关键讯息，D1时间送达！
企业网D1net
AI时代，企业最大的误区不是数据不够，而是把数据治理和AI治理混为一谈。本文作者提出“51/49法则”：数据治理占51%，负责数据质量、合规和数据血缘，为AI奠定可信基础，AI治理占49%，负责模型偏见、可解释性、模型漂移和风险控制。真正领先的企业不会等待“完美数据”，而是以业务用例为中心，一边部署AI、一边持续优化数据，让AI反向发现数据问题，形成治理闭环。从“治理优先”走向“价值优先”，才能在保证可信、安全的同时，加速AI落地，真正把治理变成企业的竞争优势，而不是创新的阻力。
我们经常陷入“先有鸡还是先有蛋”的僵局：我们是应该先治理数据，还是先治理AI？答案不是先后顺序，而是一种平衡。我主张51/49的比例，这是一个深度融合的伙伴关系，其中数据治理作为高级合伙人占51%，它必须是推动AI向前发展的基石和引擎，而AI治理则负责管理模型本身独特且动态的风险。
要理解这两个框架是如何互动的，我们首先需要剥离那些炒作。当前企业界有一种痴迷，似乎每个业务运营问题都可以通过接入大语言模型来解决，这让AI听起来像是从天而降的技术。
但现实要接地气得多：无论规模大小，企业开展预测模型应用已有数十年之久。
如果你买卖过房产，你很可能依赖过房产评估或销售可比数据，而这些在一定程度上都是利用统计模型得出的。三十多年来，银行一直依赖概率模型来审批抵押贷款和识别欺诈，同样，零售商长期以来也一直依赖回归模型来进行需求规划和供应链优化。
数学本质并没有发生根本性的改变，矩阵乘法和梯度下降已经存在了几代人的时间。新出现的是规模、自主性，以及瞬间处理海量无序数据的能力，还有我们正喂给这些系统的底层数据的纯粹本质，我们的管理规则需要跟上步伐。
一旦领导层将AI视为又一个标准的IT工具、当前数据管理政策的附加组件，或者更糟糕的是，将其视为信息安全计划中的一个注脚，传统的风险管理就会分崩离析。
在过去，企业数据被视为一种静态资产，它存在于结构化的数据仓库中，等待着人工分析师运行查询或构建仪表盘。数据治理通过在数据管道上建立数据质量规则，并明确对质量负责的数据资产所有者，从而帮助确保数据质量。分析师构建内部模型来帮助企业理解其数据，并为未来的决策提供依据。
现代AI从根本上改变了这一方程式，事实是，大多数企业不再从头开始构建或训练自己的模型，相反，他们正在将自己的数据接入外部供应商的工具中。
从定制开发到商业消费的转变并没有消除风险，而是改变了风险的性质。当你将数据输入到商业AI平台时，这些数据就充当了指南，改变了系统解释现实的方式。
因为你不再控制底层的代码或核心数学权重，你的输入就成了你用来引导AI行为的唯一杠杆。如果你试图使用静态的、传统的旧数据控制手段来管理这些流动的供应商集成，你将完全忽略：
• 供应商在你不经意间部署的黑盒模型更新
• 深嵌在商业逻辑内部的隐藏偏见
• 供应商输出结果进入你内部工作流时，所产生的不可预测的涌现行为
在缺乏严格数据基础设施控制的情况下编排AI战略，在企业层面就等同于在检查汽车的高级驾驶辅助功能，却忽略了有人正往燃料箱里加注未经提炼的原油。
区分这两门学科绝非学术练习，它是实现众多企业渴望的“AI优先”转型、同时又不至于让日常运营陷入瘫痪的唯一途径，它能让一个组织从防御性、响应性的姿态，转变为“原生信任”的主动状态。
数据治理与AI治理之间的业务边界，恰恰发生在静态数据转化为动态推断的那一刻。
把它们想象成副驾驶：数据治理确保车辆的燃料和机械结构万无一失(占51%)，而AI治理则管理实时的驾驶决策、导航和环境路况(占49%)。
数据治理掌管输入：它的管辖范围是原材料在被算法处理之前的完整性、血缘关系(lineage)和合规性，它回答的是基础性的、确定性的问题：
• 这些数据源自哪里？
• 我们在法律合同上是否有权将其用于训练或摄入？
• 敏感字段(如个人可识别信息，PII)是否经过了妥善的脱敏或加密？
• 数据架构是否规范化，空值(null values)是否得到了妥善处理？
