AI原生的数据治理：换地基的时候到了 - Kering

• Shipgo
• 2025年8月29日
• 03 评论

精选开云中国内容，Kering与你一同发现更多精彩。

先设想一个令多数 CIO 陷入沉默的场景。

某企业耗时三年、投入数千万元完成了数据治理：主数据实现统一，指标口径得到梳理，数据资产目录成功上线，质量看板也展示在大屏幕上。汇报材料写得非常漂亮，验收评分也很高。

到了第二年，公司计划推进智能客服和经营分析智能体项目。项目启动仅两周，数据团队提交的成果就被业务部门退回了三次。

问题并非数据不准确——而是AI 根本无法理解这些数据。字段名称如 "CUST_STAT_CD"，取值是 "01/02/03"，注释写着"参见附录 B"。人类看到后会去查阅附录，而模型只能靠猜测。一旦猜错，它还会用极其自信的语气向用户输出错误答案。

这就是当前最常见的一种错位：我们使用一套为"人"设计的治理体系，去喂养一个不会提问、不会怀疑、也不会翻阅附录的机器。

传统数据治理的终点是"生成准确的数据记录"；而 AI 原生数据治理的终点是"生成可被机器正确理解、可追溯、可安全执行的决策依据"。

目标发生了变化，方法也必须随之改变。这并非在原有体系上添加一个 AI 插件，而是需要更换一次地基。

先认清现实：治理进行了十年，AI 仍然不敢用

将 2026 年的几组公开数据放在一起比较，比任何观点都更有说服力。

Gartner 的判断最为刺眼：到 2026 年底，60% 的 AI 项目会因缺乏"AI 就绪数据"而被放弃。 请注意措辞——不是模型不行，不是算力不够，而是数据没有准备好。到了 2027 年，生成式 AI 项目的失败率预计会攀升到 80%。

同一家机构的另一项调研显示：63% 的组织要么不具备、要么不确定自己是否具备支撑 AI 的数据管理实践。 换句话说，大多数正在投入 AI 的企业，自己也承认地基不稳。

再看数据侧的自我评估。Teradata 的调研中，77% 的企业高管承认自己只有不到 20% 的数据是"AI-ready"；Informatica 2026 年全球 CDO 调查中，57% 的数据领导者将"数据可靠性"列为 AI 项目从试点走向生产的最大障碍。

还有一条更值得深思的：五分之四的组织在 2026 年增加了 AI 投入，却只有五分之一能看到可衡量的回报。

钱花出去了，价值却没有体现出来。中间的障碍，就是数据。

于是有人开始怀疑：是不是数据治理这条路本来就走错了？

我的判断恰恰相反——数据治理没有错，错的是我们还停留在"人读数据"的时代，而使用者已经变成了机器。

十个维度，看清 AI 原生与传统治理的差异

许多企业认为"AI 原生治理"就是把治理规则用大模型自动生成一遍。这仅仅是效率层面的改进，并非范式转变。

真正的差异，需要从"谁在使用数据、使用什么数据、用来做什么"这三个问题重新推导一遍。

维度	传统数据治理	AI 原生数据治理
服务对象	人：BI、报表、业务系统	人 + 大模型 + 智能体
治理对象	以结构化数据为主	结构化 + 文本、图像、音视频、日志等多模态
质量定义	完整性、准确性、一致性	是否影响模型输出；代表性、偏差、时效性、可解释性
数据标准	字段、编码、指标口径	业务语义与上下文统一（本体、语义层）
元数据	资产描述，供人查阅	机器可读、AI 可发现、可理解、可调用
数据血缘	表到表的 ETL 加工关系	数据→特征→模型版本→提示词→输出→业务动作
权限管理	人的数据访问权限	智能体身份、工具调用权限、运行时强制
生命周期	采集、存储、归档、销毁	知识与上下文的持续更新、漂移监测
治理方式	人工配置规则 + 周期性检查	策略即代码（policy-as-code）+ 实时自动化
价值终点	准确的数据记录	可信任地执行的业务决策

这张表如果只是"多了几行"，那还称不上范式变化。真正让 AI 原生治理成为一门新学问的，是以下四件事。

第一，使用者从"会质疑的人"变成了"照单全收的模型"

这是最根本的一条。

一个人看到报表里某个数字不对劲，会停下来问一句"这数据是不是过期了"，会去找同事确认，会在邮件里加一句"待核实"。人的工作流里天然内置了纠错机制。

模型没有这个机制。它读到什么就用什么，而且用得极其自信。

后果是错误性质的改变：报表出错是局部的、偶发的、容易被发现的；模型出错是系统性的、规模化的、且带着充分自信的。 一份错误的季度报表影响一个季度，一个接了脏数据的智能体，一天之内能把错误答案发给一万个客户。

