AI 数据治理中的人工审核与证据链设计
研究 AI 参与数据治理时，如何把自动扫描、本地知识库、指标口径、质量规则、人工审核和可追溯审计证据组织成低成本、低风险的数据治理流程。
适用对象
核心结论
- 数据治理不应从大规模会议和手工盘点开始，而应先用自动扫描和本地知识库形成候选标准产物，扫描范围仍需人工确认。
- 大模型适合生成口径、主数据、质量规则和权限风险的建议，但不能替代责任人审核。
- 低风险治理的关键是留下审计证据：谁确认了什么、基于哪些数据、哪些规则仍有保留。
传统数据治理项目常常因为启动成本高、角色多、周期长而难以推进。团队需要盘点系统、字段、指标、主数据、权限、质量规则和使用场景，还要反复协调业务、技术和管理口径。项目投入很大，但很多产物停留在文档层面，后续很难和真实数据工作连接起来。
AI 参与后，治理方式可以更轻。InchStack 的合理路径不是让模型直接决定治理标准，而是先在人工确认范围内自动扫描数据源、字段结构、样例数据、历史查询、已有文档和本地知识库，再让模型生成候选的数据目录、指标口径、主数据识别、质量规则、权限边界和风险说明。
这个流程的核心原则是“模型生成建议，人确认责任”。数据治理涉及组织责任、合规边界和业务解释权，不能把模型输出当成最终标准。模型可以大幅降低起草成本，人工审核负责判断是否符合业务事实、管理规则、安全要求和交付承诺。
证据链同样重要。一次治理动作至少要记录输入范围、自动扫描结果、参考知识库、模型建议、人工修改、确认人、确认时间和适用范围。最终证据由责任人确认和锁定；对于存在争议或暂时无法确认的字段、指标和规则，应保留状态和复查计划，而不是强行宣布治理完成。
这种设计把高门槛、高风险的数据治理项目拆成低成本、可验证的小闭环。团队可以从一个系统、一个主题域或一组关键指标开始，快速形成标准产物，并在真实 ETL、分析和交付流程中持续修正。治理不再只是文档工程，而是进入日常数据交付的控制面。
常见问题
AI 能否自动完成数据治理？
不能。AI 可以生成候选口径、质量规则和风险建议，但数据治理责任必须由人审核确认，并保留证据链。
为什么强调本地知识库？
本地知识库能提供企业已有制度、字段说明、业务术语和历史交付经验，让模型建议更贴近真实上下文，减少脱离业务的通用答案。