这两年，大模型一波接一波地发布，DeepSeek横空出世刷屏，OpenAI、通义千问轮番更新——每一次发布，科技圈的朋友都兴奋得像过年。但与此同时，我身边不少在央国企做数字化的朋友，却在私下跟我说：“模型是好模型，但我们根本用不起来。”

这话听起来有点奇怪。央国企不缺钱，不缺人，甚至不缺技术——很多集团都建了数据中台，买了云平台，招了数据团队。但偏偏，AI真正落地很难。

问题出在哪儿。有人说是场景没找对，有人说是算法不够先进，但在我看来，这些都是表面原因。真正的根源，其实是数据。

你想想，AI模型到底是怎么工作的？

一个简单的类比：AI就像一个非常聪明的厨师，但他能做出什么菜，完全取决于你给他的食材。食材新鲜、品类齐全，他能做出满汉全席；食材腐烂、来源混乱，就算厨艺再好，也只能煮一锅说不清味道的大杂烩。

数据，就是AI的“食材”。

而很多央国企的数据现状，用一个词来形容，就是：一锅粥。

OA系统、HR系统、MES、ERP、SCADA……各个系统各自为政，数据格式五花八门，指标定义相互打架。有的集团下属几十个子公司，同一个“利润”指标，每家公司的计算口径都不一样。你问AI“今年集团整体利润趋势如何”，AI想回答，但它拿到的数据像一堆碎拼图，不仅缺角，还有很多张拼图根本不属于同一套图。

某省级电力集团在做数据治理之前，专门统计过一次：不同业务系统之间，指标定义冲突的条目超过200项；关键业务数据的完整率，只有65%。

也就是说，你喂给AI的原材料，有超过三分之一是残缺的。这种情况下，AI不是跑不快，是根本跑不起来。

更大的问题是，大家都知道数据有价值，但不处理、不治理，数据就只是仓库里积压的废料，不仅没有价值，还会每天在“贬值”——因为时间越久，数据越乱，越难理清。

在聊怎么解决这个问题之前，我想先说一个更根本的事情：数据在企业里的角色，正在经历一次深刻的跃迁。

以前，数据是业务流程的“副产品”。交易发生了，系统记一条流水；员工入职了，HR系统存一条档案。数据的作用，是“证明过去曾经发生过什么”。

后来，大家开始意识到，数据可以被挖掘、被分析，能帮助做更好的决策。于是数据从“记录”变成了“资产”——它有价值，值得管理，值得投入。

但现在，随着《数据二十条》等国家战略出台，随着AI应用全面爆发，数据的地位已经再次升级——它与土地、劳动力、资本、技术并列，成为了第五大核心生产要素。

这不是修辞，这是一个实实在在的定位变化。

生产要素意味着什么？意味着它不只是辅助决策的工具，而是直接参与价值创造的基础投入。没有高质量的数据，研发、生产、营销、服务的每一个环节，都会像在沙地上盖楼——看起来立起来了，但根基不稳。

所以数据治理已经不是IT部门“要不要做”的可选题，而是数字化转型的必答题。

既然数据治理这么重要，那为什么这么多年，很多企业做了数据治理，效果却不好？原因之一，是缺乏一套标准化的方法论。

每家企业做数据治理，方法论不同，路径不同，结果自然参差不齐。没有统一标尺，就没有可量化的改进，也没有可复制的路径。

这正是DCMM2.0（GB/T 36073-2025）的价值所在。DCMM，全称是数据管理能力成熟度评估模型。2025年发布的2.0版本，是国家层面对数据管理能力的最新标准化定义。用大白话说，它给企业的数据治理能力，给予了一把可量化的尺子。

在z6com时凯集团的实践框架中，这把尺子从制度、流程、标准、技术、组织五个维度切入，帮助企业系统评估数据管理能力：每个维度从无到有、从粗到精，分成五个等级：

一级（初始级）：数据管理被动、零散，出了问题才想起来处理

二级（受管理级）：局部有了制度和流程，部门内部可以管起来

三级（稳健级）：全企业统一标准、统一流程，数据可管可控

四级（量化管理级）：数据管理可度量、可优化，用指标驱动持续改进

五级（优化级）：数据深度赋能业务、驱动创新，实现价值最大化

你看，这五个等级，其实描述的是企业从“救火模式”到“主动治理”再到“数据驱动”的完整演进路径。

那么大多数央国企现在在哪里？说实话，根据实际情况，大多数企业徘徊在一级到二级之间，少数集团能稳定在三级。而真正能支撑AI落地、让模型产生实际业务价值的，至少需要达到三级稳健级。这个参照系，能帮你快速判断自己的差距在哪。

