市场背景
人工智能（AI）在企业中的应用进入新阶段，生成式AI成为首要分析任务，而能动式AI（agentic AI）也日益受到关注。然而，多数企业尚未建立成熟的AI治理框架，仅有约26%的企业认为其AI治理成熟，远低于数据治理的31%。同时，近半数企业将AI治理描述为不成熟，且仅有36%认为其数据基础已准备好支持AI应用。这一成熟度差距在AI系统日益嵌入、自主化且影响重大的情况下尤为突出，全球监管审查也在增加。
关键趋势
- AI数据基础仍是动态目标：企业认识到AI的可靠性取决于其消耗的数据，但构建AI准备的数据基础仍具挑战性。数据孤岛仍是主要挑战，而AI项目越来越多地依赖非结构化数据（如文档、合同、电子邮件等）。治理非结构化数据需要管理文档来源和谱系，应用一致的分类和敏感性控制，并治理新的数据类型（如提示数据和向量数据库）。
- 上下文至关重要：生成式AI凸显了模型因缺少或不一致上下文而失败的问题。AI系统需要访问相关信息（如客户状态、设备配置等）才能提供有用见解。缺乏共享的业务定义会导致AI系统产生不一致或风险结果。因此，需要强调语义，包括业务术语表、元数据管理、谱系和政策映射，以确保AI系统在定义的边界内运行。
- 能动式AI提升治理要求：组织开始从生成式AI转向能动式AI，后者能够推理、规划和跨企业流程采取行动。能动式AI需要额外的治理控制，包括细粒度访问权限管理、定义行为边界、人工审核点、端到端可追溯性、异常行为监控、编排逻辑的版本控制和文档记录。
- 统一和自动化治理成为必要：AI治理无法通过人工监督或孤立的平台控制来扩展。企业通常跨越多个云、本地系统、结构化和非结构化数据源以及不同的分析工具，平台特定的治理能力不足以应对AI系统从多个环境获取数据的情况。因此，趋势是转向提供跨数据和AI资产集中可见性的统一治理框架，嵌入到管道、开发环境、编排层和运行时监控系统，并通过政策驱动自动化来执行治理规则。
治理作为可扩展AI的基础
AI治理是可扩展AI的基础，需要加强数据基础、投资语义清晰度，并在模型和代理周围嵌入生命周期控制。这需要跨系统的可见性、明确的问责制和可扩展的自动化，同时认识到治理不是一次性举措，而是需要随着AI能力的发展而适应。
企业AI扩展的挑战与解决方案
企业AI正从实验转向运营部署，但数据环境的复杂性（ERP系统、云数据平台、分析环境、SaaS应用程序和新兴AI服务）带来了新的治理挑战。数据碎片化导致治理盲点、政策执行不一致和信任度降低。
Collibra提出的“上下文差距”和“平台陷阱”概念描述了这些挑战：
- 上下文差距：AI系统缺乏企业上下文，导致生成流畅但错误的响应。
- 平台陷阱：治理能力仅嵌入单个平台，无法提供跨生态系统的集中监督。
解决方案是：
- 治理提供上下文和控制：数据治理建立语义层，AI治理确保模型和代理在监管、运营和组织边界内运行。
- 无头治理：将治理能力直接嵌入数据和使用环境，提供跨平台的可见性、可追溯性和控制。
- 治理无处不在：无论数据驻留在何处，治理能力都能提供跨企业数据和AI生态系统的可见性、可追溯性和控制。
结论
随着企业从生成式AI转向能动式AI，治理的重要性将不断增加。通过弥合上下文差距和避免平台陷阱，统一治理使组织能够自信地扩展AI，确保AI系统在可信数据上运行，与企业政策保持一致，并在日益复杂的 企业环境中提供可靠的结果。
