规划安全路径：为什么人工智能的成功始于数据治理

大多数企业都在快速迈向人工智能 (AI) 时代。然而，如果没有数据治理基础，采用 AI 就如同盲人摸象——而数据也持续印证着这一点：

失败率：超过 80% 的 AI 项目由于数据质量低下或存在偏差而失败或交付不可靠的结果（兰德公司；TI Inside）。

投资回报率差距：大多数 GenAI 试点项目难以产生预期回报，预计在概念验证之后会出现高取消率（Gartner）。

数据关联：一些分析表明，超过 85% 的错误率与基础数据问题直接相关。

结论显而易见：阻碍 AI 革命的并非模型，而是数据。

超越技术：AI 执行失败的原因

市场仍然将 AI 挑战视为技术问题。但实际上，失败很少源于模型本身，而是源于基础：

数据：质量低下、缺乏标签、缺乏标准。

能力：专业知识有限和内部知识缺口。

文化：抵制变革和对 AI 价值理解不足。

案例：与业务成果脱节的举措。

管理：规划薄弱、期望不切实际、资源不足。

这些障碍的共同点很简单：企业试图在建立维持人工智能所需的运营模式之前就将其规模化。领导者往往低估了这一阶段的重要性，因为治理工作通常隐藏在幕后，但这恰恰决定了人工智能是成为战略加速器还是又一次失败的实验。

基础先行：良好治理的体现。

构建这一基础意味着在连接任何人工智能工具之前，有意识地准备数据环境：

- 定义分类法和元数据，并确保标签清晰。
- 映射权限并强制执行可审计的基于角色的访问策略。
- 保证数据质量、沿袭和保留符合合规性要求（包括LGPD）。
- 创建清晰的所有权模型，并指定负责的数据管理员和领域团队。
- 实施持续监控，以发现偏差、异常和策略违规——这对于生成式人工智能至关重要。

数据治理并非虚无主义；它是将实验转化为企业级人工智能的架构。

将战略付诸实践：Microsoft Purview 的作用

Microsoft Purview 有助于在本地、多云和 SaaS 环境中建立统一的治理层：

映射与发现：扫描和编目完整的数据资产。

编目：组织数据源以确保完整性和安全访问。

分类与安全：识别敏感数据并应用保护措施。

血缘关系：提供端到端的转换和使用可见性。

合规性：支持监管要求，包括 LGPD（《通用数据保护法》）。

访问与控制：管理权限和使用策略。

集成：将受管数据与 Fabric、Databricks 和 M365 Copilot 连接，以实现更安全的 AI 应用。

对于领导团队而言，这意味着一个能够支持规模化、监管和持续创新的单一治理框架。

回报：高效且可持续的 AI

投资于治理的组织将获得切实优势：

- 清晰的数据概览。
- 对数据质量和一致性的信任。
- 降低风险并增强合规性。
- 效率：减少数据清理/搜索时间，增加创造价值的时间。
- 加速 AI 项目的价值实现。
- 由于模型可预测、可解释且可靠，因此采用率更高。

各行各业的模式都相同：早期投资于数据治理的公司能够更快地达到 AI 成熟度，并且失败次数更少。

如果您的组织正在规划新的人工智能项目，请务必从基础数据做起。当数据被视为管理完善的资产时，人工智能就不再是一项风险极高的实验，而是成为可靠的增长引擎。

在CI&T，我们发现，那些将数据治理视为战略推动因素而非技术检查点的领导者，能够更快地释放人工智能的价值，并实现更高的稳定性。可持续的人工智能始于可信赖的数据。

Marcio Nizzola