数据治理的尽头，是AI治理的起点

2024年，一家大型保险公司上线了一套AI核保系统。模型训练数据质量很高，评估报告也漂亮，准确率达到96%。但上线三个月后出事了：系统对某个地区的投保人持续给出偏低的核保通过率，而这个地区恰好是经济发展水平较低的县域。问题查了一圈，结论让人意外——数据没问题，算法没问题，是"数据质量好"掩盖了"数据代表性不足"。

训练集的质量指标全部达标，但数据来源集中在一二线城市，欠发达地区的数据占比不到3%。数据治理审查了准确性、完整性和及时性，但从未审查过"代表性"——因为这不是数据治理的职责范围。AI治理团队接手后，才发现这个缺口。

这个案例揭示了一个正在被越来越多企业意识到的真相：数据治理管得了数据的"身体"，管不了AI的"灵魂"。两者缺一不可，更无法替代。

今天我们就来聊聊：AI治理究竟是什么？数据治理的边界在哪里？它们之间到底有什么样的内在关联？

一、AI治理：管的不是"算法"，是"责任"

先澄清一个常见的误解：AI治理不是"管AI"。它不是说不让AI做什么，而是确保AI系统在被信任地使用——安全、公平、透明、可问责。

IBM给出了一个很精准的概括：数据治理问的是"这数据可信吗"，AI治理问的是"这模型的决策可信吗"。一个是管理资产，一个是管理系统。

那么AI治理到底管什么？综合国际主流的EU AI Act、NIST AI RMF、ISO 42001等框架，AI治理有四大核心领域：

第一个，公平性与偏见检测。不是算法不准的问题，而是"准了也不公平"的问题。开头保险公司的案例就是典型：数据质量一流，但代表性失衡导致系统性歧视。AI治理要确保模型不会在不同人群或场景中产生歧视性输出。

第二个，可解释性与透明度。"这个贷款为什么被拒？"——过去银行可以用信用评分回答，但AI模型给不出这么简单的解释。欧盟AI Act明确要求高风险AI系统必须具备可解释性，用户有权知道AI决策的理由。

第三个，模型风险与持续监控。模型不是部署了就完了。它会漂移——数据分布变了、业务场景变了、用户行为变了，都会导致模型性能下降。AI治理要求持续监控模型表现，在漂移影响决策之前发现问题。

第四个，问责制与合规。谁对模型输出负责？出了事找谁？AI治理必须明确权责归属，并且把控制措施映射到具体的监管要求——EU AI Act、NIST AI RMF、国内的算法备案制度等。

这里有一个容易被忽视的关键点：AI治理不等于合规治理。

Alation的AI治理白皮书中提出了一个重要区分——AI领域有两个完全不同的问题，但常常被混为一谈：

• 第一种：AI治理 追踪哪些模型已部署、哪些法规适用、文档是否完整。 这是合规问题。 EU AI Act、NIST AI RMF、ISO 42001不可回避。
• 第二种：治理AI 确保Agent消费的知识——业务定义、数据质量信号、语义模型——在AI运行的每个平台上都是准确、一致、可辩护的。 这是准确性问题。

一个通过所有合规检查、但基于不一致的语义模型做推理的Agent，仍然会产生自信但错误的答案。大多数企业重金投入第一个问题，严重低估第二个问题。

从法规维度看，AI治理正在全球加速落地：

• 欧盟：EU AI Act是全球首部综合性AI监管立法，按四层风险分级（禁止、高风险、有限风险、低风险），核心条款2026年8月全面适用，违者最高罚全球营收7%

• 美国：2025年底签署国家AI政策框架行政令，2026年6月追加前沿模型自愿预发布审查机制

• 中国：发布《全球人工智能治理倡议》《人工智能全球治理行动计划》，建立算法备案、大模型安全评估、生成内容标识三大制度，推进人工智能综合性立法

• DCMM 2.0：2026年7月1日起，4级及以上认证强制要求企业具备AI自动化质量校验、智能安全审计、AI驱动的元数据发现能力

这意味着什么？AI治理已经从一个"要不要做"的选择题，变成了"怎么做好"的必答题。

二、数据治理：不只是"管数据"，而是"管价值的根基"

