这不仅仅是对评估标准的一次升级。DCMM 2.0的发布与实施，恰逢企业AI应用从试点走向规模化的关键窗口期。当越来越多的企业开始将大模型和AI能力嵌入业务流程，数据治理的命题也在发生深刻变化——高质量数据支撑AI应用，AI技术反过来也可以重塑数据治理，这两者之间的双向关系正在成为数据能力建设的新焦点。那么，在DCMM 2.0的框架下，企业需要重点补齐哪些能力？
一、DCMM 2.0的核心变化，不只是多了一个能力域
DCMM 2.0形成了九大能力域的结构：数据战略、数据治理、数据架构、数据资产（新增）、数据标准、数据质量、数据安全、数据生存周期、数据应用流通（由原"数据应用"更名并扩展）[1]。能力项从28个扩展为33个，评估指标从441项增至486项。
从版本迭代看，几个关键变化值得关注：
第一，数据资产域作为独立能力域被纳入评估框架，包括权属管理、价值评估和资产运营三个能力项。这一变化与近两年企业数据资产入表、数据要素市场化等政策方向形成呼应，标志着数据资产管理不再只是IT部门的"内部工作"，而是进入了企业级能力评估的核心视野。
第二，原"数据应用"域更名为"数据应用流通"，能力项扩展为数据应用、外部数据管理、数据开放和数据服务四项。这反映出标准对数据流通和共享能力的重视程度显著提升。
第三，也是最容易被忽略的一个信号——在L4量化管理级的评估要求中，DCMM 2.0明确提出"引入人工智能等先进技术"[1]。注意标准用的是"引入"而非"强制"，这意味着AI能力并非L4的硬性前置条件，但它是评估体系中首次出现的对先进技术应用的明确预期。AI不再是数据治理的"外部变量"，而是被正式纳入了国家标准的评估视野。
二、AI对数据治理提出了新要求：从"业务可用"升级为"AI可理解、可调用、可追溯"
Data-Centric AI的理念被越来越多实践所验证——数据质量的上限往往决定了AI应用效果的上限[3]。但与传统的BI和数据仓库场景不同，AI应用对数据治理提出了三个层面的新要求：
可理解。业务人员能看懂一张报表上的数字，大模型却需要元数据告诉它"这个字段代表什么业务含义"。当大模型跨系统关联分析时，两个系统中同名字段指向不同业务实体——比如ERP里的"客户编码"和CRM里的"客户编码"可能并不一致——这种数据口径的不统一会在模型推理中被放大。华东某流程制造企业部署大模型辅助经营分析时曾遇到一个典型问题：模型将财务系统中的"收入确认金额"和生产系统中的"出库金额"视为可比指标进行关联分析，但由于确认时间基准不同，导致输出的分析结论出现偏差。
可调用。AI应用不只是"看"数据，还需要"调用"数据。如果数据标准不统一、接口不规范，模型无法稳定地获取到所需数据。数据资产目录是否完善、数据服务是否标准化，直接影响AI应用的数据供给效率。
可追溯。当大模型基于数据做出的分析结果被用于业务决策时，"这个结论是怎么得出的"必须能够回答。如果在"训练数据来源和加工过程"被问到的时候，无法说清数据从哪来、经过了哪些加工步骤，那么AI输出的可信度就难以保证。元数据管理在此场景下的价值从"数据管理工具"升级为"AI可解释性的基础设施"。
这三个新要求指向同一个结论：在AI应用加速落地的背景下，数据标准、数据质量和元数据管理不再是数据治理的常规动作，而是决定AI应用能否从"跑通"走向"跑好"的三个关键能力域。而这三个能力域，恰好是DCMM 2.0框架中与AI应用质量关联最紧密的核心评估维度。
三、重点能力一：数据标准——让AI在统一语言下工作
数据标准缺失在企业中是一个普遍但容易被低估的问题。同一个业务概念在不同系统中以不同的编码、口径和分类方式存在——物料编码在ERP中是一套规则，在MES中是另一套，在采购系统中又不同。在传统BI场景下，这个问题通常表现为报表对不上、跨部门开会"对口径"。但在AI场景下，问题的严重性被放大了：模型在进行跨系统关联分析时，面对同名字段指向不同实体，其输出的偏差会传导到多个下游业务环节。
DCMM 2.0将数据标准域的能力项扩展为五项：业务术语、主数据、参考数据、数据元、指标数据[1]。这个扩展本身就说明标准制定者认为，仅仅统一字段格式已经不够——还需要从业务术语到指标口径，形成完整的语义一致性体系。
