.换话术：汇报时别谈"治理体系多完善"，只谈三件事——AI 回答准确率从 X 到 Y、数据事故从 N 到 0、标准落地人天从 A 降到 B。

一句话：别再卖治理的苦劳，去卖治理的战果。

结语

回到开头那家企业。三个月后他们做的事，不是换模型、不是加预算，而是回过头把指标口径和主数据重新捋了一遍。模型没换，准确率上去了。

治数有道——道是标准、主数据、元数据、安全这些老功夫，一件没变；驭智有方——方是机器可消费、语义先行、AI 治数据、责任到人这些新打法。

数据和 AI 的关系，像地基和高楼：楼能盖多高看设计，楼塌不塌看地基。AI 时代最好的数据治理，不是让数据变多，而是让智能变得可信。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：王建峰，36氪经授权发布。