AI进入传统产业后，数据产业为何成为关键支撑：企业应如何重做数据治理

【软盟资讯·新闻导读】随着大模型和人工智能应用从试点走向生产、经营与决策环节，传统产业面对的核心问题，已不只是“有没有数据”，而是数据是否准确、可理解、可授权、可追溯，并能持续获得业务反馈。公开研究和企业实践显示，数据治理正在从IT后台工作转向支撑AI落地的经营基础。对传统行业而言，启动AI项目之前，补齐数据标准、质量管理、权限控制和流程闭环，往往比单纯扩大数据规模更重要。

人工智能进入传统产业后，数据治理为何突然成为关键支撑？答案并不复杂：AI模型可以快速学习和生成内容，但它并不会自动理解企业内部的业务规则、组织边界和数据责任。如果订单、客户、设备、库存、供应商等基础信息长期分散在不同系统中，定义不一致、更新不及时、权限不清晰，那么模型即使具备较强能力，也可能建立在不稳定的业务事实之上。

因此，数据治理不应再被理解为“把数据交给IT部门清理一次”，而应被视为企业经营体系的一部分。它要回答的是：哪些数据能够用于生产和决策，数据由谁负责，质量如何衡量，使用是否合规，结果出现偏差后由谁纠正，以及业务流程如何把反馈重新沉淀为可用数据。

AI项目的第一道门槛，不是模型而是数据可用性

传统企业推进人工智能应用，通常会从预测性维护、质量检测、智能客服、销售预测、知识问答或供应链优化等场景切入。这些场景看似不同，但都依赖几类共同基础。

第一是数据质量。模型训练和应用需要相对准确、完整、一致且及时的数据。例如，设备故障记录如果缺少维修时间，产品质量数据没有统一的缺陷分类，销售数据中客户名称存在多个写法，那么模型很难准确判断问题原因。数据量增加，并不等于有效信息增加；大量重复、过期或无法解释的数据，反而会提高清洗和判断成本。

第二是数据标准。企业不同部门可能对“客户”“订单完成”“有效线索”“停机”“合格产品”等概念有不同理解。若没有统一的数据口径，经营报表、模型指标和业务人员的实际判断就可能互相矛盾。数据标准的价值，不是把所有业务强行做成同一种流程，而是明确关键概念、字段含义、计算方式和责任边界。

第三是权限管理。AI应用通常会扩大数据调用范围，尤其是企业内部知识问答、经营分析和智能体应用，可能同时接触合同、客户、成本、员工或生产数据。没有清晰的权限体系，模型输出就可能出现越权访问、敏感信息泄露或结果无法审计等问题。

第四是业务反馈。AI输出不是业务终点。预测是否准确、推荐是否被采用、质检结果是否被复核、客服回答是否解决问题，都需要回到业务流程中记录。没有反馈机制，模型只能依靠一次性数据运行，难以持续改进。

从“数据数量”转向“业务可用的数据”

一些企业在数字化转型早期形成了“先建设系统、后处理数据”的路径。不同部门围绕局部需求采购系统，短期内能够解决业务问题，但长期可能造成数据孤岛：同一客户在不同系统中拥有不同编号，同一产品使用不同规格描述，同一设备的运行状态无法与维修记录关联。

公开资料中，艾瑞咨询发布的《2022年中国面向人工智能的数据治理行业研究报告》指出，传统数据治理体系往往难以完全满足AI应用对高质量数据的要求，并提示企业避免“数据埋点大而全”的治理陷阱。这一判断的实际含义是，企业没有必要一开始就治理所有数据，而应优先围绕高价值业务场景建立最小可用的数据基础。

可以把数据分为三个层次：

企业推进AI项目时，优先级应当从“最能影响经营结果”的场景开始。比如制造企业可以先治理某条产线的设备、工单、维修和质量数据，而不是立即对全公司的所有数据进行全面重构；零售企业可以先统一商品、门店、会员和订单信息，再逐步扩展到营销内容和客户服务。

数据治理要补齐哪些基础能力

建立业务和技术共同负责的组织机制

数据治理不能只由信息部门承担。IT部门擅长系统、接口和平台，业务部门更了解数据的实际含义和使用场景。企业可以围绕重点业务域明确数据负责人，由业务部门负责口径与应用价值，技术部门负责实现、质量监控和服务能力。

这种机制的关键不是增加会议数量，而是明确决策权。例如，客户主数据出现重复时，谁有权确定合并规则；产品编码发生冲突时，谁负责确认标准；模型使用某项敏感数据时，谁审批访问权限。责任不清，治理工作就容易停留在文件和报表层面。

先统一主数据和关键指标

主数据是跨部门重复使用、影响多个业务流程的基础数据，包括客户、产品、供应商、组织、设备等。主数据不统一，业务系统之间就难以有效连接。

企业不必一次性建立庞大的标准体系，可以先选择影响最大的对象，形成最小标准集：

• 名称、编码和唯一标识如何定义；
• 数据由哪个部门创建、维护和审核；
• 字段允许使用哪些格式和枚举值；
• 数据发生变更时如何同步；
• 历史数据如何追溯和修正。

对管理者而言，关键指标也需要建立“指标字典”。收入、库存周转、交付及时率、设备开动率等指标，应同时说明计算口径、时间范围、数据来源和适用场景，避免不同部门各自解释。