更重要的是，DCMM2.0不只是一套评分体系，它本质上是一张路线图——告诉企业，现在在哪，目标在哪，一步步怎么走。对央国企来说，这尤为关键，因为央国企的业务复杂度极高，子公司众多，没有一套方法论做指引，数据治理很容易陷入“局部修修补补、整体一团乱麻”的困境。

说到这儿，可能有人会问：数据治理是数据治理，AI是AI，两件事为什么要放在一起讲？

这个问题问得好。这恰恰是当下最被低估的一个认知盲区：AI和数据治理，不是并列关系，而是相互驱动的飞轮关系。

一方面，Data for AI——高质量的数据，是AI能跑起来的前提。数据准确、标准统一、结构完整，AI模型的训练效率才高，推理结果才可信。否则你喂进去的是垃圾，出来的自然也是垃圾。

另一方面，AI for Data——AI技术反过来可以大幅提升数据治理的效率。

举个具体例子：传统的元数据管理，靠人工录入，既慢又容易出错。现在用大模型，可以自动解析表字段，自动填写元数据属性，自动推断负责人、自动生成数据血缘关系——原来需要一个团队做几个月的事，AI几天就能完成初稿。

再比如数据质量检查，传统模式是“出了问题再修”，属于事后救火。用AI可以实现事前自动预检、事中精准质检、事后智能修复。内置的质量检核规则超过十几类，异常模式自动识别，从被动整改变成了主动预警。

这就是“飞轮效应”的精髓：数据治理好了，AI跑得更好；AI用得更好，数据治理效率更高；治理效率更高，又产出更好的数据……这个正向循环一旦转起来，就很难停下来。

这也是为什么，今天最前沿的解法，不是单独做数据治理，也不是单独部署AI，而是把两者整合成一体化的平台：AI数治一体化。

知道了飞轮的逻辑，下一个问题是：具体怎么转起来？

我观察过不少企业推进AI+数据治理的过程，卡壳的地方往往很具体，不是方向不对，是每一步都有“拦路虎”。我来拆解三层障碍，以及对应的解法。

第一层障碍：数据底座打不好

很多企业做数据治理，第一步就卡在元数据录入。听起来简单，实际上极其耗人——几百张表、几千个字段，每个字段的定义、归属、业务含义都要人工核对填写。一个数据团队做几个月，还没做完，人就先累垮了。

更麻烦的是合同文本这类非结构化数据。央国企每年要处理大量合同，里面涉及的租赁条款、违约责任、保险责任，都是AI应用的高价值数据源，但传统方式根本无法批量处理。

解法：AI数据治理与数据资产运营平台。

大模型自动推理元数据属性，不再依赖人工录入；基于DeepSeek自动解析合同文本，生成要素标注初稿，人工只需校验，效率完全不是一个量级。数据质量管控同样如此——覆盖多项质量指标，实现自动化评估与整改，从事后救火变成事前预警。

说实话，把“数据治理”从一件需要堆人力的苦活，变成可以大规模自动化推进的事情，这是这个平台最打动我的地方。对数字化资源有限的央国企来说，意义相当实在。

第二层障碍：模型跑不好、不敢跑

底座打好了，接下来面对的是另一个问题：央国企对数据安全的要求极高，模型部署“不敢随便上”。很多集团在试点大模型时，第一个卡点不是技术，而是合规——模型怎么评测？数据出没出域？安全性怎么证明？

解法：AI推训一体化平台，采用“安全-能力-任务”三元评测体系——安全是基础，能力是核心，任务是支撑。覆盖数据标注、模型训练、推理服务、模型部署的完整链路，支持云上、边缘、混合三种部署模式，在适配DeepSeek、通义千问等主流大模型的同时，把数据安全合规作为前置条件而非事后补丁。

