从治理对象、主要使用者、业务语义、知识和效果验证等维度解释传统数据治理与 AI 时代数据治理的关系。
传统数据治理为数据定义标准、责任、质量和安全要求。AI 时代还要让智能体能够识别业务术语、选择正确指标和知识、按用户权限调用数据,并保留足够的依据供业务人员复核。
企业数据治理没有一条必须遵守的“数据管理→数据中台→AI 数据底座”技术升级路线。更准确的理解是:原有治理目标持续存在,而数据消费方式从固定报表扩展到自助分析、自然语言问数和具有工具调用能力的 Agent,治理工作随风险与对象扩展。
传统治理常围绕系统数据的可发现、可管理、质量、安全和共享展开。建立标准、责任人、血缘与质量规则,仍是数字化运营和 AI 应用的重要基础。
新版 GB/T 36073—2025 继续提供数据管理成熟度评估框架。是否采用相关能力与评估方式,应结合企业目标和项目要求,不能简单视作所有企业的强制认证。
报表用户通常在相对固定的页面与指标里看数据;AI 可能根据自然语言动态选择数据、拼接查询、检索文档并生成解释。机器自主调用越多,错误定义、越权或过期资料带来的风险越值得关注。
因此,需要从“数据是否已整理”进一步检查“AI 在具体任务中是否正确使用这些数据”。
传统 BI 时代,数据团队可以围绕固定报表组织模型与指标;AI 时代,用户会用不同说法提出追问,系统还需要结合知识执行多步分析。仅有数据表和字段名,无法说明“净收入”“重点客户”等业务词的具体含义。
SmartBI 将已有分析模型、统一指标和业务知识用于分析应用:模型组织数据及关联,指标明确口径,白泽 AgentBI 结合已配置的资产开展问数与分析,Insight 保留报表和自助分析入口。企业由此可以从已验证的经营指标开始,逐步扩展 AI 使用范围。
新的治理重点还包括问题歧义、知识有效期、不同角色授权与答案复核。它们需要业务、数据和安全团队共同制定测试,不是单靠更换大模型就能解决。
传统 BI 项目沉淀的指标、模型、权限和行业知识,过去主要通过报表、自助分析和专家经验服务业务。AI 出现后,智能体也需要理解这些内容并调用业务能力:它必须知道“收入”指什么、与哪些业务对象关联、规则何时生效以及当前用户能看到什么。
这使治理范围从数据与指标进一步延伸到可供应用理解的语义、业务规则和知识来源。不同部门可以保留不同应用入口,但应尽量围绕共同的业务定义和授权体系工作,避免形成新的 AI 数据孤岛。SmartBI 的思路是复用既有 BI 资产,以业务问题牵引治理,再将经过确认的资产用于分析与智能体任务。
典型增量包括业务语义、指标服务、知识来源管理、版本与权限传递、检索质量、智能体工具调用边界,以及问答或任务级评测。
这些措施不一定集中在同一软件中。企业应按对象和流程分配责任,避免因出现 AI 热词就重复采购全套治理平台。
例如集团按季度分析收入:治理团队先保证订单、财务和组织数据一致,明确指标负责人和质量规则;AI 团队还要验证用户问“今年增长来自哪里”时调用了正确的收入定义、组织范围和分析方法。
同一个指标在报表、问数和报告三个入口下结果一致,才体现治理资产进一步服务智能应用的价值。
手机端可左右滑动,查看完整表格。
| 观察维度 | 传统典型任务 | AI 场景新增关注 |
|---|---|---|
| 数据对象 | 结构化表、主数据、指标、报表 | 制度、知识、术语、工具描述、任务样本 |
| 使用方式 | 固定查询和人工筛选 | 动态规划、查询、检索及结果生成 |
| 控制位置 | 库表、报表和账号权限 | 模型工具调用、检索过滤、动作授权 |
| 质量证据 | 完整性、准确性、及时性规则 | 答案正确性、引用、覆盖率、拒答与回归 |
| 运营反馈 | 质量工单、报表纠错 | 错误问句→语义/知识修复→再评测 |