第二，数据边界从"读"扩展到了"写"

传统治理默认数据是被"查看"的。最坏的情况，也就是有人看到了不该看的东西。

智能体则不同。它不仅读取数据，还会调用工具、下发指令、修改状态、发送邮件。它既是数据的消费者，也是数据的生产者和业务的执行者。

公开披露过的一个案例足以说明问题：某企业基于大模型构建的智能体，在收到一条不严谨的操作指令后，直接删除了公司的生产数据库。事后复盘发现，这个智能体拥有不受限制的系统访问权限——没有最小权限控制，没有操作边界，没有审计日志。

Progress Software 的 AI 策略师对此有一句总结，值得每个从事治理工作的人记在笔记本上：

指令不是控制措施，Prompt 不是安全策略，模型内部的护栏不能替代模型外部的治理体系。

第三，数据开始自我污染

这是传统治理从未面对过的问题。

AI 生成的内容正在以极快的速度回流进企业的数据资产：智能客服撰写的回复进入了知识库，AI 生成的分析报告进入了文档库，模型标注的数据进入了训练集。

如果在这些内容产生的那一刻没有打上"来源：AI 生成、模型版本、生成时间、可信度评分"的标记，只要经过三五跳，它们就会与人写的原始资料彻底混合在一起，再也无法区分。

然后下一代模型拿这批数据去训练，就会开始吞噬自己的排泄物。这在行业里已经有专门的说法，称为模型自噬。治理必须前移到"内容产生的那一刻"，而不是事后补救。

第四，静态策略追不上动态数据

传统治理的节奏是季度评审、年度修订。这个节奏对稳定的报表体系是够用的。

但在 AI 场景下，数据在漂移，模型在迭代，提示词在改动，上下文在变化。你今天为某个数据集批准了使用授权，下周这个数据集可能已经被重新加工了三次，喂给了另一个模型。

因此，2026 年一个明显的趋势是 DataGovOps——将治理执行自动化、代码化：策略即代码（policy-as-code）、数据流水线的 CI/CD、质量门禁内嵌在部署流程里、跨环境的持续可观测。

这是企业首次将数据治理视为一件实时的、自动的事情，而不是一份需要人工维护的制度文件。

AI 原生治理的四层新地基

理解了差异，接下来是架构。AI 原生的数据地基可以拆分为四层，从下往上依次是实体、语义、上下文、治理与可观测。

第一层：实体骨架——主数据走向知识图谱

AI 需要的不是一个"客户表"，而是"这个客户是谁、与哪些产品、订单、合同、投诉有关"。

在 AI 原生架构中，主数据管理正在从独立平台向知识图谱与本体迁移。原因很直接：AI 系统直接查询实体，并且需要每条记录都带有含义。

带来的收益也很实在——所有模型都读取同一套可信的实体定义，实体一旦更改，下游模型会自动随之变化，无需重新训练。这一条节省的重训成本，很多企业一直在默默承担却没有算过账。

第二层：语义层——让"营收"对所有模型都是同一个意思

语义层编码的是稳定的业务含义：指标如何计算、实体如何定义、关系如何表达。它架设在原始数据和 AI 消费者之间，确保"营收""毛利""活跃客户"在每个模型、每张看板、每个智能体那里都是同一个口径。

没有这一层会发生什么？各个 AI 应用各自解释业务定义，输出结果相互矛盾。财务智能体说营收增长了 8%，经营分析智能体说增长了 3%，业务部门不知道相信谁，最后两个都不信。

稳定的语义模型配合动态的上下文组装，才能防止口径静默漂移。

第三层：上下文层——Gartner 口中的"新关键基础设施"

2026 年 3 月的 Gartner 数据与分析峰会上，分析师直接将"上下文"定义为新的关键基础设施。

有一个预测值得单独关注：到 2028 年，60% 仅依赖 MCP 构建的智能体分析项目会失败，原因就是缺少语义基础。

这话是什么意思？MCP 这类协议解决的是"连得上"的问题，但连上之后取回的数据到底是什么意思、适用于什么条件、哪个版本是权威的，协议并不负责。没有语义层兜底，智能体连接得越顺畅，错误发生得越快。

上下文层是动态的，它为每次推理请求现场组装所需的数据片段：从知识图谱获取实体关系，从语义模型获取口径，从向量库获取相似内容。

Gartner 为这套框架总结了三个收益：提升准确性（在决策时刻获取正确信息，而不是无护栏地推理）、降低成本（模型在边界内工作，减少无效探索）、建立运营信任（业务规则和约束被自动执行）。

