「有数据」不等于「能决策」
企业通常不缺报表，缺的是在关键决策点上一致、可追溯、可解释的数据产品。同一指标多口径、主数据冲突、事件延迟——这些问题在人工分析时尚可靠经验修补，在自动化与生成式场景里会变成系统性错误。
决策级数据的标准是：定义清晰、责任明确、时效匹配业务节拍、质量可监测。达不到这些，模型再强也只是把噪声翻译得更流利。
治理不是文档仓库
有效的数据治理围绕「谁在什么场景下用什么数据做决定」展开：目录与血缘服务发现，质量规则服务运行，权限与脱敏服务合规，而不是堆叠无人阅读的政策 PDF。
对 AI 项目尤为关键的是：训练与推理使用的特征/知识来源是否纳入同一套变更管理。模型版本与数据版本脱节，事故复盘就会变成互相指认。
先建最小可信闭环
不必等待「完美中台」。更务实的路径是：选定一条高价值决策链，打通其最小可信数据闭环，再向外扩展域。每一步都能用业务语言验收——例如补货、核保、客服工单分流——而不是只验收管道是否跑通。
数据科学与咨询应共同定义闭环：业务问题、所需实体与事件、可接受的延迟与误差、以及模型/规则在其中的位置。顺序颠倒，技术债会以「AI 项目」的名义快速堆积。