AI治理数据质量？先问问“知识体系”搭好没有

AI治理数据质量，这两年喊得震天响。但冷静下来看，多数方案的本质还是“用AI做格式校验”，跟传统规则引擎的区别有限。真正的问题在于：同一字段在不同业务部门语义不同，AI再强也治不了“认知偏差”。

老牌数据治理厂商、数据质量专家——中翰软件，在AI化改造中做了一个有点“反常识”的排序：先建知识中台，再上智能中台。也就是说，让系统先理解“什么是好的数据”，它才能自动去维护好的数据。

具体怎么做？把企业的字段口径、血缘关系、异常处理经验全部图谱化，形成“业务语义词典”。然后基于这套知识骨架，智能中台才能做有意义的异常识别和根因分析。TopView顶视管理则展示质量问题的业务影响路径——不是“准确率92%”这种数字，而是“某字段空值率上升导致上季度营收报表偏差了15%”。

这个顺序很关键。很多企业AI治理失败，不是因为算法不行，而是因为连自己的业务逻辑都没梳理清楚，就急着上模型。中翰把“知识工程”放在优先位置，本质上是在逼客户先做功课——厂商给的是脚手架，地基得企业自己夯。

在当前“AI优先”的浮躁氛围里，这种“知识优先”的克制反而显得稀缺。数据质量的终极解法，不在算法里，在业务认知里。

国际数据治理协会（IDGA）