数据治理我们相对熟悉，但它的内涵在2026年被DCMM 2.0从根本上重写了。

如果把数据治理的定义浓缩成一句话：它是确保数据资产的质量、一致性、安全性与可用性的战略方法，涵盖政策、流程、标准和工具。IBM的定义进一步强调：数据治理要建立清晰的权责归属、定义角色与责任、制定标准、实施控制措施——目的是在最大化数据价值的同时，最小化数据管理不善或泄露的风险。

而DCMM 2.0在2026年7月1日正式实施后，可以说是重新定义了数据治理的能力版图：

这不是小修小补。DCMM 2.0将数据治理的重心从"把数据管好"升级为"让数据产生价值"。新增的数据资产域直指数据产权登记、价值评估和资产入表。数据应用域升级为"数据应用流通"，新增了外部数据管理和AI数据应用两个能力项——大模型时代的数据治理要求直接被写进国标。

现代数据治理有五大核心支柱：

第一，数据质量管理。完整性、准确性、一致性、及时性、唯一性——五个维度缺一不可。这是最基础也最难做扎实的。IBM一针见血地指出：数据治理失败会影响数据本身，但AI治理失败可能在规模上产生系统性偏见——而数据治理恰恰设定了模型可靠性的上限。

第二，数据安全与隐私。分类分级、访问控制、脱敏加密、跨境合规。DCMM 2.0将安全评分从15%提升到25%，安全域重构为"合规+防护+审计"三维体系——合规不再只是"建了制度"，而是"出了问题能举证、能追溯"。

第三，元数据与血缘管理。这是数据治理最容易被低估的能力。元数据描述"数据是什么"，血缘记录"数据从哪来、经过哪里、到了哪里"。DCMM 2.0首次对数据血缘提出明确要求——数据溯源、监控和退役全链路管控。

第四，数据标准与主数据管理。统一业务术语、统一编码规则、统一数据口径。没有标准就没有跨系统的一致性，没有主数据就没有单一可信源。

第五，数据资产化运营。DCMM 2.0新增的旗帜性能力。包含权属管理（谁的数据）、价值评估（值多少钱）、资产运营（怎么增值）。这直接对接财政部的数据资产入表政策——要求企业把数据像固定资产一样管起来。

总结一下：如果说2018年的数据治理是"守——把数据管住不出事"，2026年的数据治理是"攻——让数据变成资产增值"。从"管住"到"用活"，这是数据治理最大的进化。

三、AI治理与数据治理：三层内在关联

这是整篇文章最核心的部分。

先讲一个Everest Group研究中的场景：当AI系统产生有偏见的输出、审计失败或触发意外动作时，问责通常会"碎掉"。数据治理团队指着模型说"是模型的问题"。AI治理团队指着上游的数据质量、血缘或使用策略说"这些我们没控制"。双方都可能没错——但这就是问题本身。

这就是AI治理与数据治理之间"结构性缺口"的典型写照。这个缺口存在于数据治理的控制边界和AI治理的控制边界之间——当数据变成模型输入、检索上下文、提示上下文、Agent记忆或工作流动作时，没有人真正对"这个数据被这个AI系统以这种方式使用"的全链条负责。

这个缺口不是偶然的，而是结构性的。理解了它的三层关联，才能真正弥合。

第一层关联：数据治理是AI治理的"地基"

这是两者最基本、也最重要的关系。OvalEdge的AI治理白皮书用一句话概括："AI治理扩展数据治理，而不是替代它。"依赖关系是单向的——AI治理无法补偿其下层薄弱的数据治理。

具体来说，AI治理的四个核心能力都直接依赖数据治理的基础设施：

OvalEdge说了一句很扎心的话："如果一个组织的AI治理建立在薄弱的数据基础上——没有质量控制、没有认证定义、没有血缘——那么模型风险委员会审查输出意义甚微。结果是对不可靠输入的自信监督。"

第二层关联：AI治理反过来"倒逼"数据治理升级

关系不是单向的。AI治理在依赖数据治理的同时，也在创造新的数据治理需求。这是最容易被忽视的一层关联。

IBM的洞察非常精准："AI决策依赖数据血缘。知道数据来自哪里、如何被使用、谁有权限——是审计AI结果的关键。但反过来，Agentic AI的崛起让数据治理有了全新的维度。"

三个"倒逼"方向：

① 数据代表性要求的倒逼。开头保险公司的案例就是典型。传统数据治理只关心数据"准不准"，AI时代还需要关心数据"全不全、偏不偏"。数据代表性成为新的质量维度。

② 语义一致性的倒逼。AI Agent跨多个平台运行时，同一个"客户流失率"在Snowflake、Databricks、Tableau里定义不同——Agent拉出来的答案自然不一致。Alation提出的"语义层面的主数据管理"正是解决这个问题——需要有人把跨平台的业务定义集中治理、统一同步。

