思想领袖
企业AI治理始于数据库基础设施

要点% 的企业 AI 试点失败,原因是治理未嵌入数据层。
查看更多
- % 的企业 AI 试点失败,原因是治理未嵌入数据层。
- 自主智能体要求数据层控制,因为未经治理的写入可能跨系统级联扩散。
- 在数据库层面实施基础设施优先的治理,可弥合试点与生产之间的差距。
企业内部的AI实验从未如此迅速,但走向生产运行的进程依然迟缓。团队启动试点、测试模型,只需数周,有时数天,就能展示令人期待的结果。然而,一到大规模部署这些系统时,进展往往停滞。安全顾虑浮现,合规要求收紧,治理问题也越来越多。
MIT的《The GenAI Divide: State of AI in Business 2025》报告发现, 95%的企业AI试点未能产生可衡量的业务成效。只有5%进入生产运行并带来实际财务回报。研究涵盖300多项AI部署和150次高管访谈,结论指出,主要障碍不是模型能力,而是企业系统集成存在缺陷。多数组织将此视为需要高层解决的政策问题。我认为,AI治理是一项系统挑战,起点在数据层。
为什么AI项目停在试点阶段
许多AI项目受挫,是因为开发原型的环境与企业实际部署要求根本不匹配。开发者受到激励,要利用灵活工具、治理较松散的数据集和自助式基础设施快速行动,尽早证明价值。这很适合实验,却不能直接适用于要求可审计性、严格访问控制、法规合规和运行韧性的生产环境。
因此,治理往往在概念验证成功后才被引入。到了这时,本应发挥支持作用的一层反而成为约束,迫使团队事后改造安全模型、重新设计数据流架构,并修改原本就应作为基础的合规假设。
这使受控环境中AI能展示的能力,与企业能够安全可靠地投入生产的能力之间,出现越来越大的落差。
与此同时,现代AI技术栈逐渐优先追求速度和易用性,往往以控制为代价。方便开发者的平台让试点更容易开展,却可能掩盖数据所在的位置、使用方式和访问者身份。
这会带来切实的运行与监管风险,包括无意暴露数据、不同环境之间的数据边界模糊,以及系统行为的可审计性不足。这些问题会直接出现在生产就绪审查和合规评估中。企业调查一贯显示, 数据质量与治理问题是AI项目失败的主要原因之一 并在60%至70%的案例中被提及。对第三方基础设施和托管数据库服务日益增长的依赖,又加剧了这一问题,可能进一步分散数据所有权,并使满足监管要求更加复杂。许多组织默认平台已经处理好治理,实际上,责任分布在技术栈的多个层次。
结果形成了一个悖论:加速AI实验的工具,往往也正是在转向生产时制造阻力的工具。
数据库才是真正的治理层
要解决这种脱节,就必须重新思考治理究竟在哪里发生。
治理通常被定位为制定政策的职能,由法务、合规或管理团队确定,再通过文档和审查流程落实。这些机制不可或缺,但仅靠它们还不够。治理只有在系统层面得到强制执行,才真正有意义。
在实践中,执行发生在数据存储、访问和转换之处。因此,数据库及其周边数据基础设施,是AI技术栈中最关键的治理层。
现代数据库不是被动的资料库。它们规定访问权限,落实数据存储地域要求,管理加密和密钥控制,并生成合规与安全监督所需的审计日志。它们也日益成为AI系统与企业数据交互的控制点。
这一点很重要,因为AI系统会继承所依赖的数据基础设施的治理状况。如果底层数据库缺乏结构、控制或可见性,这些弱点就会直接传入建立在其上的AI系统。后续应用层的任何政策,都无法完全弥补未经治理的数据基础。
这引出更广泛的架构转变:治理必须从一开始就嵌入基础设施,而不是部署后再添加。以基础设施为起点建设AI,意味着把治理设计为系统的内在属性,而非外部约束。数据访问由受控接口居中处理,查询与系统交互默认记录日志。访问限制、保留政策和存储地域要求等合规规则,由系统强制执行,而非依靠人工监督或事后验证。
这需要安全的查询中介层、基于政策的访问控制,以及跨分布式数据环境的集中可观测性等架构模式。它们确保治理持续得到执行,而不是仅仅定期接受检查。
主动治理与事后反应式治理存在根本差别。反应式方法试图在系统建成、部署后再修正问题。主动方法则把控制直接嵌入系统架构,从源头防止问题发生。
在AI环境中,这一区别决定系统能否扩展, 还是停滞不前。
当智能体加入时
自主智能体改变治理的方式,是大多数组织尚未准备好的。智能体不仅读取数据,还会写入数据、跨系统触发操作,而且这两类行为都没有人类参与其中。
这彻底改变了出错模式。治理不善的查询会返回错误答案,治理不善的智能体则会基于错误答案行动,在任何人意识到出错之前更新记录、启动后续工作流,并在系统间传播决策。
因此,安全约束不能只停留在应用层。跨多个系统运行的智能体总会找到阻力最小的路径。控制必须在数据层强制执行:无论触发原因是什么,每次读写都必须经过中介处理并记录日志。
Gartner预测, 超过40%的智能体AI项目将被延迟或取消 ,原因是治理和可靠性问题。我觉得这个数字还偏低,因为它假设组织会正确认定治理是原因,而不是把失败归咎于模型或工具。根本原因通常要等到造成高昂代价时才会显现。
从实验走向可投入生产的AI
成功将AI从实验推进生产的组织,通常有一个共同点:尽早使开发环境与生产环境保持一致。
它们不会放任实验系统偏离生产约束,而是用一致的治理、安全和数据访问原则设计两种环境。这样,模型从原型转向生产工作负载时,就能减少生命周期后期的阻力。
这种一致性日益重要,因为大多数企业仍然 缺乏成熟的生产级AI基础设施。安全数据访问、监控、可观测性和合规执行方面,仍有长期存在的缺口。这些不是孤立问题,而是AI从试点环境扩展到关键业务工作流时暴露的结构性挑战。
原型与生产之间还存在另一种重大脱节:生产应用和数据库需要部署在企业本地,或受到严格管理的云账户中,但原型却是在云数据库平台上开发的。
在成熟组织中,AI工作负载与其他受监管系统受到同样严格的管理。这意味着一致的日志记录、严格访问控制、持续监控,以及跨团队清晰界定的问责结构。数据工程、平台工程、安全和合规职能也必须从一开始就紧密配合,而不是事后补上。
这种方法的好处不止于降低风险。组织还会获得更快的部署周期、更少的生产故障,以及内部对AI系统更强的信任。在这种情况下,扩展AI较少取决于模型创新,更多取决于基础设施的成熟度。
治理是架构上的必然要求
归根结底,AI治理的讨论必须超越政策,进入架构层面。
治理常被视为监督职能,但实际上,它通过决定数据如何被访问和使用的系统来执行。数据库不仅是存储层,更是整个AI技术栈中安全、合规和运行完整性的控制点。
随着AI更深入地嵌入企业工作流,这一控制点的重要性显著增加。无论组织是否明确作出相应设计,模型与企业数据之间的每次交互都会成为受治理的事件。
优先建设以基础设施为起点的治理,从数据库层着手,企业就能弥合试点与生产之间的差距。由此,AI将从孤立实验转变为遍及组织、持久且可扩展的能力。