AI治理掌管过程与输出：在数据被算法摄入的那一刻，AI治理就接过了方向盘，它的侧重点是行为性的、概率性的，并完全聚焦于过程和输出。
AI治理解决的是数据质量检查无法发现的变量：
• 模型的输出是否对受保护群体引入了无意中的间接偏见？
• 我们能否向客户或监管机构解释算法逻辑，还是躲在第三方供应商的“黑盒”借口后面？
• 我们如何监控模型随着时间推移而产生的衰退？
• 当准确率暴跌时，我们的紧急断电(kill-switch)协议是什么？
为了成功取得这种平衡而不至于好高骛远，企业必须放弃全公司范围内、自下而上的清理工作，转而实施一种切合实际的“用例优先”模型：
• 基于项目的血缘分析：停止尝试一次性梳理出整个企业的数据版图，每次只追踪一个具体项目或用例的数据血缘，这样无需三年的漫长等待，就能立即带来透明度和价值。
• AI专属数据小队：避免组建通用且臃肿的治理团队。部署敏捷的跨职能小队，其唯一工作就是验证和保护那些正在积极驱动你线上模型运行的特定数据集，在真正能产生效益的地方确保高质量。
• 与高管坦诚沟通：对“数据债”直言不讳，与其隐瞒结构性的数据局限，不如将其量化。当业务领导者清晰地理解使用不完美数据所带来的确切风险与回报折衷时，技术头疼问题就会转化为一项经过深思熟虑的战略性商业决策。
为了看清当一个组织成功将这些步骤付诸实践、而不是等待“完美数据”时究竟会发生什么，我们可以看看两家零售商是如何利用AI驱动的需求预测来进行季节性库存规划的。
零售商A：纯洁性陷阱
零售商A采取了“纯洁性优先”的方法，组织领导层非常害怕错误的预测，以至于他们要求在部署任何AI之前，所有区域的产品、定价和门店级销售数据必须达到近乎完美的完整性和准确性阈值。
这引发了一场旷日持久、耗时数年的艰苦工作，旨在理顺混乱的历史产品层级，并标准化来自不同供应商的数据源。
结果：执行陷入瘫痪，库存停滞不前，治理框架沦为了官僚作风的绊脚石。
零售商B：51/49的比例
零售商B采取了“用例优先”的方法，该组织隔离出一个单一的高影响力领域：季节性服装的需求预测，它将数据治理严格应用于该特定决策所核心需要的数据要素上，确保过去18至24个月的销售数据达到设定的质量阈值。
与此同时，它建立了AI治理控制机制，每周监控预测偏差与实际销售额的对比，并设置自动预警，在准确率下降的第一时间提示模型漂移。
零售商B并没有等待完美的数据，而是利用模型本身来精准发现到底哪里才真正需要数据质量。AI指出了特定的高价值质量缺陷，比如不一致的促销标签和区域定价异常。
该组织将这些洞察直接反馈给数据治理，从而在能产生可衡量财务影响的地方，优先开展有针对性的数据修复。
结果：零售商B比零售商A提前数月捕捉到了关键的消费趋势，证明了51/49的比例能将数据修复从业务瓶颈转化为一种纪律严明的战略优势。
把数据治理看作是交通规则，而把AI治理看作是车辆和驾驶员的安全标准。保持51/49的平衡，你不仅能获得规范的治理，而且你的速度会比零售商A这样的组织更快，同时永远不会脱轨翻车。
关于企业网D1net(www.d1net.com)
国内头部to B IT门户，同时在运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)
如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。
投稿邮箱：
editor@d1net.com
合作电话：
010-58221588（北京公司）
021-51701588（上海公司）
合作邮箱：
Sales@d1net.com
企业网D1net旗下信众智是CIO（首席信息官）的专家库和智力输出及资源分享平台，有六万多CIO专家，也是目前较大的CIO社交平台。
信众智对接CIO为CIO服务，提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内较早的toB共享经济平台。同时提供猎头，选型点评，IT部门业绩宣传等服务。
扫描 “二维码” 可以查看更多详情