第三层障碍：AI能力用不进业务

底座有了，模型跑起来了，最后一关是：AI能力怎么真正进入每天的业务流程？

很多企业的AI项目，最后都停在了“Demo阶段”——展示的时候很好看，但没有人真的在用。原因往往是：业务人员不懂技术，不知道怎么把AI嵌进自己的工作流程。

解法：智能体开发平台，基于MCP架构，业务人员可以低代码甚至零代码定制智能体。

举几个场景：财务部的同事想查“今年各季度利润趋势”，直接用自然语言问，系统自动生成分析结果和可视化图表，不用再等数据部门开发报表；法务部的同事需要查某条合同条款，秒级检索企业知识库，不用翻几百页文件；办公室起草公文，AI结合本地知识库生成初稿，自动检查格式和敏感内容。

这三个平台叠加在一起，构成的是一套“数据底座 → 模型能力 → 业务应用”的完整闭环。不是某一个环节的点状工具，而是让飞轮真正转起来的整体机制。

光说理论不够，我来聊几个已经落地的案例。

案例一：某省投资控股集团

这是一家以“151”开展战略为引领的国有资产运营集团，旗下业务横跨战略投资、产业投资、财务投资多个板块。集团层面最大的痛点，是子公司众多，主数据分散，跨公司的数据根本对不上。

项目落地了“四个一”：一套落地的数据标准、一套主数据管理平台、一套数据共享分发平台、一套主数据管理规范体系。从根上解决了“各说各话”的问题，为后续数据驱动决策打下了基础。

案例二：某市集团

总资产899亿元，下属全资控股子公司8个，参股公司15家，业务横跨房地产、工程、园林、酒店、市政等多个板块。

这家集团的痛点更典型：不同子公司用不同供应商的系统，标准不统一，数据质量参差不齐，数据孤岛严重，根本无法在集团层面形成统一的数字化运营视图。

项目打造了“一体系+三中心+四能力”的数字化运营体系，围绕“数据”重建了管理组织架构，完成了集团数据资产的盘点分级分类，让集团第一次真正看清楚自己的数据家底。

案例三：某省电力绿链云网数智中心

一个省级电力集团，供应链数据治理面临三重困境：数据标准碎片化（指标定义冲突超过200项）、数据质量参差不齐（核心业务数据完整率仅65%）、跨系统融合难度大（传统数据开发按周计算）。这种情况下，什么AI、什么智能决策，全是空谈。

项目落地后，效果具体体现在：

元数据自动识别与标准智能匹配，人工映射效率大幅提升

质量监控工具内置14+质量检核规则，自动拦截多类数据问题，从被动整改变为主动预警

零编码工具内置50+可视化模板，报表开发周期从7天压缩至4小时——换句话说，以前一个数据需求要等整整一周，现在半天就能拿到结果。对需要快速决策的管理层来说，这是完全不同的体验

核心数据100%匹配国家电网公司主数据标准

建立了129个数据源的业务归属与管理职责，形成“谁产生、谁负责、谁应用、谁评价”的管理闭环

这组数字背后的含义，不只是效率提升，而是供应链从“经验驱动”向“数据驱动”转型，终于迈出了关键的第一步。

回到开头那个问题：央国企搞了这么多年数字化，为什么AI还是跑不起来？答案其实很简单：那位聪明的厨师，不断在等一份像样的食材。

大模型是好模型，算法是好算法，但如果喂进去的数据是一堆来源混乱、标准不统一、缺失率超过三分之一的“烂食材”，再好的厨师也只能皱着眉头，做出一道谁都不想吃的菜。

DCMM2.0新国标的出现，给了企业一把可量化的标尺，让数据治理从“凭感觉推”变成“按标准进”。AI与数据治理的双向飞轮，则让这件原本耗人耗时的事情，第一次有了高效落地的可能。

某省电力集团的数据团队，在项目完成后说了一句话，我觉得挺有代表性：“以前我们知道数据有价值，但不断不知道怎么用。现在我们终于看见了那扇门在哪。”

找到那扇门，是所有故事的开始。