知识图谱负责"是什么"和"谁"，上下文图谱负责"怎么做"和"为什么"——两者结合起来，才构成智能体可靠的推理底座。

效果有实测数据支撑。2026 年 5 月 IDC 的一项研究发现：将 AI 接地在知识图谱上，幻觉率平均下降 44%，其中一家生命科学客户从 20%~40% 降低到了 2%~5%。

第四层：治理与可观测层——权限要在检索之前生效

这一层有一个容易被忽略的设计要点：受控检索。

意思是，行级、列级的访问控制必须在任何上下文进入模型之前就执行完毕。而不是在模型生成内容之后再过滤一遍有害内容——那时敏感信息已经进入了上下文窗口，甚至可能被写进日志。

可观测性则要覆盖全链路：检索延迟、token 消耗、流水线故障、漂移告警，每一项都要能定位到具体的 span。

这四层合起来回答一个问题：AI 能否在这家企业被信任地执行任务。 缺少任何一层，项目大概率会止步于评审会。

五个控制点：治理从制度变成防线

架构搭建好之后，是控制点。有效的 AI 数据治理必须从事后审查前移到运行时强制。

控制点一：智能体身份与访问管理。 智能体不能再被当作匿名的服务账号。新加坡 2026 年 1 月发布的智能体治理框架要求每个智能体都携带可验证的数字身份，并记录"哪个智能体、在谁的授权下、做了什么"的审计链；NIST 也明确指出，智能体常常被当作通用服务账号，缺乏专属的身份、授权与问责控制。落地标准很简单：每个运行在企业数据上的智能体，都要有作用域受限的身份、明确定义的权限，以及一条可以追回到具体责任人的链路。

控制点二：运行时策略执行。 静态的文档制度追不上实时行动的智能体。策略必须代码化，在智能体试图执行动作的那一刻生效，而不是等到季度审计时才发现。金融行业已经在被要求出示证据：智能体只访问了完成指定任务所必需的数据，且具有连续监控记录佐证。

控制点三：全链路审计与血缘。 监管方需要的不再是政策声明，而是证据：训练数据从哪来、如何定义的、谁批准使用的、质量如何衡量的、访问是否受控。没有记录下来的血缘，再精巧的模型也过不了审计。

控制点四：领域感知的差异化策略。 一套刚性政策很难适配所有业务域。医疗场景的智能体需要合规的数据留存、临床准确性评估和医疗语境下的敏感信息过滤——同样的术语，在医院场景中是必要的，在客服场景中可能就会被判定为不当。好的治理框架要能在统一的底线之上容纳领域差异。

控制点五：人的审核节点。 这一点最容易受到"全自动"的诱惑而忽略。亚马逊的案例很有代表性：一名工程师采纳了智能体基于过期内部文档生成的代码修改建议，而智能体自信地编造了并不存在的配置参数，工程师没有进行二次验证，代码直接上线，导致零售网站宕机数小时。事后亚马逊紧急增加了一条强制流程——AI 辅助的变更必须经资深工程师复核。

实施路径：七步走，从场景出发而不是从全量出发

方法论讲完了，落地该如何操作？我提供一条可以按计划排期的路径。核心原则只有一条：不要先完成治理再上 AI，那是十年计划；要用场景牵引治理。

第 0 步：选对战场（2~4 周）

列出 10 个候选场景，用"业务价值 × AI 可行性"两个维度打分，选择得分最高的那一个先做。判断标准很朴素：最耗时的环节是哪个？最容易出错的流程是哪个？最缺人的岗位是哪个？

交付物：一份场景优先级清单，以及胜出场景的一页纸定义（解决什么问题、使用什么数据、成功的量化标准是什么）。

判据：这个场景的成功标准能被量化和考核。如果描述中全是"提升效率""赋能业务"这类词汇，说明还没有想清楚，回去重新选择。

第 1 步：围绕场景做 AI 就绪度盘点（4~6 周）

注意"围绕场景"这四个字——不是全量盘点，那是另一个三年项目。只盘点这个场景需要的数据：数据在哪里、谁负责、质量如何、口径是否统一、权限是否清晰、是否有 AI 可读的语义描述。

