“我们为数据治理制定了政策，也购买了工具；为什么仍然推行不下去？”在许多希望加快 AI 项目的组织中，这个问题再次被提上议程。AI 使数据的质量、归属和使用规则变得无法忽视。但一项新的数据表明，问题往往不在技术或预算，而在于人们对待数据的方式。
根据 Gartner 于 2026 年 9 月 21 日发布的预测，到 2027 年，未能应对数据与分析治理文化挑战的组织中，60% 将无法成功治理 AI。本文将探讨这一发现说明了什么、为什么 AI 就绪数据不仅仅是技术问题，以及可以采取哪些步骤使文化成为治理的一部分。
数据说明了什么：阻力胜过预算
根据 Gartner 于 2026 年 3 月对 223 名数据与分析负责人开展的调查，文化阻力以 60% 的比例成为治理举措失败的首要原因，而提到预算限制的比例为 40%。
Gartner 在此将文化定义为影响治理在组织内如何被采纳和持续推行的思维方式、行为和组织规范。导致项目偏离轨道的主要文化问题包括：以数据为中心的成熟度低、相关方未能充分理解治理的价值，以及业务部门参与度低。
新闻稿强调了一点：组织在专注于制定政策和推广技术的同时，忽视了确保这些政策得到大规模应用并长期坚持的文化层面。根据 Gartner 的说法，AI 就绪数据还需要这样的相关方：理解可信数据的价值、参与政策管理并维持问责文化。
为什么是现在：AI 让数据差距显现出来
文化问题并不新鲜；AI 使其代价更加高昂。根据 Gartner 于 2024 年 7 月对 1,203 名数据管理负责人开展的调查，63% 的组织要么没有适合 AI 的数据管理实践，要么不确定自己是否具备。在同一来源中，Gartner 预测，到 2026 年底，60% 缺乏 AI 就绪数据支持的 AI 项目将被放弃。
Gartner 评估中有两点与文化讨论直接相关。第一，在传统数据管理中，数据在何处、以何种方式被使用往往没有记录；数据以孤岛形式积累在不同的系统中。第二，AI 就绪数据不是一次性项目，而是一项必须持续改进的实践。然而，记录习惯和持续性并非来自工具，而是来自团队的日常行为。
框架：治理也是文化问题
文化处于治理核心的观点并非 Gartner 独有。美国国家标准与技术研究院（NIST）的《人工智能风险管理框架》将“治理”（GOVERN）职能定义为在组织内培育并落实风险管理文化的职能。根据该框架，高级领导层为风险管理定下基调，进而塑造组织文化，而记录工作则增强透明度和问责。
同一职能的子类别也提供了一份具体的检查清单：角色、职责和沟通渠道有书面记录，且组织内每个人都清楚了解；员工和业务伙伴接受足够的 AI 风险管理培训以履行职责；高级领导层对有关 AI 风险的决策承担责任。这些条目可以被视为 Gartner 所指出问题——“业务部门参与度低”和“未能理解治理的价值”——的对应措施。
实用路径：将文化融入治理
为改善治理成效，Gartner 向数据与分析负责人建议了三个领域：将治理与业务成果挂钩，将其重新定位为业务赋能手段和“团队协作”，以及将治理和文化融入日常工作流程。以下步骤是根据这些建议和 NIST 框架归纳出的通用路线图；每个组织都需要根据自身结构加以调整。
- 以一个 AI 用例启动治理。 Gartner 建议根据战略业务目标和 AI 期望确定治理工作的优先顺序，以便产生可衡量的价值并维持高级领导层的支持。与其说“让我们清理组织的所有数据”，不如问“这个用例需要什么数据、达到什么质量？”，后者提供了一个更易管理的起点。
- 将数据归属交给业务部门。 Gartner 建议不要将治理仅视为 IT 部门的职责，而应在业务和技术相关方之间建立共同问责。为每个关键数据领域指定一名业务负责人和一名技术负责人，就是这一原则的实际体现。
- 以书面形式明确角色并使其可见。 正如 NIST 所建议的，“谁决定什么？”以及“问题向谁报告？”的答案应有书面记录，并向所有相关人员公开。
- 将规则置于工作流程之中。 Gartner 建议将数据治理、数据素养、AI 素养和变革管理融入日常运营。例如，数据定义和质量检查可以成为创建记录或编制报告步骤的一部分，而不是单独召开审批会议。
- 按角色规划素养培训。 针对管理层、数据负责人和最终用户设计内容不同的简短培训，可直接应对“未能理解治理价值”的问题。关于如何使员工对 AI 工具的使用变得可见，我们也在题为《从无序使用到治理》的文章中做过讨论。
- 提升数据清单和元数据的成熟度。 Gartner 指出，元数据管理处于基础或手工水平的组织将难以为 AI 准备数据，作为第一步，应立即推动该领域走向成熟。
- 同样衡量文化。 不仅跟踪数据质量指标，还要跟踪数据负责人的会议出席情况、定义的更新频率以及业务部门提交的数据问题报告。报告数量的增加起初可能是一个积极信号；它表明问题正在变得可见。
结论
Gartner 的数据表明，数据治理的最大障碍是文化而非预算，并且这一障碍会直接延续到 AI 治理之中。政策和工具是必要的，但仅靠它们是不够的；如果没有理解数据价值、承担数据归属并在日常工作中遵守规则的团队，AI 就绪数据就无法持续。因此，治理不应被视为一个 IT 项目，而应被视为一项由高级领导层定下基调、业务部门共同承担责任的管理实践。
为什么物流经验在这里很重要。 一个运营良好的仓库展示了这种文化在实践中的样子。物料主数据有明确的负责人（第 2 步），规则内嵌在扫描和收货过账环节中，而不是放在单独的审批会议里（第 4 步），例行的循环盘点则显示记录与货架上的实物吻合程度（第 7 步）。由于物流数据跨越仓储、运输和订单系统，共同的定义和明确的归属是日常运营的需要，而不是政策层面的演练。Orient Global 的一位顾问在运营、物流和供应链领域拥有30 多年经验：他曾在一家大型科技分销企业全面负责物流、仓储、技术服务和行政运营，组建并领导 100 多人的团队，并通过以 KPI 为导向的项目实现了运营绩效的持续提升。他还曾在领先的零售、物流和分销组织中管理全国性的仓储和运输业务。作为一名工业工程师，他如今通过 AI 和自动化将这种供应链管理规范带给中小企业。了解我们的顾问。
#interimmanagement #forwarddeployedengineering