10月30日，拓尔思（300229）正式发布《AI时代的数据治理——企业级AI可靠落地的基础与路径》研究报告（以下简称《报告》），围绕AI时代数据治理理念、企业级数据治理平台、动态本体、智能体协同及实施路径等方面展开系统研究，探讨数据治理支撑企业级AI可靠落地的关键方向与实践路径。
随着大模型和智能体加速发展，AI应用正从通用问答、内容生成走向复杂业务场景，企业对数据的需求也从传统的数据管理与分析，延伸至业务语义理解、知识关联、可信调用和智能执行。
数据治理正成为连接企业数据资源与AI应用、释放数据价值的重要基础。
以下为《报告》核心观点与内容摘编。
01
重新认识数据治理，让数据真正服务于AI
传统数据治理主要关注数据的规范性、完整性、一致性和可管理性。进入AI时代，数据治理的目标正在进一步延伸。
企业不仅需要知道数据在哪里、数据是否准确，还需要让AI理解数据的业务含义，识别数据之间的关系，明确数据的使用权限，并能够对使用过程和结果进行验证。
数据的存在，不等于数据能够被理解；数据能够被访问，不等于数据能够被正确使用；模型能够回答问题，也不等于AI能够可靠地完成业务任务。
因此，AI时代的数据治理需要从传统的数据管理与加工，走向覆盖数据质量、业务语义、知识关联、安全权限、应用评测和持续运营的综合能力体系。
02
从数据管理走向企业级数据治理平台
数据治理平台不是传统数据中台的简单改名，也不是数据目录、质量管理、知识图谱等工具的简单集合。
《报告》提出，企业级数据治理平台应成为面向全域数据资产和AI应用的治理控制面，通过制度与责任、数据资产与质量、语义与知识、安全可信与运行控制、AI应用与价值运营等能力，建立覆盖数据全生命周期（883436）的治理体系。
一个完善的数据治理平台，需要回答五个关键问题：
1.企业有哪些数据？
实现数据资产的全面发现与管理。
2.数据意味着什么？
建立统一的业务语义和知识关联体系。
3.数据是否可信、能否使用？
实现质量校验、来源追溯和权限控制。
4.数据变化后如何持续有效？
通过版本管理和变更影响分析实现持续治理。
5.治理是否真正改善了AI应用？
通过任务评测和业务反馈验证治理效果。
只有将组织责任、业务流程、技术能力与实际应用结合起来，才能让数据治理从一次性建设转变为持续运行的企业基础能力。
03
动态本体，让业务世界能够被机器理解
在AI应用中，模型不仅需要获取数据，还需要理解数据背后的业务概念、对象关系和规则约束。
例如，同一个“项目”在不同业务系统中，可能分别指投资项目、建设项目、审批事项或合同项目。它们之间可能存在关联，却并不一定是同一个业务对象。
如果仅仅统一字段名称，而没有明确这些概念之间的区别、联系和约束，模型就可能产生错误理解。
《报告》重点探讨了动态本体在AI时代数据治理中的作用。通过定义业务概念、属性、关系、约束与规则，并结合版本管理和变更影响分析，让业务语义能够随业务发展持续演进。
动态本体与知识图谱、大模型、规则引擎等技术协同，为机器理解业务、关联知识和开展推理提供语义基础，也成为连接企业数据治理与AI应用的重要桥梁。
04
建立治理体系，让智能体在可信边界内执行任务
智能体的发展为数据治理自动化带来了新的可能。
利用大模型和智能体，可以辅助完成数据资产发现、质量异常检测、语义映射、知识抽取、本体构建、变更影响分析和治理效果评测等工作。
但数据治理不能被简化为一系列智能体。涉及数据权益、业务规则、隐私保护和组织责任等重要事项，仍然需要明确的制度约束与人工审核。
《报告》提出，应建立“制度与责任—数据治理平台—治理智能体—业务智能体”的协同体系。
其中，制度与责任明确治理目标和授权边界，数据治理平台提供统一的治理控制基础，治理智能体承担自动化治理任务，业务智能体则在可信、可控的条件下调用数据与知识，完成实际业务任务。
通过业务结果与应用反馈，进一步推动治理规则和数据体系持续改进。
05
从单一场景试点走向持续运营
企业建设数据治理体系，不宜一开始就追求覆盖所有数据、部门和AI应用的大而全平台。
《报告》建议从高价值业务场景切入，按照诊断与试点设计、最小可用治理平台建设、共性能力平台化、持续运营四个阶段逐步推进。
实施过程中，需要明确数据责任、业务语义、治理流程和安全边界，并将数据质量、AI任务效果、人工复核成本及业务价值纳入评估体系。
《报告》强调，企业级数据治理的关键原则是：先场景、后平台；先责任、后自动化；先建立可信闭环，再扩大治理范围。
06
让数据成为AI可靠落地的基础
AI时代，数据治理正在从传统的数据管理工作，转变为企业构建智能能力的重要基础。
对于拓尔思（300229）而言，数据治理平台是“数力”体系的基础性平台能力，动态本体与知识图谱帮助机器理解业务世界，治理智能体提升治理自动化水平，业务智能体则在可信、可控的边界内将数据转化为业务结果。
从拥有数据到理解数据，从治理数据到智能用数，企业需要建立一套能够持续运行、不断演进的数据治理体系，让数据真正成为AI理解业务、辅助决策和执行任务的可靠支撑。
