事实核验：2026-05-09 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 适用范围与维护说明

本篇适用于了解 AI-ready Data 的专题结构、选择阅读顺序及识别相关岗位，不直接提供标准条款、接口实现或成熟度评估细则，这些内容指向后续专题。本轮 maintenance 范围是尚未完成的资源内容核验：核对五篇推荐阅读与既有内容是否实际覆盖本页安排的主题，核对 Gartner、NIST、ISO 外部参考页面的可用性、内容对应关系及适用范围。保留维护状态的原因是这些核验尚未执行，不是已确认链接失效或内容错误，也不是库内目标不可达。结束条件是完成上述逐项核验、修正发现的实际错配并记录真实依据；只在事实核验真正执行后记录核验日期，本轮不新增或改写 last_verified。季度复查是后续周期安排，不能替代本次维护。

AI-ready Data专题导览

abstract 本专题定位

AI-ready Data 不是“把数据准备好给模型用”这么简单，而是让企业数据具备被 AI、Agent、RAG、Text-to-SQL、智能 BI 安全理解、正确调用、持续评估和可追溯治理的能力。

很多企业做 AI，前期热热闹闹，后期卡在很朴素的地方：数据在哪？口径是什么？谁能访问？文档有没有过期？模型回答错了能不能追溯？Agent 查到明细数据是否越权？

这些问题听起来不如大模型耀眼，却决定了 AI 能不能真正进入业务流程。AI-ready Data 的价值就在这里：它把传统数据治理升级为 AI 时代的数据可用性、可信性和可控性体系。

本专题学习地图

flowchart TD
    A[AI-ready Data] --> B[标准框架]
    A --> C[语义层与指标口径]
    A --> D[数据合约与AI数据接口]
    A --> E[Agent权限与审计]
    A --> F[成熟度评估]

    B --> B1[可理解]
    B --> B2[可追踪]
    B --> B3[可评估]
    B --> B4[可授权]

    C --> C1[业务术语]
    C --> C2[指标定义]
    C --> C3[语义映射]

    D --> D1[输入输出约定]
    D --> D2[质量门禁]
    D --> D3[变更影响]

    E --> E1[最小权限]
    E --> E2[脱敏与聚合]
    E --> E3[调用日志]

    F --> F1[能力盘点]
    F --> F2[改进路线]

与现有 AI 数据治理内容的关系

本专题不是替代原有 AI 数据治理内容，而是把它们组织成一套面向企业落地的能力框架：

既有内容	在 AI-ready Data 中的作用
非结构化数据治理	让文档、图片、合同、客服记录等知识资产可治理
RAG知识库治理	保障检索增强生成中的知识质量和可追溯性
AI数据质量维度体系	定义 AI 数据质量的评估维度
AI-Lineage血缘2.0	追踪数据、特征、Prompt、检索片段、模型输出之间的链路
AI-First治理模型	提供面向 AI 的治理组织和运行机制

适合谁学习

数据治理工程师：需要从传统治理升级到 AI-ready Data。
数据架构师：需要设计语义层、指标层、数据服务和治理平台。
数据开发工程师：需要为 Agent、RAG、Text-to-SQL 提供稳定数据接口。
数据产品经理：需要把数据能力包装成可用、可信、可运营的产品。
AI 应用负责人：需要判断企业数据是否足以支撑 AI 进入生产。

一句话判断

如果一个企业的数据只适合“人慢慢查”，但不适合“AI 安全地用”，它就还不是 AI-ready Data。

趋势参考

AI-ready Data 属于快速演进领域，建议每季度复查一次。当前判断参考：