一、核心判断：AI数据治理是必答题，不是选择题传统数据治理服务于报表、监管报送和BI分析，核心诉求是“口径一致、数据准确”。AI应用的要求更高：模型训练需要高质量标注数据集，大模型推理需要完整语义映射，AI Agent需要可信的元数据上下文。业务数据天然存在口径不一致、质量参差不齐、语义缺失三个短板，补齐它们正是AI数据治理的核心任务。
监管层面已经明确。2026年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，从治理架构、开发应用、数据治理、算力建设、风险管理等七大方面提出32项指导性意见，要求金融机构“完善数据管理运营体系，提升数据服务能力，针对业务场景持续推进高质量数据集和知识工程建设”。同时，《银行业金融机构数据治理指引》第34条明确要求数据质量考核结果纳入绩效考核体系。AI数据治理已成为金融企业的必答题。
二、七步实操路径第一步：建组织——三层架构+数据Owner制目标：让数据治理从IT部门的事变成全公司的事，每个数据域有明确负责人。
落地举措：决策层设数据治理委员会，由高管牵头审批数据战略和跨部门协调；管理层设数据管理部门，制定标准规范和考核评估；执行层由业务与IT共同落实，实行数据Owner制度，客户、产品、交易、风险等核心数据域均有明确业务负责人。金融企业还需将数据团队与AI团队纳入统一治理框架，避免“两套工具、两份数据”的割裂。
实践参考：邮储银行重庆分行由信息科技管理委员会统筹，构建“共商、共建、共享”体系；腾讯云倡导“一个团队、一个工具、一份数据”的协同模式。
第二步：定标准——让数据说同一种语言目标：消除“同名不同义、同义不同名”，建立企业级统一数据语言体系。
落地举措：标准体系覆盖三个层面——主数据标准（客户、产品、机构等核心实体统一编码）、元数据标准（技术、业务、管理元数据）、指标标准（原子指标与派生指标全生命周期管理）。可借鉴阿里OneData的“规范定义—模型设计—工具平台”三层架构，先构建总线矩阵划分数据域和业务过程，再将标准落地到物理表结构，最后线上化管理和贯标监控。
实践参考：首钢财务公司“1+6”全域数据标准框架，围绕客户、信贷、结算、财务、金融市场及人力六大领域落地790余项数据标准，实现核心业务口径首次统一。
第三步：盘资产——先搞清楚手里有什么目标：系统梳理数据资产，建立数据资源目录，为AI数据集建设提供基础。
落地举措：建立三级可信度模型——Tier 1为跨团队生产资产，要求完整文档、质量检查和数据管家审核；Tier 2为团队级资产，要求负责人、描述和领域标签；Tier 3为临时或个人表，文档要求最低但有激进保留策略和自动清理机制。盘点的关键产出是数据资源目录，它既是治理成果沉淀，也是AI Agent理解企业数据资产的“地图”。同时搭建数据资产语义层，将业务含义、指标与代码关联。
实践参考：Pinterest通过DataHub将40万张表精简为10万张经过策展的AI可用资产；首钢财务梳理2300余项数据资源，核心领域标准覆盖率95%以上；四川天府银行实现940个核心指标统一管理；腾讯提出“人机共懂”数据资产体系。
第四步：管质量——建立闭环，而非一次性清洗目标：建立“识别—分析—整改—监测—考评”闭环机制，让数据质量从运动式治理走向常态化运营。
落地举措：开发部署数据质量检核工具，推进深水区专项治理，同时开展常态化质量监测，主动识别、定位、解决问题数据。考核是关键抓手，指标分三层设计：治理过程层考核落标率等执行指标，数据质量层考核准确率、完整率等结果指标，业务价值层考核数据服务调用量、AI应用效果等价值指标。
实践参考：重庆银行建立闭环管理机制，完成千万级历史数据治理和整合；邮储银行重庆分行采取“刚性管控+工具支撑”；某股份制银行将客户信息准确率与柜员绩效直接挂钩，三个月内准确率从88%提升到99.2%。
第五步：AI赋能——用AI治理AI目标：将AI技术融入数据治理全流程，实现从人工主导向智能驱动的转型。
落地举措：优先在四个场景应用AI。智能分类分级：基于规则引擎与机器学习实现自动化，满足监管刚性要求；智能贯标：AI系统性评估存量系统字段落标情况并推动整改；智能质量稽核：自动识别异常模式、预测质量问题、推荐修复方案；智能问数：支持自然语言获取关键数据，降低数据消费门槛。北京金融科技产业联盟提出的“AI筑基、深化赋能、价值跃升”阶段性路径可作为实施参考。
