企业需要先完成全量数据治理，才能启动 AI 吗？

“数据基础不好，先治理三年再谈 AI”，会让企业错过用真实场景暴露问题的机会。直接把模型用进生产，再边跑边补数据，又可能把错误和风险带给客户。

大多数企业可以从一个业务决定反推最小数据闭环。合法来源、访问权限和高风险关键字段的质量，必须在真实使用前到位。

全量治理为什么容易失控

企业数据持续变化，想一次统一所有字段、系统和历史问题，成本巨大，也很难证明哪些工作真正支持业务。

脱离场景的治理项目容易把表格完整、标准数量和文件覆盖当成成果。几年过去，真实决策依然没有改善。

最小数据闭环分五步

第一步，选择一个具体任务，明确 AI 要支持什么业务决定。第二步，列出完成决定所需的最少字段和证据。第三步，为每项数据确定权威来源、更新频率和责任人。第四步，规定缺失、冲突和越权时怎样停止或转人工。第五步，把 AI 错误、人工修改和最终结果回流到数据治理。

这五步能支撑真实试点，也能沉淀可复用的口径、接口和责任安排。扩展到相邻场景时，再向外增加一圈数据范围。

三类条件不能边跑边补

个人信息、重要数据、商业秘密和受行业规则约束的数据，要先确认合法来源、使用目的、权限与安全措施。

涉及资金、医疗、客户权益和设备控制的关键字段，也不能在真实动作中靠出错学习。证据不足时先影子运行或只给建议。

最后，数据冲突必须有人裁决。AI 可以发现重复、过期和缺失，辅助字段映射与知识整理；它没有资格替不同部门决定哪套口径生效。

数字化基础差，也不等于完全不能开始

第 2 问讨论数字化转型给 AI 提供了哪些流程和系统地基。本篇只回答数据治理范围：企业无需先治理所有数据，但当前场景依赖的关键数据必须形成闭环。

若连任务发生在哪里、最终结果落在哪个系统都无法描述，就先补最小数字化链路。若流程已在运行，只是口径和字段存在局部问题，就可以场景牵引、逐步治理。

数据治理可以从小处开始，关键数据进入关键动作之前必须可追溯、可负责、可控制。

本问行动：挑一个近期要试的场景，按五步闭环列出真正需要治理的数据，先别从“全公司的数据”开始。