从实践来看，数据标准的建设有两个容易被忽视的要点。一是标准的生命周期管理——制定标准只是起点，标准在业务系统变更后能否同步更新、新旧标准之间的兼容如何处理，才是长期运行的保障。二是业务术语的统一——不同部门对同一概念的不同称呼（如"客户""用户""消费者"），在AI应用中会成为理解偏差的来源。市场上已有部分数据中台产品将数据标准管理作为平台的基础能力，提供术语字典、主数据管理和标准稽核等功能，帮助企业在标准制定之后持续跟踪标准的执行情况。
华东某大型化工企业的实践提供了参考[4]。该企业ERP、MES、CRM等多个系统之间物料和产品编码长期不统一，导致产销协同依赖人工对账。在数据中台建设过程中，企业首先建立了企业级数据标准管理机制，编制了跨部门的业务术语和指标说明书，统一了物料、产品、工序和能耗口径。标准落地后，库存周转率提升28%，订单交付及时率提升至91%，经营分析从依赖多部门反复对账被大幅压缩[4]。
四、重点能力二：数据质量——从"体检式"到"持续闭环"
传统的质量管理往往是"体检式"的：阶段性做一次数据质量评估，发现问题、整改、出报告，然后等待下一次评估。这种模式在BI场景下勉强够用，但在AI应用场景下面临两个困难。
一是质量问题的"污染半径"被放大。大模型在处理复杂推理任务时，会基于同一批数据反复调用和关联分析，一条脏数据可能被多次引用，影响范围远超传统的报表误差。二是时效性要求更高。AI应用通常要求实时或准实时的数据供给，事后发现质量问题再进行整改的模式，跟不上AI应用的数据消费节奏。
DCMM 2.0数据质量域定义了四个能力项：数据质量需求、数据质量检查、数据质量分析和数据质量提升[1]。这四个能力项组成的质量闭环，核心是让质量管理从"发现问题"延伸到"持续改进"——先明确什么是"好质量"（需求），再检查当前数据是否达标（检查），分析偏差原因（分析），最后推动系统性改进（提升）。
在工程实践中，旁路监测是一种较为成熟的质量闭环实现方式：数据正常入库，质量检查在旁路并行扫描，发现问题后打标记、告警、生成工单，不影响业务流程的正常运行。这种模式解决了"数据质量管控要不要阻断业务"的长期纠结——保障业务流程连续性的同时，让质量问题能够被及时发现和跟踪。
江西某国控集团的实践验证了这一思路的有效性[5]。该集团下属十余套业务系统（OA、财务、投资、产权等）数据分散、标准缺失、质量不可控。在数据中台建设过程中，集团建立了涵盖完整性、准确性、一致性、及时性、唯一性的质量稽核规则体系，实现了数据自动检测、异常告警、问题定位、整改跟踪的闭环管理。数据质量的可信度提升后，业务报表自动生成、无需人工汇总，穿透式监管得以真正落地[5]。
五、重点能力三：元数据管理——让AI可解释、数据可追溯
如果说数据标准解决的是"AI能不能读懂数据"，数据质量解决的是"AI读到的数据对不对"，那么元数据管理解决的是"AI为什么读到这些数据、这些数据是怎么来的"。
元数据是数据的"使用说明书"——记录数据的来源（从哪里采集）、加工过程（经过了哪些转换）、业务含义（代表什么业务事实）、关系网络（和其他数据什么关系）。在传统数据管理场景下，元数据的核心价值是帮助数据团队理解数据资产、定位数据问题。但在大模型和AI应用场景下，元数据的价值发生了跃迁：它从"数据团队的工具"变成了"AI可解释性的基础设施"。
DCMM 2.0将元数据管理作为数据架构域的核心能力项之一[1]。从实践角度看，有三个关键动作值得企业重点关注。首先，元数据的自动采集能力——人工梳理元数据的覆盖率和更新频率都有限，自动化工具可以持续扫描数据库、ETL任务和BI报表，动态更新元数据图谱。其次，血缘关系的构建——不仅记录数据"是什么"，更要记录数据"从哪里来、经过了什么加工、流向哪里"，这是支撑AI模型可追溯性的基础。第三，业务元数据的持续标注——技术元数据（表名、字段名、类型）是骨架，业务元数据（业务含义、计算口径、责任主体）才是血肉，后者需要数据管家和业务人员持续投入。
六、AI反哺治理：当治理遇上人工智能
DCMM 2.0在L4级别提出的"引入人工智能等先进技术"[1]，不应被理解为单向的要求——它同时揭示了一个正在发生的趋势：AI技术正在重塑数据治理本身。两者的关系是双向的：治理为AI提供高质量数据，AI为治理提供效率工具。