③ 数据使用权管控的倒逼。传统数据治理只管控"谁能访问"，AI时代需要管控"Agent能怎么用"。一个Agent读取了客户数据，是用于分析、还是用于训练、还是用于做自动化决策？这三个场景的合规要求完全不同。

所以AI治理不是数据治理的"消费者"，而是数据治理的"需求方"和"检验者"。哪里有AI跑不动了，往往哪里就是数据治理的最短板。

第三层关联：监管正在把两者"焊死"在一起

这个趋势非常明确。Everest Group的研究指出："监管机构和标准制定组织越来越将数据质量、血缘、透明度、监控和问责视为相互关联的义务。"

分开运行的数据治理和AI治理工作流，在内部可能看起来井井有条，但在外部审计面前会产生两个不完整的证据链：一个解释数据资产（谁拥有、什么质量、什么访问策略），另一个解释AI系统（什么用途、什么评估结果、什么监控状态）。两者之间缺一个关键链接：这个具体的AI系统，在这个具体的控制条件下，用了这个具体的数据。

EU AI Act是最清晰的信号。对高风险AI系统，它把数据治理、透明度、人工监督和上市后监控放在合规义务的中心位置。当AI系统处理个人数据时——这在现实中几乎不可避免——GDPR和EU AI Act同时适用，企业必须建立能同时满足两个法规的治理框架。

国内的DCMM 2.0也在走同样的路：4级以上强制要求AI自动化质量校验、智能安全审计、AI驱动的元数据发现；5级新增生态创新和数据驱动业务变革的硬性条件。数据治理能力评级和AI治理能力评级正在被同一个标准框架整合。未来的审计不会问"你们数据治理做得好不好"和"你们AI治理做得好不好"两个问题——而会问一个："从数据到模型到决策，你们的治理证据链是否完整？"

四、Agentic AI时代：治理缺口正在被"放大"

如果说传统AI时代的治理缺口还能"忍"，Agentic AI时代的到来让这个缺口变得不可忽视。

传统的AI部署大多产生预测、推荐、分类或内容输出——大多数情况下，人类会在行动前审查结果。但Agentic AI不同：Agent会理解目标、拆解任务、调用工具、访问企业系统、执行工作流。在受控环境中，这能提升速度和一致性；在治理薄弱的环境中，它会把小的数据问题、访问失败或策略缺陷放大成下游的实际行动。

Everest Group的研究数据很能说明问题：企业级Agentic AI的落地热情极高，但只有五分之一的Agentic AI试运行项目进入了生产阶段。所有权、资金和运营模式都还在成熟期。而真正的危险不在于现在Agent已经在高风险流程中自主运行，而在于"方向已经明确"——随着Agent获得更多责任，在分析和咨询场景中还能容忍的治理缺口，在执行和决策场景中将变得难以接受。

还有一个容易被忽略的维度——成本正在变成治理问题。Uber在2026年头四个月就耗尽了全年的AI编码预算，被迫设置使用上限。当AI规模化运行，成本隐藏在推理、检索、数据移动、API调用和Agent工作流执行中。没有贯穿数据治理和AI治理的统一视图，企业就无法知道哪个数据、哪个模型、哪个Agent、哪个业务单元在驱动消耗。糟糕的数据质量增加了重试和返工，薄弱的控制触发了不必要的工具调用——未管理的AI消费本身就是一种新的治理风险。

五、如何构建统一治理：五步路线图

好了，认识了问题，接下来解决问题。综合IBM、OvalEdge、Everest Group和Alation的实践框架，统一数据治理与AI治理有五步行动路径。

第一步：以数据治理为地基，AI治理为楼层。不要把两个项目孤立运行。依赖关系是单向的：AI治理无法补偿其下薄弱的数据治理。但也不要等数据治理"做完"再启动AI治理——那样AI会在等待期间无治理地运行。并行推进，数据治理先行半步。

第二步：建立共享清单。两个孤立的注册表产生两个版本的真相。统一管理数据资产和AI系统的清单——一张清单暴露数据资产和消费它们的模型之间的依赖关系。数据合约（Data Contract）应链接到模型卡片（Model Card）和系统卡片——上游数据变更自动触发下游模型影响审查。