实践参考：光大证券“阳光e数”平台分类分级准确率提升至98%，效率较人工提升20倍；赣州银行面对61个存量系统、1244条标准、7000多个关键字段，人工推进落标率仅20%，引入AI治理工具后提升到85%；2026年4月银行业首个行业级“数据分类分级”大模型发布，由人民银行组织工商银行、农业银行、中国银行等协同攻关；四川天府银行上线“智能问数”；腾讯数据分析智能体在国际数据集测试中排名全球第三、国内第一。
第六步：保安全——把AI数据安全嵌入治理全流程目标：将AI数据安全纳入企业数据安全管理体系，严格落实数据分类分级保护要求。
落地举措：三个环节重点管控。采集与标注环节，严格限制个人信息用于生成式AI训练，建立分级分类与脱敏保护机制；训练与部署环节，对生成式AI模型实施准入管理，评估模型效能及安全合规性，外部引入模型需经网信部门备案；流通与共享环节，将AI风险纳入全面风险管理体系，在高风险应用关键环节建立人工监督和干预机制，加强外包和供应链风险管理。
实践参考：邮储银行采用“数据不出域、模型可审计、过程可追溯”的全链路安全保障体系，支持本地化与私有云部署；银行业数据分类分级大模型通过协议约束、合规审查、数据脱敏、专家标注、权限管控等措施强化全流程安全。
第七步：持续运营——让治理转起来目标：建立长效运营机制，形成“治理—AI应用—价值变现—反哺治理”的良性闭环。
落地举措：解决三个问题。谁来看效果：将数据治理指标纳入高管和业务部门负责人年度KPI，配套双周报、月报、年度总结等常态化跟踪机制。用什么衡量：量化数据资源整合规模、数据服务调用量、AI应用效果等指标。如何正向循环：当AI应用产生可量化业务价值（风控效率提升、客户画像精准度提高、审批时间缩短），治理团队据此争取更多资源和预算，推动治理深度和广度持续扩展。
实践参考：中油资本已将数字化转型与智能化发展相关指标纳入管理层绩效考核；光大证券“阳光e数”累计整合管理数据表超12万张、字段超700万个，接入近2000个功能点；重庆银行数据资产平台年均数据服务调用量超7亿次；B站建立“用户提问→大模型回答→运营团队归档→数据用于模型训练和知识沉淀→再次服务用户”的闭环机制。
三、落地节奏：按机构阶段差异化推进大型金融机构（已完成数据中台基础建设）：从第三步“盘资产”和第五步“AI赋能”切入，重点建设AI-ready数据资产体系和智能治理工具链。重庆银行的八年路径可作参考：从“聚”数据到“用”数据再到AI驱动，每一步为下一步奠定基础。
中小金融机构（正在建设或刚完成治理体系）：从第一步“建组织”和第二步“定标准”扎实起步，同时关注行业级工具输出。银行业数据分类分级大模型的发布，正是为解决中小机构“标准理解不一、执行尺度不齐、自动化水平不足”的痛点，通过“共建、共享、共用、共治”降低治理门槛。
通用原则：数据治理不是前置准备，而是持续生产可信AI数据集的核心机制。把它当作运营工作而非一次性项目对待，AI应用才能真正跑在可信的数据底座上。
四、一页纸速查表步骤
核心目标
关键动作
参考指标
1 建组织
全公司参与、域有Owner
三层架构、数据Owner、数AI团队统一
组织架构、Owner清单
2 定标准
统一数据语言
主数据/元数据/指标标准、贯标监控
标准数量、口径统一率
3 盘资产
摸清家底、建目录
Tier分级、资源目录、语义层
资产目录、AI-ready资产数
4 管质量
闭环常态化
检核工具、专项攻坚、三层考核
准确率、完整率、落标率
5 AI赋能
智能驱动治理
智能分类分级、贯标、稽核、问数
准确率提升、效率倍数
6 保安全
全流程合规
采集脱敏、模型准入、流通管控
分类分级覆盖、审计可追溯
7 持续运营
价值闭环
KPI纳入、量化指标、反哺机制
调用量、业务价值量化
七步之间不是线性关系，而是循环迭代：组织保障标准落地，标准支撑资产盘点，盘点暴露质量问题，质量闭环产生可信数据，AI赋能提升治理效率，安全保障守住合规底线，运营机制让整个体系持续转动。金融企业可按自身阶段选择切入点，但最终需要七步贯通，才能让AI真正跑在可信的数据底座上。