当企业急着上智能体，却被“数据现实”按了暂停键
这两年，我在不少大型集团里看到类似的一幕：
-
顶层设计：要搞一批智能体：通用 + 专属，全面支撑业务和管理；
-
落地体验：一轮试用下来，统一反馈只有一句：
“数据不行，问不准、看不懂、不敢用。”
智能体没有错，它只是把多年积累的数据问题一次性放大。
最终，所有问题都会回到一个底层结论：
不补上“数据治理”这一课，智能体只能是展示品，而不是生产力。
一、典型集团的数据治理“缩略图”
用几个高频画面，就能勾勒出很多集团的共性现状。
1. 监管报送：上千个字段，全靠人海战术
-
每月向监管或上级单位报送大批数据，字段成百上千； -
大部分依然是人工采集、手工填报； -
没有清晰的口径、来源和复用机制，改一次模板，就要折腾一整片部门。
2. AI 问数：对接了系统，却只连上“原始库表”
-
通用问数智能体已上线，打通了几个核心系统的原始数据表； -
问项目、问指标、人力试点问“某员工工作经历”，能答，但答得零散、模糊、难校验； -
说白了：模型连的不是“治理好的指标和数据资产”，而是“裸奔的源数据”。
3. 经营驾驶舱：主要靠填报
-
集团层面有一个“经营分析驾驶舱”，主要服务决策层； -
指标来自各业务系统“加工好之后”往中台一丢，中台只负责展示； -
各业务条线自己的驾驶舱几乎没有，业务问题依旧靠“报表 + PPT”解决。
4. 中台变成“数据中转站”
-
业务系统一堆：人力、财务、合规、OA……各管一摊；
-
数据中台：谁要数据，就去各系统拎一份出来，最多做下分类就丢出去；
-
没有统一模型、没有加工层、没有对外的数据服务目录，
更像“物流中转站”，不是“数据资产工厂”。
5. 组织与标准：人人用数据，却没人真“管数据”
-
没有集团级的数据治理组织，没有域数据 Owner； -
信息部门管系统、业务部门管报表，各自优化、缺少统筹； -
有过一版数据标准，但一直停在“拟稿状态”，没有真正发布执行。
一旦出现数据问题：谁解释？谁拍板？谁负责？
几乎没人说得清。
二、问题不在“技术太差”，而在“系统缺位”
把这些现象抽象一下，其实就是四句话：
-
没有体系化的数据治理框架
组织、职责、制度、流程都不成型，问题只能靠人情协调。
-
监管报送、经营分析，从未被当作“数据资产”系统规划
只有字段和表格，没有集团级统一指标和可管理的指标体系。
-
中台只做“搬运”，不做“治理 + 产品化”
没有统一数据模型，没有沉淀公共指标和特征，更谈不上标准化数据服务。
-
AI 项目跑在数据治理前面
先立十个智能体，再发现“每个智能体都在要同一批基础数据”，
最后只能回头重做一次数据治理。
一句话：
很多智能体项目“效果不佳”，根因不是 AI 不行，而是企业的数据基建根本没开工。
三、一条更现实、也更普适的数据治理路径
对于正在筹划智能体、AI 项目的集团，我更建议采用一条“务实三步走”。
第一步：选一条“牵引链路”，而不是“一口吃个胖子”
用一个场景串起三件事，而不是一上来搞“全域治理”：
-
监管报送中最关键的那部分数据； -
集团经营驾驶舱中最核心的那几类指标； -
一个高度相关的试点智能体（如经营分析 / 投资决策智能体）。
目标是打通一条完整链路：
源系统 → 标准与模型 → 中台加工 →
报送 / 驾驶舱 / 智能体 共用同一套可信数据。
只有真正打通一条，后面扩展到更多域才有参考模板。
第二步：先立“骨架”：组织、职责和问题闭环
至少要把三件事说清楚：
- 集团级数据治理机制
-
成立数据治理委员会或类似机制，由主要领导 / 分管领导挂帅； -
统一决策：为什么做、先做什么、做到什么程度算合格。 - 域数据 Owner 制
-
按业务域（投资、资金、人力、风险等）设立域数据 Owner； -
负责口径解释、质量归责、变更发起。 - 数据问题处理闭环
-
建立数据问题工单和处置流程，和 IT 变更、需求管理打通； -
形成“发现问题 → 归类 → 定责 → 调整 → 验证”的常态机制。
没有这层骨架，所有标准、模型、中台、智能体，
都会沦为一次性工程。
第三步：让中台从“仓储中心”升级为“资产工厂”
中台至少要补上四项基础能力：
-
统一业务数据模型
围绕项目全周期、资金闭环、员工生命周期等建立统一模型，
把“散数据”拼成“业务故事”。
-
沉淀指标与特征
从字段上升到指标，构建集团统一指标体系，
为驾驶舱、报送、智能体共用。
-
标准化数据服务
对外提供可查询、可复用的数据服务目录（API / 主题视图 / 数据集），
让“要数据”变成“调服务”。
-
质量与血缘监控
中台层面内嵌质量规则和监控，记录血缘，
让“这个数是怎么算出来的”有据可查。
在这个基础上，智能体再去连中台，才算真正“吃对粮”。
四、把智能体当“放大镜”，而不是“遮羞布”
一个原则可以写进项目蓝图里：
凡智能体要用的数据，必须能回答四个问题：
在哪个业务域？谁是 Owner？标准口径是什么？从哪张表、哪条逻辑算出来？
这样做有两个好处：
-
智能体会不断暴露薄弱数据域，反向驱动治理； -
智能体本身也从“玩具”变成“数据质量的试金石”。
五、给准备大规模上智能体的企业的几条共通建议
最后，用几条“高密度”的建议收个尾：
-
先把数据当基础设施，再把智能体当生产工具
顺序不要反：不是“上完智能体再补数据”，而是“用智能体牵引数据治理”。
-
用业务闭环设定里程碑，而不是技术模块
比如，从“监管报送 + 经营驾驶舱 + 一个试点智能体”开始，
做深做透，再扩展到人力、预算、风险等更多链路。
-
从字段思维升级到指标思维
把领导关心的问题，抽象为一组可管理的指标体系，
再反推模型、中台加工和智能体回答能力。
-
接受这是一个 3–5 年的工程，但每年都要有可见成果
不指望“一步到位”，也不接受“年复一年只做试点”。
-
让数据治理从“项目”变成“机制”
今天为智能体做的治理投入，
明天会在监管合规、经营分析、内部精细化管理中不断回本。
