大模型让很多企业看到了利用内部数据创造价值的新机会：基于内部文档构建知识库问答、用自然语言查询业务数据、让 Agent 自动处理业务流程。但当项目真正开始时，团队往往发现：数据散落在几十个系统里，同一个指标在不同部门有不同的口径，大量文档过时却无人清理，谁能访问哪些数据也说不清楚。 数据治理，这个过去被认为是“后台工作”的领域，正在成为 AI 落地的前提条件。

为什么 AI 让数据治理更加重要

  • AI 会放大数据问题：过时的文档、错误的数据会被 AI 直接用于回答和决策，影响范围更大、速度更快，参见 RAG 评测正在变难中讨论的错误证据问题；
  • 非结构化数据成为核心：过去数据治理主要关注数据库中的结构化数据，而大模型应用大量使用文档、邮件、聊天记录等非结构化数据；
  • 权限问题更加突出：AI 系统可能在用户不知情的情况下汇总和展示多个来源的数据，权限控制不当会导致信息泄露；
  • 合规要求增加：个人信息保护、数据出境、AI 相关法规都对数据的使用提出了要求。

一、数据盘点与分类

盘点数据资产

梳理企业有哪些数据、存放在哪里、由谁负责、更新频率如何、质量怎样。重点关注与 AI 应用场景相关的数据。

数据分类分级

按照业务属性和敏感程度对数据进行分类分级，例如公开、内部、敏感、机密，明确每个级别的数据可以在什么范围内、以什么方式被 AI 使用，参见企业使用大模型的数据隐私指南。

明确数据责任人

每类数据都应该有明确的负责人，对数据的质量、更新和访问审批负责。没有责任人的数据很快就会变得不可信。

二、数据质量管理

定义质量标准

针对不同类型的数据定义质量维度：准确性、完整性、一致性、及时性、唯一性。

统一业务口径

建立统一的业务术语表和指标定义，确保“销售额”“活跃用户”等关键指标在全公司范围内含义一致。这对于让 AI 正确回答业务数据问题至关重要，否则 AI 可能按照不同的口径给出相互矛盾的答案。

质量监控

对关键数据建立自动化的质量检查，发现异常及时告警和修复。

三、元数据与数据血缘

元数据管理

记录数据的描述信息：字段含义、数据来源、更新时间、负责人、使用限制。完善的元数据不仅帮助人理解数据，也帮助 AI 理解数据。例如，当用户用自然语言查询数据时，AI 需要依靠字段说明和业务术语来生成正确的查询。

数据血缘

记录数据从哪里来、经过了哪些处理、被哪些应用使用。当发现数据问题时，可以追溯源头并评估影响范围。对于 AI 应用，还需要记录哪些数据被用于构建知识库、训练或微调模型。

四、权限与合规

  • 继承源系统权限：AI 应用访问数据时，应遵循源系统的访问控制规则，用户在 AI 中只能看到自己本来就有权访问的数据，参见企业知识库问答落地；
  • 最小必要原则：只把完成任务所需的数据提供给 AI；
  • 个人信息保护：在数据进入 AI 系统前进行脱敏处理，明确数据处理的法律依据；
  • 审计追踪：记录 AI 系统访问了哪些数据、用于什么目的。

五、非结构化数据治理

非结构化数据是大模型应用的主要原料，也是传统数据治理的薄弱环节：

  • 版本管理：明确文档的最新有效版本，及时下线或标记过时文档；
  • 生命周期管理：设定文档的审核周期和有效期，到期提醒负责人复核；
  • 统一存储：逐步把散落在个人电脑、邮件、即时通讯工具中的重要文档集中到受管理的知识平台；
  • 格式规范：鼓励使用结构清晰、便于机器解析的文档格式，减少扫描件和复杂排版，参见 PDF 与表格解析的坑；
  • 标签与分类：为文档添加部门、主题、密级、适用范围等标签，便于检索过滤和权限控制。

务实的推进方式

数据治理容易变成一个庞大而漫长的项目，难以看到成效。更务实的做法是以 AI 应用场景为牵引：

  1. 选定一个具体的 AI 应用场景；
  2. 梳理该场景所需的数据，针对性地进行盘点、清洗、权限梳理和质量提升；
  3. 在应用上线后，通过用户反馈发现数据问题，持续改进；
  4. 把在这个场景中建立的规范和工具推广到其他场景。

这样数据治理的投入能直接转化为 AI 应用的效果，更容易获得业务部门的支持。

小结

AI 时代的数据治理，既要延续传统的数据质量、元数据和权限管理，又要特别重视非结构化数据的版本和生命周期管理，以及 AI 系统访问数据时的权限继承和合规要求。以具体的 AI 应用场景为牵引，逐步推进，让数据治理的成果直接体现为 AI 应用的可靠性和价值。治理的组织层面可参考企业 AI 治理框架。