第三步：延长血缘到模型端。数据治理的血缘能力不要止步于数据仓库的边界，要延伸到模型训练→推理→决策的全链路。当审计员追问"这个决策是基于什么数据做出来的"，你能从模型输出一直追溯到原始数据源。Everest Group强调：审计证据必须串联血缘、质量、访问权限、模型行为、Agent动作和监控结果——形成一致决策、端到端可见性和规模化可信AI的基础。

第四步：让AI继承认证定义。不要让AI团队构建并行的业务术语表。认证的元数据定义应该自动流入AI模型的上下文中——一个Agent查"客户流失率"，不管它背后跑在Snowflake还是Databricks上，拿到的定义必须一致。这就是Alation所说的"语义层面的主数据管理"——治理层独立于任何单一平台，集中管理定义，同步到所有需要它的地方。

第五步：明确"中间地带"的联合所有权。血缘、敏感数据、合规——这些位于数据治理和AI治理之间的共享区域，CDO和CAIO必须联合拥有。不是"我管到数据出去为止，你从模型开始接"，而是"我们共同对数据如何被AI使用负责"。Everest Group提出五个自检问题，每个部署了AI的团队都应该能回答：

① 系统使用了什么数据？

② 哪些政策适用于这些数据？

③ 模型或Agent如何使用这些数据？

④ 系统能够执行什么操作？

⑤ 保留了哪些证据，谁最终负责？

如果这五个问题无法通过一条完整的证据链回答，你的统一治理模型还没准备好规模化。

六、两个常见陷阱，必须绕开

在构建统一治理的过程中，有两个高频陷阱。

陷阱一："我们数据治理做得很好，AI治理自然就够了。"

这是最危险的错觉。数据治理从未被设计用于捕捉模型训练集的偏见、监控性能漂移或解释算法决策。它管的是数据的"物理属性"——质量、安全、血缘；但它不管AI的"行为属性"——公平性、可解释性、问责。两者各自覆盖了风险谱系的一半，缺了哪一半都会出事。

陷阱二：注重AI合规，忽略AI准确性。

前面讲过两个问题：AI治理（合规问题）和治理AI（准确性问题）。大多数企业把所有资源投入前者——建模型注册表、写评估报告、做合规审查。但Alation的数据显示，真正让AI项目失败的往往不是合规审查不通过，而是模型输出不准确、不一致、不可信。通过所有合规检查但基于错误语义模型做推理的Agent，比一个永远不上线的合规AI危险得多。

还有一个隐藏陷阱——影子AI（Shadow AI）。员工已经在使用但未披露的第三方AI工具、浏览器扩展、未经授权的LLM集成——这些默认位于数据治理和AI治理的控制之外。OvalEdge建议：影子AI的发现需要数据治理已有的发现和分类能力——从一开始就把它纳入统一治理项目，而不是等出了事才补救。

最后的判断

回到最开始的问题：AI治理和数据治理到底是什么关系？

不是先后关系——不是先把数据治理做好、再做AI治理。两者必须并行推进。数据治理先行半步，AI治理紧随其后。

不是替代关系——不是说有了AI治理就不需要数据治理了。AI治理"扩展"数据治理，不是"取代"它。依赖是单向的：地基不牢，楼盖不起来。

不是平行关系——不是在组织架构里建两个独立的部门。数据治理和AI治理需要一个"共享控制层"——联合的政策框架、打通的血缘链路、共享的术语定义、联合的所有权归属。

它们是一个连续体。一端是数据资产的管理——谁拥有、什么质量、什么标准；另一端是AI系统的管理——什么行为、什么风险、什么问责；中间是一切"数据变成模型输入"的过渡地带。这个过渡地带，恰恰是大多数企业的治理真空区。

Everest Group说了一句很精彩的话："近期赢家不会是那些最快冲向自主化的企业，而是那些给AI系统和Agent以受治理的方式访问企业数据的企业。自主化只会建立在从一开始就内置的问责制之上。"

数据治理的终点，不是数据被"管好"的那一刻，而是数据被AI"用好"的那一刻。而那一刻到来之前，AI治理必须已经准备好了。

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。

发布时间：2026-07-23 19:18

• 上一篇:

  印度工厂被“合资”，改写了vivo的全球化

• 下一篇:

  ATG（地空通信），真的能成功吗？