从当前的工程实践来看，AI在以下几个方向已经开始反哺数据治理工作：
AI辅助元数据发现与血缘构建。传统模式下，数据团队需要人工梳理各业务系统的表结构、字段含义和数据流向，工作量大且容易遗漏。AI可以通过自动扫描数据库日志、ETL任务配置和SQL语句，自动发现元数据并推断数据血缘关系，减少人工梳理工作量。
AI辅助数据质量检测。质量规则的配置通常依赖数据工程师的经验，需要逐字段判断应该设置哪些校验规则。AI可以基于字段名称、数据类型和样本数据特征，自动推荐质量规则——比如识别出"手机号"字段并推荐格式校验规则，识别出"金额"字段并推荐非空和值域校验规则——经人工确认后应用，效率提升明显。
AI辅助业务语义识别。不同业务系统对同一实体可能有不同的命名方式，比如"神仙水"和"SK-II精华露"。AI可以基于数据内容的模式匹配和上下文分析，自动识别这类同义异构现象，辅助数据管家完成业务术语映射。
AI辅助数据资产盘点。传统的数据资产盘点需要人工逐系统、逐表进行，周期长、覆盖面有限。AI可以通过自动扫描数据目录和元数据仓库，批量生成资产标签和分类建议，将数据管家的精力从"盘点"转移到"审核确认"。
江苏某国企数科的实践提供了一个有参考价值的案例[6]。该企业运营的数据要素流通平台汇聚了大量公共数据和市场化数据资源，但用户"找数难、用数难"的问题突出——资源丰富却难以定位，平台功能完备但缺乏智能引导。引入AI用数智能体后，用户通过自然语言即可完成资源查询，系统基于语义理解主动推荐相关数据产品。用数门槛显著降低，用户检索耗时大幅缩短，基础咨询工单量显著下降[6]。这个案例说明，AI能力不仅能够提升治理效率，更关键的是能够降低数据消费的门槛——让治理的成果真正被业务人员消费和使用。
部分AI数据中台产品已经将上述能力作为平台的基础模块，如自然语言问数使业务人员直接消费治理成果、智能质量规则推荐减少人工配置工作量、自动元数据发现降低数据管家维护成本。DCMM 2.0将AI纳入评估框架，某种程度上是在推动这种"用AI提升治理、用治理支撑AI"的正向循环。
七、从能力清单到落地路径：理采存管用在DCMM 2.0框架下的定位
DCMM 2.0告诉企业"要达到什么水平"，但并没有回答"怎么建起来"。对于大多数企业来说，将九大能力域和33个能力项直接转化为可执行的建设项目，中间存在较大的衔接空白。
龙石数据在实践中总结的"理采存管用"五阶段方法论[7]，可以看作DCMM 2.0评估框架在工程落地层面的操作化表达。两者之间的对应关系大致如下（表1）。需要说明的是，以下对应关系为方法论层面的示意，并非严格的一一对应——"理"阶段的战略制定、组织建设和制度设计具有全局性，覆盖范围超出了数据战略域的范畴；而"存"阶段侧重数据开发和数仓建设，与数据架构域的侧重点也存在差异。
| DCMM 2.0能力域（核心相关） | 理采存管用五阶段 | 关键动作 |
|---|---|---|
| 数据战略、数据治理 | 理（定战略、建体系、摸家底） | 制定数据战略目标，建立治理组织与制度，盘点核心数据资产 |
| 数据架构（集成与共享） | 采（聚数据） | 多源异构系统数据归集，打通数据链路 |
| 数据架构（数据模型、元数据） | 存（绘模型） | 数据模型规划与设计，数仓分层存储 |
| 数据标准、数据质量、数据安全 | 管（管数据） | 制定与执行标准，质量监控闭环，安全保障 |
| 数据资产、数据应用流通 | 用（促共享、重应用） | 资产服务化，数据共享与API服务，AI应用支撑 |
表1：DCMM 2.0能力域与理采存管用对应关系示意（并非严格一一对应，"理"阶段具有跨域全局性，"存"阶段侧重开发层面）
在具体落地路径上，建议采用三阶段推进策略：
第一阶段：以"理"为起点，建立基线。系统梳理核心业务系统（如ERP、CRM、MES）的关键数据表与核心字段，形成数据资产清单；针对最关键的实体（如物料、客户、供应商），制定统一的主数据编码标准；为核心字段定义最基本的数据质量规则（非空约束、值域范围、格式校验），建立可量化评估的数据质量基线。这一阶段的核心产出不是"把数据治好"，而是"看清现状、管起规则"。
