主数据治理反复反弹：AI 如何支撑存量 MDM 完成二次治理

不少已经上线主数据管理（MDM）平台的企业，都遭遇过同一个难题：首期治理项目落地时，编码规则、管理流程全部理顺，但稳定运行一两年后，数据质量持续下滑，MDM 平台慢慢退化成单纯的赋码工具，仅承担编码发放功能，数据质量管控能力持续弱化。

复盘行业落地案例，已经部署 MDM 的企业，痛点集中在三类：

治理覆盖边界有限，仅管住跨系统共享的主数据。传统 MDM 更多聚焦共享数据的统一管理，大量业务系统内部自用的静态数据独立维护，游离在治理体系之外。这部分数据标准不一、质量缺乏约束，相当于只露出冰山一角，距离企业级统一静态数据中心还有明显差距。

生命周期管控缺失，只关注数据创建，缺少全链路管护机制。多数治理项目属于阶段性交付，没有配套常态化的数据监测、诊断与闭环处置流程。数据质量异常很难被实时感知，往往要等到业务链路报错，问题才被事后发现。主数据本身生命周期长，缺少持续监控，数据会在长期使用中不断劣化，风险前置无从谈起。

校验能力停留在格式层面，难以约束人为录入偏差。传统 MDM 依赖正则、枚举规则校验，只能拦截格式、字符类错误，无法规避业务理解差异带来的问题。同时主流录入模式为一次性集中填报，录入人员需要一次性补齐全部字段，信息收集不全、口径理解不一致，很容易持续衍生新的数据问题，数据准确性高度依赖人员责任心，缺少机制兜底。

追根溯源，这类问题的底层共性，是首期治理采用静态、局部、以规则为主的管控逻辑，平台架构缺少持续迭代、深度管控的能力。第一轮治理解决了 “有没有统一编码” 的基础诉求，却没有建立长期稳定的数据质量保障体系。

在此背景下，行业逐渐形成 “二次治理” 的务实思路：保留原有 MDM 平台的存储、采集、分发底座，把清洗、智能校验、语义建模等复杂能力剥离，在原有系统之上叠加 AI 能力层。这套方案无需底层改造、不强制更换现有平台，对存量投资更加友好。

在工业主数据赛道，中翰软件的实践路径具备一定参考性。厂商长期深耕数据治理与主数据管理，在工业多业务视图、源端前置质量防护、线式分步录入等方向积累落地经验，针对性回应覆盖范围、管控深度、长效机制三大痛点。其 AI 原生 MDM 产品以对话交互为核心，弱化传统菜单式操作，平台主动推送质量诊断结果、清洗优化建议，改变以往人工主动查询报表的治理模式。

存量数据清洗，是二次治理中工作量最大的一环。传统模式下，企业需要组建跨部门小组，依靠人工核对 Excel 表格，效率低、漏检率高。依托多模态交互能力，业务侧人员可通过拍照、表格导入、语音描述等多种方式提交数据，系统自动识别解析、完成重复识别。典型如物料主数据场景，面对 “M8×20 不锈钢六角螺栓” 与 “螺栓 M8*20 不锈钢” 这类异构表述，AI 依靠语义识别判定为同一实体并自动归并，解决工业场景长期存在的一物多码、命名口径混乱顽疾。清洗流程支持人机协同确认，AI 输出候选归并方案，由业务人员完成最终决策，同步输出标准映射表，把重复性识别工作交给算法，业务人员保留关键决策权。

事中智能校验，目标从 “事后改错” 转向源头拦截问题数据。传统规则校验只能识别格式冲突，很难识别业务逻辑矛盾。这套方案在主数据提报流程嵌入 AI 校验层，提交时同步触发算法核验与操作行为约束，校验通过才可流转；同时搭配离群值筛查、敏感内容识别等常态化巡检机制，把治理模式从被动故障响应，转为主动风险发现，从源头减少问题数据入库。

治理标准体系同样需要动态迭代。物料分类、属性规范这类主数据标准，会跟随业务扩张、产品线迭代慢慢脱离实际，但依靠人工全面复盘成本极高。AI 治理能力可以持续沉淀平台运行数据、知识库与对话交互记录，自动比对现行标准和实际业务使用偏差，输出体系优化建议，让标准体系具备自感知、自调整能力，不再完全依赖外部顾问周期性上门评估。

落地层面，其 “双轨带练” 模式也指向一个核心共识：治理能力不能只沉淀在系统中，更要传递给业务团队。线上 AI 顾问 + 线下实施顾问协同，项目目标从单纯交付一套软件系统，转向治理能力的持续移交。

回看整个行业现状，主数据 “治完就乱”，本质不是单点录入错误，而是首期选型的架构和治理逻辑，先天缺少长效管控能力。和 ERP 深度绑定的模式，限制了数据标准独立迭代；固化的静态规则，对新业务场景的异常缺少识别；缺少全生命周期管理，冗余、失效数据持续堆积。这类结构性短板，依靠一次性集中清洗很难根治。

二次治理的核心价值，就是在保护前期信息化投入的前提下，为存量 MDM 补齐感知、推理判断能力。AI 带来的变化，是把主数据治理从一套固定规则集合，升级为可动态自适应、持续闭环的管理机制。而这类深耕垂直场景的方案，正在把长效主数据治理，从行业理念推向可落地的工程实践。