把质量管理嵌入业务流程

数据质量不能依靠项目结束后的集中清洗。更有效的方式，是在数据产生和流转的环节设置校验规则。

例如，采购订单提交时校验供应商编码和交付日期；生产报工时校验工序、设备和人员信息；客户服务记录中要求关联产品和问题类型。通过前置校验减少错误数据进入后续系统，通常比事后追查更节省成本。

质量指标也不应只关注“错误率”。企业还需要观察完整性、及时性、一致性、唯一性和可追溯性。对于AI场景，则要进一步关注标签是否可靠、样本是否具有代表性、训练数据与实际使用环境是否存在偏差。

将权限和安全纳入数据生命周期

数据权限不是简单的“能看”或“不能看”。企业需要根据岗位、业务场景和数据敏感程度设计访问范围，并记录数据被谁调用、用于什么目的、产生了什么结果。

在引入大模型和智能体之后，权限管理还要延伸到模型、插件、知识库和自动化流程。例如，客服智能体可以查询产品说明和服务记录，但不应默认读取完整成本数据；经营分析模型可以使用汇总数据，但不一定需要访问个人身份信息。

权限控制还需要定期复核。人员岗位变化、项目结束、供应商合作终止后，相关访问权限应及时调整，避免历史授权长期有效。

典型实践说明：治理要与应用一起推进

公开资料显示，中国农业银行曾在大数据与AI建设过程中采取“统筹规划、顶层设计、分步实施”的策略，并逐步建立覆盖数据模型、数据标准、元数据、主数据、数据质量和数据服务等方面的治理框架。该案例属于特定大型金融机构的实践，不能直接等同于所有传统企业的通用方案，但它说明了一个重要问题：数据治理需要组织、制度、流程和平台共同支撑，而不是依靠单个工具完成。

对于规模较小的企业，也不必照搬大型机构的完整架构。更可行的路径是：

1. 选定一个明确的AI业务场景；
2. 梳理该场景涉及的业务流程和数据对象；
3. 找出影响结果的关键字段和质量问题；
4. 确定数据负责人、使用权限和评价指标；
5. 让AI结果进入真实流程；
6. 记录人工修正、业务采纳和最终结果；
7. 根据反馈持续调整数据标准和模型。

这是一种“场景牵引、治理先行、持续运营”的方法。它既避免了没有应用目标的全面治理，也避免了只追求模型上线而忽视后续效果。

企业启动AI项目前，可以先问六个问题

• 这个AI应用具体要改善哪一项经营结果？
• 结果判断依赖哪些数据，数据是否有明确来源？
• 关键概念和指标是否存在多个口径？
• 数据出现错误时，谁负责发现、修正和确认？
• 模型或智能体需要访问哪些数据，权限是否最小化？
• AI输出进入业务流程后，如何记录采纳、驳回和修正结果？

如果这些问题无法回答，企业更适合先做数据盘点和流程梳理，而不是立即采购更复杂的模型平台。技术选型当然重要，但平台不能替代业务规则，模型也不能替代责任机制。

数据产业的机会，正在从“存储数据”转向“提升数据可用性”

随着非结构化数据、物联网数据和跨系统数据持续增加，数据治理服务的对象已经不再局限于传统结构化表格。文档、图片、音视频、设备日志和对话记录，都可能成为人工智能应用的输入。但这些数据要产生业务价值，仍然需要分类、标注、脱敏、关联、检索和权限控制。

这也带动了数据服务、质量管理、主数据管理、知识库建设、数据安全和行业解决方案的发展。对于创业者和产业服务商而言，单纯提供数据采集或存储能力的竞争空间可能有限，更有价值的方向是围绕具体行业流程，帮助企业把数据转化为可解释、可调用、可持续改进的业务能力。

需要注意的是，公开研究中涉及的市场规模预测具有特定发布时间、统计口径和预测条件，不能直接作为当前市场事实使用。企业判断机会时，应结合最新的政策环境、客户预算、行业采购周期和实际交付成本进行核验。本文引用的相关研究主要用于说明治理需求和产业方向，不将其预测数字作为当前市场规模结论。

【软盟观察】人工智能进入传统产业，表面上是模型、算力和应用入口的变化，深层次则是企业经营基础的重新组织。过去，数据治理常常被视为系统上线后的清理工作，投入不容易直接体现为收入；现在，当AI开始参与排产、销售、客服、风控和管理决策，数据中的错误会更快地被放大，数据标准和权限边界也会直接影响业务结果。对传统企业来说，真正需要补的不是一个孤立的数据平台，而是一套能够连接业务流程、组织责任和技术系统的运行机制。未来的数据产业竞争，也不会只围绕“谁拥有更多数据”展开，而会更多转向“谁能让数据在安全、合规、可解释的条件下持续产生价值”。因此，企业启动AI项目时，应当把数据治理纳入经营决策，而不是留给后台部门事后处理。先从一个高价值场景建立闭环，再逐步扩展到更多业务域，往往比追求一次性完成全面治理更稳健。 AI应用能否从演示走向生产，最终取决于企业能否把数据质量、业务流程、权限管理和员工反馈连接起来，并在每一次实际使用中持续修正。