当前，企业正全力以赴，力求在不断演进的AI竞赛中保持竞争力。从高管层发起倡议，大力投资于AI的应用层，期望借助大型语言模型和生成式AI的进步，实现生产力和绩效的提升。在分析领域，这一趋势尤为明显，分析方式正从传统的查询编写、Excel表格和仪表板，转向更为对话式和基于聊天的分析，为业务和分析人员提供了一种全新的方式，帮助他们更深入地理解数据，从而支持更快速的决策和产品迭代。

然而，尽管企业积极推动AI基础设施的升级，并采取措施支持AI的应用，但仍有一些问题未得到显著改善——对数据准确性和一致性的依赖。几周前，我参加了一次季度业务评审会议，会上高管们仍在追问，为何产品报告和财务数据在金额上无法精确对应。“为何不同地区的数字计算方法存在差异?这显然无法通过初步检验!”

在许多情况下，我观察到AI项目的推进遭遇阻力，并非因为基础设施不支持或无法获取最新模型，而是因为领导者对底层数据缺乏信心。当领导者就同一问题在不同地区、报告或数据访问情况下得不到一致答案时，信心会迅速消磨。

有趣的是，AI并未创造这一问题，反而将其暴露无遗。问题更多出在基础层面，与指标治理方案有关。

AI未失灵——指标出了问题

只要提供明确的任务执行指南，AI系统在数据处理和推理方面表现出色。随着时间的推移，模型愈发强大，但它们仍高度依赖用户提供正确的指令集，以生成期望的结果，包括数据分析、发现数据中的异常、生成图表或解释某指标为何呈现特定变化。

在许多大型企业中，尤其是那些跨地域分布的企业，指标的定义和解释可能存在细微差异。例如，财务部门可能在收入确认时定义净收入，而产品部门和营销部门可能有不同的理解。各部门处理这些数据的分析师可能通过部落知识和共享内部文档，对高层领导如何理解这些信息了如指掌，但AI却无法理解这些细微差别，不知道应适用哪些注意事项，因此结果往往不一致。

因此，当高管向AI询问上一季度的净收入数据时，AI无法准确理解应提供哪个具体定义、应考虑哪些假设以及应排除哪些因素，它仅基于现有原始数据进行推理，答案可能基于某一团队的定义在数值上是正确的，但在不同报告间却不一致。

这就是为何AI在高层应用中表现不佳的原因，尽管分析师仍能从查询编写和数据分析辅助中获得价值，但如果结果不一致，领导者很快就会失去信心。

为何仅靠AI治理无法解决这一问题

尽管这可能并非全新问题，且企业已以某种形式遇到过，但首要反应可能是加强AI治理以应对。企业可能会成立一个委员会，负责制定数据隐私保护、偏见消除、模型审批、数据审计及防止幻觉等政策。无疑，这些对于防止AI滥用至关重要，但并未触及问题的根源。

AI治理主要关注AI系统的行为及可接受的数据范围和责任人，它们并不必然关注数据的实际含义，当AI系统建立在不一致的指标定义之上时，这一重大缺陷便愈发明显。即使拥有最佳的高性能模型、最先进的基础设施和自我治理政策，结果仍可能不可靠。

理想情况下，应在明确语义指标定义之后，再规范AI行为，这一顺序对于企业至关重要，需尽早认识。

指标治理实际解决的问题

指标治理并非旨在减缓决策过程或集中决策权，而是强调“一次定义，处处一致使用”，这样，指标才能成为可靠且可共享的商业资产，而非嵌入报告中的孤立计算。

一个明确界定的受治理指标不仅包含SQL查询逻辑或Excel表格中的算术计算，还包括：

• 明确的业务定义和可衡量事件的相关背景

• 版本控制的计算逻辑

• 团队所有权和问责制

• 通过git进行更新的规则

• 逻辑的验证与核对

指标治理旨在独立于商业智能工具，无论使用何种BI工具，其基本运营模式保持不变。

忽视指标治理可能给企业带来的更高成本

AI系统能够毫无障碍地处理海量数据，因此数据量并非问题所在，但这些系统仍难以应对数据歧义。在没有受治理的语义指标层的情况下，随着底层查询的变化，AI输出可能产生不一致的结果，这可能导致财务报告变得脆弱，易于受到监管风险的影响，当定义变更和数字偏差无迹可循时尤为如此。分析人员不得不花费大量时间重现和解释数字，而非进行新的分析以支持业务增长。随着数据问题的反复出现，问题愈发严重。

尽管AI系统的速度至关重要，但只有在结果可靠时，其速度才具有价值。在这些情况下，模型幻觉并非完全与模型性能设置相关，而是由于语义定义失败，导致模型给出不一致的答案。

企业指标规范化的益处

在基础设施和数据仓库层的支持下，于基础层面建立指标治理，可立即看到AI在企业中的普及加速。随着模型的改进，提供可靠结果，整体信任度得以提升。

企业往往能更快地进行产品迭代、数据分析，减少报告冗余，并减少因数据不一致而引发的领导层质疑。分析师可将更多时间用于复杂分析，而非核对重做。围绕指标治理构建的AI系统，甚至能帮助高管通过自然语言的对话式分析，自主满足数据需求，深入挖掘业务数据，发现更多机会。

这一指标规范化实际上有助于揭示多年来各部门数字不一致的原因及其构成。

指标成为企业可靠资产，由AI系统放大和推广。

重新定义AI就绪状态

企业通常将拥有AI就绪的基础设施、更大的计算能力、最先进的模型和大量训练数据视为AI就绪的核心支柱。尽管这些对于整体系统性能至关重要，但高管层面的真正AI就绪更为简单，却也稍难实现。

真正的AI就绪体现在领导者能够完全信任一致且由强大验证框架支持的报告数字，并能够自主满足基本数据需求，而无需依赖在场分析师，这一信任建立在由指标定义对齐、指标所有权明确和逻辑更新及持续维护的明确指南所驱动的坚实指标治理基础之上。没有这一关键基础，AI只会加速混乱。

CIO可以采取的不同做法

这里的重点并非识别并集中所有团队和部门的每个指标，而是呼吁CIO认识到指标治理作为数据基础设施核心组成部分和AI在企业范围内成功应用关键要素的重要性，CIO可以在以下方面发挥关键作用：

• 像重视AI治理一样重视指标治理

• 明确关键业务指标的所有权和问责制

• 确保AI系统具有经过严格治理的指标消费框架

• 将对AI系统结果的信任视为AI应用的指南针

关键要点

AI实际上并未失灵，而是揭示了基础层面的裂缝，总之，企业范围内的AI普及速度未达预期，并非因为缺乏最先进的模型和基础设施支持，而是因为意义和语义上的明显不一致，尽管它们已在基础设施和自动化方面进行了投资。

指标治理在AI领域并非头条新闻，而是AI计算大脑的关键组成部分，因为它决定了AI决策的可靠性。在企业急于利用AI进行业务推理之前，必须退一步，真正就测量内容及其与企业成功的关联达成共识。没有共同意义的智能并非真正的智能，反而更容易引发更快的分歧。

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。