第二阶段：以"采、存、管、用"跑通闭环。选择一个业务痛点最明显的数据域，利用数据中台完整跑通数据价值生产的全链路——按需归集多源数据（采），规划数据模型并规范存储（存），嵌入执行数据质量规则（管），基于治理后的数据构建1-2个业务价值明确的AI应用场景（用）。这一阶段的核心目标是验证方法论和平台的有效性，形成可复制的样板。
第三阶段：以"用"促"治"，螺旋扩展。将第二阶段验证的模式复制到更多业务域，横向扩展覆盖范围；基于业务反馈持续迭代数据标准和质量规则，纵向深化治理能力；逐步完善元数据管理、数据安全、资源目录编目等管理体系。这一阶段的核心目标是形成常态化、制度化的数据运营能力。
从行业实践来看，以龙石数据中台为代表的部分平台产品，已围绕"理采存管用"方法论构建了完整的能力模块，同时配合"产品+培训+陪跑"的服务模式——不只交付工具，而是通过集中培训帮助客户建立理论和操作基础，再通过驻场陪跑在真实业务场景中完成能力转移，最终让企业团队具备自主运营数据中台的能力。这种"工具+赋能"的组合，对于正在准备DCMM 2.0评估、需要快速补齐治理能力短板的企业来说，是一条值得关注的路径。
八、FAQ
Q1：DCMM 2.0的L4 AI要求是"强制"的吗？企业必须上AI才能评L4？
DCMM属于推荐性国家标准，企业申请相应等级需按该等级适用要求准备能力证据。标准用词是"引入人工智能等先进技术"[1]，而非"强制"。企业可以通过在数据质量检测、元数据管理、资产盘点等环节引入AI工具来满足这一要求，并非必须自研大模型。DCMM 2.0关注的是能力存在，而非自研程度。
Q2：企业已通过DCMM 1.0评估，需要为2.0重新准备吗？
1.0的评估结果仍具参考价值，但2.0新增的"数据资产"域和"数据应用流通"域（含数据服务、外部数据管理）是新的评估维度。建议优先补齐这两个域的能力，同时关注L4及以上对AI能力的预期。值得留意的是，2.0的能力项名称和结构也有调整——如数据安全域的能力项已从1.0的"分类分级、策略、管理、审计"重组为"合规管理、安全防护、审计"[1]，在准备证据时需对照新版标准重新组织。
Q3：数据治理和AI应用，应该先做哪个？
不需要等治理做完再上AI。较为务实的做法是：选取一个业务价值最高的用数场景先跑起来，AI用数的需求会反向暴露治理短板——比如模型跑不准时，团队自然会去追问数据口径是否一致、元数据是否完整。这种以用数需求牵引治理的方式，比自上而下的纯粹推动更容易获得业务配合。具体路径可以参考第七节的三阶段推进思路。
Q4：小企业没有专门的AI团队，怎么满足DCMM 2.0的AI能力要求？
AI能力不等于自研大模型或自建AI团队。目前市场上已有一些成熟的AI数据治理工具——如自动化的元数据发现、智能质量规则推荐、自然语言问数——直接采用这些工具同样体现了"引入先进技术"。DCMM 2.0关注的是能力存在，而非企业是否自行研发。对于中小企业而言，选择成熟的商业化工具或平台产品来满足这一要求，是比自研更加经济高效的方式。
参考来源：
[1] 国家市场监督管理总局、中国国家标准化管理委员会，《数据管理能力成熟度评估模型》（GB/T 36073-2025），2026年7月1日实施
[2] 中国电子信息行业联合会，DCMM贯标统计数据，第四届数据治理年会，2025年11月
[3] Andrew Ng et al., Data-Centric AI: "Rather than focusing on the code, companies should focus on developing systematic engineering practices for improving data in ways that are reliable, efficient, and systematic."
[4] 华东某化工企业数据中台建设案例，库存周转率提升28%、订单交付及时率提升至91%
[5] 江西某国控集团数据中台建设案例，穿透式监管数据治理
[6] 江苏某国企数科AI用数智能体案例，数据要素流通平台智能入口
