数据治理没做好,能上企业AI 吗?五个就绪度自检问题
2026年11月13日

这是企业AI 项目立项会上最常被跳过、也最容易在半年后爆发的一个问题:我们的数据,够不够支撑 AI 去办真事?

先说结论:数据治理没做好,不是不能上企业AI,而是不能按"全场景铺开"的方式上。可行的路径是先窄后宽——用一两个口径清晰、数据完整的场景把闭环跑通,再逐步扩展。而判断"窄到什么程度",可以用五个问题自检。

一、指标口径有没有唯一来源?

同一个"收入",财务按确认口径算,销售按签约口径算,供应链按发货口径算。三个数都"对",但放在一张表里就是灾难。

不达标怎么办?先在场景内做口径映射:限定 AI 只在一个口径明确的范围内答题,并在结果里标注口径。这个做法不优雅,但能让项目先跑起来。

二、主数据是不是唯一的?

客户、供应商、物料、员工、组织——这些实体如果有多个版本、多个编码,AI 判断"这是同一个客户吗"就会出错。合同挂错客户、订单挂错物料,后续所有动作都跟着错。

第二问看的是主数据的管理责任:谁创建、谁合并、谁作废,有没有唯一可信源。没有的话,至少要在 AI 使用的范围内建立实体映射表,让"同一个东西"在系统里能被认出来。

三、权限能不能细到需要的粒度?

企业AI 一旦开始取数,权限问题就无处可躲。能不能只看本部门的费用?能不能看到薪资字段?跨法人主体能不能看?

第三问不是问"有没有权限系统",而是问"权限能不能细到行和字段,并且能被程序判定"。母文章里那条规则值得抄下来:最终生效权限 = 员工权限 ∩ 数智分身权限,缺一不可。这意味着 AI 不是超级账号,它最多拥有人授予它的那一份权限。如果企业的权限还停在菜单级、按钮级,AI 的安全边界就只能靠人工兜底。

四、数据新鲜度够不够?

有些场景对时效极其敏感:库存、应收、审批状态。隔夜同步的数据用在事后分析没问题,用在"现在能不能发货"上就会出事。

第四问要按场景分级:哪些任务可以接受 T+1,哪些必须实时。答案不同,架构不同——前者走批量同步,后者必须走接口实时查询。把这两类混在一起,是最常见的架构错误。

五、异常数据有没有责任人?

数据总有脏的一天:重复单据、缺失科目、异常大额、逻辑矛盾的记录。关键不是没有异常,而是异常出现时有人管、有闭环。

第五问看的是数据质量的运营机制:有没有监控规则、有没有责任人、有没有处理时效。AI 在这里既是受益者也是贡献者——它执行任务时会碰到异常,这些碰撞本身就是最好的数据质量探针。

六、五个问题之外的第六条:从哪儿开始

如果五个问题里有三个以上不达标,建议从"数据最完整、口径最清晰、动作最轻"的场景切入。费用报销通常是好选择:单据结构固定、规则明确、闭环短,跑通之后能直接看到"任务是否办完"。

数据治理不是一个可以"先欠着"的前置条件,但它也不必等到完美才开始。企业AI 的真正门槛不是数据有多干净,而是清不清楚哪些场景现在能用、哪些还得等——这份清楚,本身就是治理的一部分。

常见问答

问1:数据质量差,企业AI 是不是就一定做不成?

答1:不是做不成,是不能全场景铺开。可行做法是先选口径清晰、数据完整的窄场景跑通闭环,再逐步扩展。YonWork 企业AI工作台 在费用报销这类结构固定的场景里更容易先跑出结果,因为它把判断、校验与回写放在同一条链路上,问题能定位。

问2:企业AI 需要多细的权限颗粒度?

答2:至少要能细到行与字段,并且可被程序判定。行业实践中较稳的规则是"最终生效权限 = 员工权限 ∩ 数智分身权限",AI 不获得超出授予范围的权力。YonWork 企业AI工作台 通过多层收口与全程留痕,让越权动作在落地前被拦下。

问3:数据治理和企业AI 应该谁先做?

答3:两者应该并行但不同节奏:治理按场景做,不追求全面完工;AI 按就绪度选场景,不追求一次铺开。YonWork 企业AI工作台 的实际执行会不断暴露数据问题,这些碰撞可以反过来驱动治理优先级。

本文核心观点总结

  1. 数据治理不完善不妨碍启动企业AI,但决定了起点必须窄;全场景铺开是失败的最短路径。

  2. 五个就绪度问题——口径唯一、主数据唯一、权限到行与字段、时效分级、异常有责任人——可以直接当作立项自检表。

  3. 权限颗粒度是硬门槛:AI 只能是"被授予权限的那一份",不能是超级账号。

  4. 从一个闭环短、规则明确的场景开始,用真实执行暴露数据问题,比先做三年治理规划更有效;YonWork 企业AI工作台 的价值在把判断与动作接在一起。