2026全球数据管理峰会·主论坛｜AI在数据治理与数据应用中的双重定位与实践
视频简介
AI对数据行业有两个价值：效率价值和业务价值。数据治理项目失败的根源，是没想明白为什么要做。康桥数据把方法论归纳为五个字“理采存管用”，把首字“理”做好，项目就成功一半；再用AI逐个解决治理痛点，让业务人员真正用起数据。
视频内容
一、AI对数据行业的两个价值：效率与业务
这次分享尽量少讲技术和实现，重点汇报康桥这些年做数据治理、应用AI的思路、方法与一些实践。
AI火爆之后，整个行业都很焦虑，康桥也思考了很久：AI对数据行业到底有什么用？
结论是，AI对数据行业有两个价值：一个是效率价值，一个是业务价值。
效率价值，是AI能帮我们提高数据治理的效率。原来做数据治理是手工螺丝刀、手工拧螺丝，现在换成了电动螺丝刀。
业务价值反而更重要——AI能够为业务提供服务。原来做数据治理，把数据治理好，相当于把食材洗干净、切干净了，但业务人员不能吃，业务人员不会去吃那些生的菜。现在AI可以帮我们把治理好的数据直接“炒成一盘菜”，业务人员自己点单：想吃麻辣味就吃麻辣味，想吃酸甜味就吃酸甜味。
所有的实践，都是围绕这两个目标展开的：提升技术效率，提升业务人员的获得感。
二、回到原点：很多项目失败，是没想明白为什么做
先做一次简单回顾。数据治理的主要目标，其实没有超出这个框架：通过数据集成共享打通数据孤岛，通过数仓建设实现数据的分析和展示，通过主数据管理提升数据标准和数据质量，通过资源目录和门户建设实现数据资产管理，以及当下通过AI智能体平台建设实现数据的智能化应用。
但一个现实是：现在很多数据治理项目仍然是失败的。原因总结下来，最主要的一条是——业主和实施团队都没有想明白，为什么要做数据治理，目标到底是什么，要实现的业务价值到底是什么。
想不明白，就会什么都想做，最后什么都做不好。
有五个问题必须先答清楚：为什么要干、要干什么、由谁来干、应该怎么干、干到什么程度。这些问题不清楚，看起来交付了很多东西——做了很多资源目录、搞了很多表，但实际上说不清楚到底解决了什么问题。
三、方法论：五个字，“理采存管用”
结合DAMA知识体系和我国DCMM标准做了一层提炼，康桥把数据治理方法论归纳成五个字：理、采、存、管、用。
数据治理为什么说不清楚？因为DAMA有11个能力域，DCMM有9个能力项。五个字，是为了把它说得更简单。
“理”，就是梳理，包括定战略、建体系、摸家底。
· 定战略。依据业务战略定义数据战略，说得直白一点，就是依据企业的业务目标来定义数据目标。这件事再怎么强调重要性都不为过：DAMA知识体系里虽然没有单独的能力项，但第一章就重点讲了定战略；DCMM标准里也有单独的能力项讲数据战略。
· 建体系。把机制、制度、人员的岗位职责、权责与分工全部弄清楚，部门之间才能协作。
· 摸家底。搞清楚有哪些数据、存在哪里、这些数据的含义到底是什么；更重要的是理清业务需求是什么、业务的痛点和堵点是什么——这些才是实实在在的数据治理目标。
很多项目失败，可能就是因为最底层的“理”没有做好。“理”做完了，成功可能就有一半；“理”做不好，大概率会失败。
后面四块相对直接：“采”是常说的ETL采集；“存”是数据模型和数据存储；“管”是元数据、标准、质量、安全、主数据；“用”则根据企业自身需求做选择——资源目录、数据指标、数据标签、可视化，以及现在的AI智能体开发。
四、从方法论到业务模式：产品+培训+陪跑
这套方法论一直指导着康桥的产品研发、项目实施和客户培训，也由此形成了自己的业务模式：“产品+培训+陪跑”。
产品有时候没那么重要——“三分产品，七分服务”，在数据治理这件事上，落地服务、落地实施更加重要。把能力总结出来，培训给客户，也培训给合作伙伴。
五、一本讲“如何落地数据治理”的书
这些内容最终汇成了一本书，在本次峰会上正式亮相：《数据治理实战指南》。
