AI 就绪数据：数据治理正在从“报表准确”转向“机器可理解”
AI 项目失败的原因，越来越多地指向数据而不是模型。行业正在把语义层、数据质量和责任机制，作为数据治理的新地基。
过去的数据治理，主要服务于报表和管理驾驶舱：口径统一、数据准确、指标可追溯。AI 改变了这个终点。模型不仅需要“人能看懂的数据”，还需要“机器能正确理解、追溯来源并安全使用”的数据。
共识一：AI 就绪数据成为项目生死线
多家机构的研究都指向同一个结论：AI 项目失败，往往不是模型不够强，而是数据没有准备好。Gartner 曾预测大量 AI 项目会因缺乏 AI 就绪数据而被放弃；企业调研中，真正达到“AI-ready”的数据比例仍然很低，数据可靠性被视为从试点走向生产的最大障碍。
这意味着数据治理不能等到 AI 项目立项后再做。数据质量、元数据、权限和使用场景，需要在数据进入模型之前就被定义清楚。
共识二：治理对象从“表”扩展到语义、元数据和上下文
传统治理关注表、字段和指标。AI 原生治理还要关注语义层、本体、知识图谱、机器可读元数据和策略即代码。原因很直接：直接把原始表结构交给大模型做查询，准确率往往很低；把模型接到经过治理的语义层上，效果会明显改善。
数据质量的维度也在扩展。除了完整性、准确性、一致性，还要看代表性、偏差、时效性、可解释性，以及对模型输出的影响。治理团队需要和业务、算法、安全团队一起定义这些标准。
共识三：数据资产化需要“业务主责、场景牵引”
行业正在形成“数据资源 → 数据平台 → 数据产品”的链条：先盘点和确权，再平台化治理，最后以数据产品和服务的方式交付业务。治理责任也从“IT 主管、业务配合”转向“业务主责、IT 支撑”。
“以用促治”比“全量治理”更现实。从一个高价值场景开始，把数据质量、权限、血缘和度量做通，再复制到其他领域，通常比一开始建一个大而全的治理平台更有效。
对运维与建设团队的启示
- 从一个 AI 或数据产品场景倒推数据需求，不要先建平台再找用途。
- 建立语义层和指标口径，让机器和人都能理解同一套定义。
- 把数据质量指标与业务结果挂钩，定期验证而不是一次性清洗。
- 明确数据 owner、 steward 和使用授权，尤其是敏感数据和跨境场景。