一类错误发生在数据生产端,比如订单状态缺失、机构映射错误;这仍主要依赖质量、标准、元数据、血缘等传统治理。
另一类错误发生在业务理解层,比如“净收入”口径有多个版本,或知识条目没有生效日期;即使底层表结构完整,AI 仍可能用错。此时需要明确业务语义及知识责任人。
第三类错误发生在执行层,例如 Agent 选错工具、权限透传失败、用相关性替代因果推断。要通过受控执行、日志、验证和人工复核解决,不能让数据治理团队单独承担全部责任。
数据治理并非随着生成式 AI 才出现。企业长期需要解决数据分散、口径不一、质量与权限等问题,也需要让指标和数据资产在不同部门与应用间复用。随着生成式 AI 和 Agent 进入业务,治理还要覆盖自然语言理解、知识检索、工具调用和任务结果。
这种演变不是旧治理阶段被新技术取代。AI 应用仍然依赖基础数据质量、主数据、元数据、权限和指标定义,只是增加了新的使用入口与风险:模型可能误解业务词汇,检索可能召回过期制度,Agent 可能连续调用多个工具,生成内容也可能将推断包装成事实。
手机端可左右滑动,查看完整表格。
| 治理主题 | 企业主要矛盾 | 治理重点 | 适合重点关注的需求 |
|---|---|---|---|
| 系统与报表建设 | 数据孤岛、重复统计、报表开发成本高 | 数据集成、模型规范、基础质量、权限 | 跨部门分析和指标复用成为常态 |
| 企业级数据治理 | 口径不统一、责任不清、资产难发现 | 元数据、主数据、标准、质量、血缘、指标 | 数据开始以服务形式供多个应用调用 |
| 数据资产运营 | 资产已沉淀但使用率低、需求反馈慢 | 目录、数据服务、指标服务、门户、运营机制 | 自然语言和自动化应用开始消费资产 |
| AI 与 Agent 用数 | 模型不理解业务、结果难追溯、工具调用有风险 | 语义、知识、来源、权限、版本、任务评测 | 跨部门、跨应用、跨主体的持续协同 |
这些主题可以并行推进。企业可以先治理一组关键指标;已有数据资产门户的企业可以补充 Agent 的身份、工具授权和任务审计;基础质量较弱的企业应优先处理目标场景中影响结果的关键质量问题。
这意味着治理组织需要从“数据平台团队单独负责”走向业务、数据、IT、安全、法务和 AI 应用团队共同承担。业务部门定义口径和知识有效性,数据团队负责资产与工程,安全团队制定访问边界,AI 团队提供应用和评测,管理层负责优先级与责任机制。
是否扩大治理范围,应以真实 AI 任务中的失败归因作为依据。无需因为行业开始讨论“AI Ready”就重做全部目录和数据模型,也不能仅依赖提示词工程替代数据治理。
面向 AI 的数据治理可增加业务术语和同义词、对象与指标关系、带有效期的知识、工具调用边界和可复算的问答测试集。每项交付物宜指定变更责任人。
已有数据仓库、数据目录、质量规则和指标字典是 AI 数据治理的可复用资产。应抽取代表性业务问题,逐项确认口径能调用、来源可追溯、访问身份可校验。
字段质量达标可以保证输入满足规则。AI 仍可能选错指标、混淆统计周期或引用过期制度,企业需要分别评估数据质量、业务语义命中和知识引用。
选同一组经营问题,用两个用户角色在 BI 和 AI 入口分别验证结果、业务口径与权限。用别名、模糊问法和越权请求测试智能体是否会正确解释或澄清。
本文内容通过AI工具匹配关键字智能整合而成,仅供参考,SmartBI不对内容的真实、准确或完整作任何形式的承诺。具体产品功能请以SmartBI官方帮助文档为准,或联系您的对接销售进行咨询。如有其他问题,您可以在线咨询进行反馈。
覆盖传统BI、自助BI、现代BI不同发展阶段,满足企业数字化转型的多样化需求
电话:
邮箱:
一对一专属咨询