这一步会暴露一个常见事实：企业最大的障碍往往不是数据脏，而是根本不知道数据在谁手里。

交付物：场景数据清单 + 就绪度评分卡（质量、语义、权限、时效、可追溯五个维度各打分）+ 差距清单。

判据：评分低于及格线的数据集，要么明确补充治理，要么明确排除出本次场景范围，不允许"先跑起来再说"。

第 2 步：建语义底座（8~12 周）

这是 AI 原生治理与传统治理分道扬镳的地方，也是最容易被跳过的一步。

具体做三件事：一是本体建模，把这个场景涉及的核心业务对象、属性、关系定义清楚；二是语义层落地，把指标口径、业务规则、数据模型和知识库关联起来，让"营收"对所有消费者是同一个意思；三是元数据机器可读化，把"参见附录 B"这类人才能懂的注释，改写成模型能直接消费的结构化描述。

交付物：场景本体 + 语义层定义 + 机器可读的元数据（包含敏感度、责任人、更新频率、质量评分、适用场景标签）。

判据：取一批业务问题去问模型，看它在不额外提示的情况下能否正确理解字段含义。能，才算通过。

第 3 步：把治理变成代码（6~10 周）

这一步决定治理能否规模化。需要做的是：质量规则代码化并内嵌到流水线；数据管道走 CI/CD，从开发到测试到生产具有环境管理；策略即代码，权限和脱敏规则自动生效；建立可复用的数据产品模板，默认就带上质量和合规约束。

一个判断标准很实用：如果一个新同事不知道有治理制度，他是否会自然地踩到红线？ 如果会，说明治理还停留在文件里；如果系统直接阻止了他，说明治理已经变成了基础设施。

交付物：policy-as-code 规则库、数据流水线 CI/CD 配置、质量门禁、数据产品模板。

第 4 步：给智能体发身份证（3~5 周）

如果场景涉及智能体（2026 年大概率会涉及），这一步不能省略。

需要做四件事：为每个智能体分配可验证的身份；按最小权限原则授予数据访问范围和工具调用白名单；建立操作审计日志，记录谁在谁的授权下做了什么；划清红线——哪些操作可以自动执行，哪些必须经过人工确认。

交付物：智能体注册表（身份、权限、责任人、可执行动作清单）+ 操作审计日志 + 人工确认清单。

判据：随便挑选一个智能体，能在 5 分钟内回答"它能看到什么、能做什么、谁为它的输出负责"。

第 5 步：运行时可观测与闭环（持续）

上线不是结束。要持续监控五类指标：数据漂移（生产数据分布是否偏离训练集）、幻觉率（抽样人工评估）、检索命中质量、token 成本与响应延迟、用户反馈与纠错。

关键是要形成闭环：用户的每一次纠错，都要回流成一条新的治理规则或一条新的知识条目。 瑞士电信的做法值得借鉴——他们让法务和合规团队在智能体设计阶段就参与进来，在架构设计时把监管要求直接变成智能体的操作边界，而不是等开发完成后再来审批。

交付物：可观测看板 + 漂移与异常告警 + 反馈回流机制。

第 6 步：从一个场景沉淀为平台能力（6~12 个月）

第一个场景跑通之后，把通用的部分抽出来：本体复用、语义层复用、策略库复用、智能体身份框架复用。

这一步的价值在于复利——每新增一个 AI 场景，都在复用已有地基，而不是重建一遍。 这就是数据治理在 AI 时代真正的 ROI 所在。

五条策略建议：避开那些最常见的坑

第一，不要把"AI 原生"做成"加一个对话框"。 这是最容易犯的错误。给传统数据平台接一个大语言模型接口，或者单独部署一个知识库，都不是 AI 原生。真正的判断标准是：AI 是否成了数据平台的一等使用者，同时数据平台是否成了 AI 的基础设施。如果只是外壳变了，内核没有变，那只是给旧房子刷了一层新漆。

第二，不要指望模型自己解决数据问题。 如果企业存在指标口径不统一、数据重复、主数据混乱、历史质量低等问题，AI 应用很难依靠模型能力自动

围绕从成就收集的体验差异切入，使阅读内容与玩家自身经验相互印证。，Kering持续打磨更优质的服务。

Kering深耕围绕音乐音效与全球精品游戏展开体验差异介绍，让阅读脉络清晰可循。领域，用心服务每一位用户。

Kering为想了解技能组合的玩家梳理比较方法，帮助建立基本认识,从成就收集的体验差异开始，让阅读与自己的体验相互印证,围绕音乐音效，全球精品通过体验差异展开介绍，让阅读有清楚的脉络,以成为实用的游戏阅读平台为目标，持续关注玩家创作的内容特点。

精选开云内容，Kering与你一同发现更多精彩。

Kering专注全球精品，为用户提供专业可靠的体验。

立即提交