字数 1976，阅读大约需 10 分钟
先讲清数据治理的三个主流体系｜数据治理系列 01
导语：都 2026 年了，满世界 AI。可越来越多企业发现，AI 上是上了，却像开盲盒一样时灵时不灵。为什么？根子往往不在模型，在数据。这个系列，我把数据治理一篇篇拆开讲，第一篇先从最基础的三个体系说起。
7 月 16 号，我在上海跟张月强教授、吴冯淑吴总、还有中智的邢晨做了一场直播。聊 AI+HR，聊企业怎么落地。直播间里朋友们提问最集中的，反倒不是 AI，是数据治理。
这事我们以前是有个说法的：企业数据不治理，直接拿去做数据洞察、做预测分析，就是「垃圾进、垃圾出」——喂进去的是脏数据，吐出来的自然是错结论。这话讲了很多年，大家都懂。
那天月强分享了一个更有意思的角度。他说 AI 时代这句话得改改了：现在是垃圾进，你不知道能出来什么。可能出来一堆垃圾，也可能——碰巧——给你出来一个特别惊艳的东西。主打一个抽卡，不可控。
我当时听完就觉得，这话说到根子上了。
为什么会这样？传统的系统你喂错数据，它按固定规则算，错就是错，你还能顺着规则倒推回去、找到哪儿错了。AI 不是这么干活的。它是在海量数据里找概率、找关联，同样一堆乱七八糟的输入，它这次可能蒙对，下次就给你编一个看起来天衣无缝、实际全是假的东西出来。你还偏偏挑不出毛病，因为它答得比谁都自信。
出垃圾不可怕，可怕的是你不知道它什么时候出垃圾、什么时候出金子。这种不可控，才是企业级 AI 最怕的东西。
To B 的 AI 跟 To C 不一样。你自己用 AI 写个文案、画张图，它抽风了你重来一次就是了，没成本。可企业拿 AI 去算工资、筛简历、给客户报价、做经营决策——它要是这次抽出个垃圾，你还当成金子用了，那是要出事的。企业要的从来不是「偶尔很惊艳」，是「每次都靠谱」。
而「每次都靠谱」的前提，就是把喂给它的数据先管住。这就绕回了那个老话题——数据治理。
那天直播间追着问的也是这个：数据治理到底是个啥？从哪下手？市面上一堆概念，DAMA、DGS、国标、数据中台，一个比一个唬人，到底该信哪个？
一场直播聊不透，那干脆开个系列文章。从今天起，我尝试把数据治理这件事一篇篇拆开讲，今天先从最基础的——三个主流体系开始，后面接着聊怎么选模式、怎么落地、怎么给 AI 铺路。
说句实在话，我自己落地过不少数据治理的项目，本以为这些体系早就烂熟了。可真要一篇篇写出来讲给别人听，才发现重新捋一遍是个温故知新的过程，好些当年凭经验做的事，这回反倒想明白了背后的道理。所以这个系列，也是写给我自己的。
DAMA，是本宪法
DAMA 是国际数据管理协会那套知识体系，最权威，方案里出现频率最高。它给数据治理下的定义大概是——对数据资产行使权力和控制的一系列活动，是数据管理所有领域的核心。
这话没错，但你听完除了觉得「挺重要」，好像也没多知道什么。
这就是 DAMA 的特点，我一般管它叫宪法。它告诉你数据治理有多重要、都包含哪些方面、大原则是什么，可你真要动手，它帮不上忙——怎么定一条数据标准，怎么算一份数据值多少钱，它不管这些。宪法规定你有受教育的权利，但它不教你怎么做数学题。
所以 DAMA 知道个大概就够了。反过来，要是有个乙方通篇跟你聊 DAMA、聊得云山雾罩，你得留个心眼——他手里可能就只有这本宪法，没别的了。
DGS，是条流程
DGS 是信通院提的东西，全称数据治理服务商成熟度模型。名字长，意思简单：DAMA 站在「数据」的角度说话，DGS 站在「干活的人怎么干」的角度说话。
它把一个数据治理项目拆成六段——需求管理、资源评估、实施保障、方案设计、方案实施、成果交付。
你把这六个词连起来念一遍就明白了，这就是一个项目从接活到交活的全过程。
这东西对甲方最大的用处，是拿来当尺子量乙方。一个团队上来不摸你的情况，也不看你手里有多少数据、几个人能干活，张嘴就是平台方案、功能清单——这就是没号脉先开药。靠谱的团队一定是先搞清楚你要什么、你有什么，再谈怎么做。顺序反了，后面基本都得返工。
国标，是个护身符
第三个是国家标准，编号 GB/T 34960.5，全名叫《信息技术服务治理 第 5 部分：数据治理规范》。
编号看着枯燥，但它的定义我很喜欢，实在——数据资源和应用过程里，管控、绩效、风险管理的集合，落到三个词：合规、可控、价值。
你要是做民企生意，这个可能用不太上。但面对国企、政务、银行、医院这类客户，它就是护身符。开场带一句国标编号，对方马上知道你懂他们头上那条合规红线。
那三个词值得记死。民企掏钱多半冲着 价值；政企掏钱，光有价值不够，还得「合规」、还得「可控」。跟不同客户讲数据治理，落脚点不一样。
三个东西，其实说的是一件事
绕一圈你会发现，这三个体系根本吵不起来。
DAMA 管方向，告诉你是什么、为什么；
DGS 管路径，告诉你一步步怎么走；
国标管边界，告诉你底线在哪。
一个定方向，一个铺路，一个划线。
我见过的真正内行，脑子里装的不是一堆名词，而是知道什么场合把哪个拿出来用。这跟背书是两码事。
回开头那个「开盲盒」
再说回月强总那个比方。AI 为什么像抽卡，时好时坏、不可控？很大一部分原因，就是喂给它的数据本身是乱的。
数据没治理，AI 就是在一堆真假掺半、口径不一、新旧混杂的东西里碰运气——它当然时灵时不灵。
反过来，你把数据这块地基铺平了，把标准、质量、口径都管住了，AI 的输出才会从「抽卡」变成「稳定出货」。这才是 To B 场景要的东西：不求惊艳，只求每次都靠谱。
所以别被那三百页PPT唬住，也别纠结该信哪套体系。
DAMA 看方向，DGS 看落地路径，国标看边界，先把数据这块地基铺平整——你的 AI 才不是盖在沙滩上、随时可能塌的楼。
（上一篇我数过企业上 AI 常踩的十二个坑，感兴趣的可以翻回去看，那十二个坑说到底，也全是数据和管理的欠账。）