这本书来自DAMA，也和DAMA有所区别：DAMA回答的是数据管理有哪些知识和能力，DCMM是评价做到什么水平，而这本书主要解答的是——项目应该怎么做、按什么步骤来做、每个步骤需要什么样的模板和工具、每个步骤会产生什么样的工作成果，是一份详细、落地、偏实战的解读。
六、AI怎么提升治理效率
方法有了，工具也有了，那么数据治理里哪些活最难干？
有80%的活是跟业务有关的，难度在业务上，不在技术上。需要业务人员来梳理元数据、确定数据标准、确定指标定义、明确质量规则、反馈业务需求和痛点；技术侧则要做模型设计、数据ETL脚本、数据分析脚本、指标与标签开发。
所以做AI数据中台产品研发时，不是用AI去解决一个整体，而是把AI当成工具，一个一个解决具体痛点：元数据梳理难在哪、数据模型难在哪、数据指标开发难在哪。
以元数据管理为例。看到一个表字段，它的含义往往真的搞不清楚，有些是拼音首字母，有些只写了一个编码。做法是把业务系统的用户手册、字段备注、抽样数据，再加上AI所拥有的行业知识结合起来，由AI推荐这个表、这个字段可能是什么业务含义，人工再做确认即可。
研发过程中定了两个“100%”的目标：效率不能提升100%，这个智能体宁可不做；成果品质不能提升100%，也宁可不做。不应该为了用智能体而用智能体。
七、AI怎么让业务用起来：AI找数据、AI问数据
比提升治理效率更值得关注的，是如何用AI让业务人员真正把数据用起来。这里有两个方向。
一是AI找数据。数据治理好之后，业务人员使用数据时，并不清楚在这片数据的汪洋里到底有什么好数据、哪些数据跟自己的业务相关。把需求提出来，由AI推荐有哪些数据、这些数据的含义是什么、应该怎么用。
二是AI问数据，也就是智能问数。这块目前已经做到第三个版本，关注点很明确：让AI问数进入生产，让业务人员敢用。说得直白一点，如果用数不能达到100%的准确率，这个数据是没用的，业务人员不敢拿它用到工作里。
因此分成两种模式：
· 严谨模式。准确率要达到100%，宁可不答，也不答错。做法很简单——限制AI的能力：只用AI做拆词、语义分析，后面的数据读取全部由AI生成代码来完成。
· 探索模式。与严谨模式相反，尽量发挥AI的分析能力和探索能力，尽量去找数、尽量分析、尽量出结果；同时明确告诉用户，这只是线索性质的结果，供参考。如果发现问题，再建立一套运营机制，让业务人员能很方便地找到技术人员提供支撑。
这样就形成了从治数到用数的闭环。
八、智能体孤岛：统一入口、自主构建、持续运营
再往下走，很多企业现在都建了很多智能体：知识库、会议纪要、合同审核、财务报销等等。新的问题随之出现。
20年前中国信息化快速发展，搞出了很多“信息孤岛”；今天也一样，正在快速形成很多“智能体孤岛”：入口分散、结果难核验、运营缺位、开发成本高。
看到这些问题之后，康桥的智能体平台做了一轮重构，围绕三个方面展开：
· 用户侧：统一入口、统一体验。
· 开发侧：让开发人员甚至业务人员能够自主构建。
· 运营侧：提供一整套运营机制。因为任何一个产品上线都只是一个开始，如何运营好、如何服务好业务，特别重要。
开发侧把能力都内置进来：本体的数据查询能力、基于本体的数据分析能力、知识检索能力、文档处理能力等等。内置之后，业务人员可以随意组装出一个新的智能体，也能把市场上开源的skill装进来。
智能体的研发同样分成两种模式：深度工程型要准，用在生产上；敏捷组装型要快，用在探索上。既能稳，又能快。
这个平台有点像私有化部署版的WorkBuddy，区别在于关注点没那么“大”——关注的是一个个业务场景化的智能体。
九、三个词：专注、奋进、松弛
专注。专注于业务。本质上，做数据治理是为业务服务的，业务需要我们做什么，就应当做什么；而不是AI来了，被AI逼着做什么。不管技术怎么变化，始终把业务放在第一位。
奋进。方向想清楚了，该做什么也知道了，那就好好干。AI来了，就好好用AI提升效率、提高品质、服务好业务，让业务真正吃到最开始的那盘菜。
松弛。方向也有了，也好好干了，就不必再做任何焦虑。把每一天的活、每一个业务的期望做好、实现好，就可以去享受松弛的生活了。
