在数据成为生产要素的AI大模型时代，数据治理的重要性不言而喻。那么，AI时代的银行数据治理工作该如何做呢？

事实上，当下，AI与数据治理正形成一种相辅相成的关系，两者相互赋能。据悉，多家银行已开展了相关探索。

AI需要高质量数据，对数据治理提出新要求

众所周知，数据是AI大模型的“燃料”，模型的综合能力与其训练数据的规模、质量和多样性有关。国家发改委创新和高技术发展司的文章中曾指出，没有海量、高质量的数据“投喂”，再先进的算法也只是无源之水。

高质量数据可驱动大模型应用性能提升，支撑AI赋能。尤其是对于银行来说，构建垂直、专业、合规的金融大模型需要高质量数据供给。有效的数据治理可破解高质量数据供给不足的瓶颈，实现人工智能真正大规模落地。

数据治理通过构建统一的数据平台，整合分散在银行各处的数据与知识，经过清洗、标注、建模或图谱化、向量化等过程，形成标准化、高质量的数据资产。据

《银行科技研究社》了解，基于国家层面的要求以及自身的需求，银行业正探索高质量数据集建设。

2025年6月，国务院国资委在上海召开“央国企金融领域人工智能高质量数据集工作推进会”，以响应“AI+”专项行动对高质量金融数据集建设的要求，深化金融数据开发利用。而金融机构通过建设标准化、场景化、智能化的高质量金融数据集，将显著提升行业智能风控能力、系统性风险预警水平及个性化服务质效。

工行软件开发中心不久前发文指出，在算法趋同、算力普惠的竞争环境下，银行的核心竞争力正加速向高质量数据集迁移。其提出观点，数据质量与治理能力已成为银行未来竞争的决定性因素。

事实上，这已是更多银行及其高管层的“共识”。

建行副行长雷鸣也曾在2025年10月的活动中指出，数据治理已演变成为商业银行竞争的重要组成部分。

因此，多家银行已启动面向AI的数据治理，高质量数据集建设成为重点。

例如，工行在依托企业级数据中台实现结构化数据的规模化沉淀、共享和应用的基础上，围绕非结构化数据打造集数据采集、数据清洗、数据标注、质量评估和数据运营为一体的企业知识工程，形成面向高质量数据集的知识运营能力，系统推进企业知识数据集的建设和应用，为人工智能模型训练提供高质量的数据支撑。该行具体的举措包括建设企业级知识工程体系、实现一站式的知识工程、完善高质量数据集运营机制等。

光大银行则在2025年12月的内部会议上确定了2个关于数据要素领域的实践方向，其中之一即“构建高质量数据集”，推动数据要素与AI深度融合。该行副行长杨兵兵表示，在AI时代，构建高质量数据集成为关键突破口，主要在于2个方面：一是多源数据融合，包括业务数据、“酶”数据、元数据等各种类型的结构化和非结构化数据；二是建立数字孪生，数字孪生主要包括对实际业务的仿真分析、对象建模、数据连接和可视化交互，通过数字孪生，AI对现实世界的理解会更加透彻，判断会更加准确，才能更好地实现智能决策。

不过，虽然高质量数据集对于银行来说相当重要，但相关建设正处于探索阶段，还面临不小的挑战。

AI赋能数据治理，可在多个方面发挥作用

在数据治理赋能AI的同时，AI也在赋能数据治理。

北京金融科技产业联盟2026年1月正式发布的《人工智能推动金融数据治理转型升级研究报告》梳理了传统数据治理模式面临的挑战，指出数据治理亟待从“人工主导”向“智能驱动”升级。

《报告》显示，人工智能关键技术可赋能数据治理，并从“面向核心支撑算法的技术：机器学习”“面向非结构化数据治理的技术：NLP与计算机视觉”“面向知识化数据治理的技术：知识图谱”“面向隐私保护的数据治理技术：联邦学习”4方面展开介绍。

其中，机器学习技术可直接、广泛地应用于数据治理的核心场景，解决传统规则方法难以处理的复杂问题。例如，在数据质量管理方面，机器学习能够基于历史样本自动识别数据中的错误、缺失与异常，实现对质量问题的实时监控与预警；在数据分类与标注环节，机器学习通过分析多维特征和复杂模式，能够自动生成分类标签并进行敏感度分级，减少人工干预。

知识图谱技术则以图结构组织和表示知识，为解决数据关联与语义分析问题提供了有效方案。其核心价值在于通过语义建模和关联计算，将分散、异构的数据转化为结构化的知识网络，实现数据的统一理解、动态管理与智能推理，提升数据治理的质量与效率。例如，在数据血缘追踪与质量监控方面，通过图结构存储数据间的源头、流转、变换关系，知识图谱可以构建出完整的数据血缘链路，实现从源数据到报表指标的全路径可视化追踪。

因此，银行可借助AI实现更高效的数据治理。据《银行科技研究社》了解，多家银行已在此方向进行实践。

2025年12月消息，南京银行联合阿里云完成银行数据安全分级分类项目的阶段性验证，而数据安全分级分类是数据治理的基石。在此项目中，工程师仅使用6000条训练数据，便实现了94.6%的准确率。

据悉，针对数据安全分级分类面临的挑战，南京银行与阿里云探索出一条技术路径——以通义千问大模型为核心，依托“模型飞轮”范式与通义点金飞轮平台，构建端到端的金融垂直领域模型生产能力。

其中，针对标注成本高的问题，团队应用阿里云提出的“模型飞轮”范式：先由更大尺寸的基座模型（如通义千问-Max）基于少量种子样本生成大量高置信度伪标签数据，再用于对通义千问3-4B进行监督微调与强化学习优化。这一过程实现了“以AI造AI”，在仅需6000条真实标注数据的情况下，等效获得了数万条训练样本的效果，缓解了数据瓶颈。

此外，整个项目运行于阿里云专为金融场景打造的“通义点金飞轮平台”之上。该平台集成了“合成—训练—评测—应用—迭代”五大模块，支持从原始数据清洗、合成增强、模型训练到上线部署的全生命周期管理。

农行则在更早前介绍过AI赋能数据治理方面的实践。该行在数据资产服务、数据安全保护、数据质量监测、数据治理工具等方面探索AI应用，推动实现数据治理智能化。

其中，依托AI等技术，及时准确发现数据问题，助力开展数据治理，提升数据质量。一方面，建立数据智能监测预警机制，基于往期数据的属性（如数据的数据量、字段的空值率、金额总和等），预测当期数据的属性数值，将预测值与当期数据的实际属性值进行比对，若两者的差值超出合理阈值则自动产生预警，自动识别数据波动的规律和异常；另一方面，针对发现的数据质量问题提供智能化数据治理建议，根据数据质量问题信息清单对问题数据进行标注，形成问题数据分类标签体系，智能识别分类数据质量问题等。

写在最后

AI与数据治理的相互赋能，已引起金融业的关注，一些中小银行也开始行动。就在近期，赣州银行就AI+数据治理双向赋能项目启动交流报名，以推动数据资产价值释放与管理效能提升。

据悉，交流内容的一方面是“AI赋能数据治理”，包括但不限于AI赋能元数据管理、主数据管理、数据质量提升、数据标准/数据字典管理、数据模型管理、数据资产管理等；另一方面是“数据/数据治理赋能AI大模型”，包括但不限于高质量数据集建设、数据标注、数据资产入表等。

可见，AI时代对数据治理提出了更高的要求，同时AI也在助力更有效的数据治理。

本文转摘移动支付网。