尤其在AI浪潮席卷制造业的今天，算力与算法的门槛不断降低，企业满怀期待地投入智能检测、预测性维护、智能排产等AI应用时，曾经被忽视的“数据”，反而成了AI真正落地制造业的绊脚石。

01

数据，为什么“看得见却用不上”？

问题出在哪儿？

🔷 一是“采不准”。工业现场的设备往往新旧并存，既有服役多年的老旧设备，也有刚投入使用的智能新设备，不同年代、不同厂商的设备，通讯协议五花八门、互不兼容。采集上来的数据要么格式混乱、残缺不全，要么单位不统一，光是统一数据口径、完成基础“对表”，就足以让数据管理人员头疼不已。

🔷 二是“管不住”。海量数据分散在ERP、MES、PLM、CRM等各个业务系统中，缺乏统一的标准和规范。同一个物料编码，在研发、采购、生产系统里名称各不相同，数据“同名不同义、同义不同名”的乱象比比皆是，数据孤岛问题根深蒂固。据中国信息通信研究院的调研数据显示，在企业数字化平台建设中，数据孤岛问题显著，66.7%的制造企业存在严重的“系统孤岛”问题。

图1 制造业数据孤岛问题突出（资料来源：信通院）

🔷 三是“用不好”。数据质量问题积重难返，直接导致“输入失准，输出失效”的恶性循环。尤其是在AI加速渗透制造业的今天，劣质、无序的数据输入，必然导致智能系统的决策水平大打折扣，投入巨资建设的智能化产线可能因为“喂不饱”数据而沦为摆设。

没有工业数据，智能制造就是无源之水；没有高质量工业数据集，AI应用就是无米之炊；没有体系化的数据治理能力，制造业智能化升级就是无本之木，难以真正落地见效。

02

政策“吹哨”，从可选项到必答题

2026年开年以来，政策信号密集而清晰。

1月，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，明确将数据治理定位为“创新筑基”的核心任务，要求企业设立首席数据官、持续推进DCMM国家标准贯标、加强数据工程能力建设，并明确提出打造100个工业领域高质量数据集、推广500个典型应用场景的量化目标。

3月，工信部正式启动“工业数据筑基行动”，围绕“采、集、用”三大环节先行先试，力争到2026年底，实现培育一批行业数据合作联合体，汇聚一批行业数据资源，攻关一批数据关键技术，研制一批工业数据标准，打造一批高质量、标准化、可流通的行业数据集，赋能一批行业大模型、工业智能体等应用落地等“六个一批”目标。

4月，工信部正式公布首批面向人工智能的高质量行业数据集建设名单。工信部明确倡导的“龙头+产学研”超级协同模式——由行业链主牵头，联合上下游企业、科研院所和技术企业，形成“数据共采、标准共建、能力共享、风险共担、价值共创”的产业生态。

政策层出的背后，是一个清晰的判断：数据治理已从企业层面的“自觉行动”上升为国家战略层面的“基础设施”。对于制造企业而言，这不再是锦上添花的可选项，而是关乎能否获得政策支持、能否参与行业标准制定、能否在产业链协同中占据有利位置的“必答题”。

03

破局之路，从“头痛医头”到“体系重构”

对于大多数制造企业来说，数据治理的难点不在于“不知道要做”，而在于“不知道该怎么做”。

很多企业把数据治理等同于上一套数据平台或工具软件，以为买来系统就能解决问题。但实际上，数据治理是一项复杂的系统工程，需要构建包含组织、制度、流程、技术和标准在内的完整治理体系。

这意味着，企业首先需要回答一系列关键问题：数据管理的现状如何？治理的目标是什么？怎样开展数据资产盘点？如何构建系统化的治理体系？如何规划阶段性实施路径？如何确保治理持续落地？如何融合AI等新兴技术，实现数据的可视化、可用性和精准性？

这些问题的答案，没有“一招鲜”，也没有“拿来即用”的模板。不同行业、不同规模、不同数字化基础的企业，面临的痛点各不相同，治理的路径也必然有所差异。

例如，对于研发密集型的制造企业，研发域的数据治理是重中之重——如何管理海量的仿真数据、试验数据和设计文档，如何打通研发与生产之间的数据链路，是关键命题。

而对于生产制造型企业，生产/制造域的数据治理则是核心——如何实现设备数据的实时采集与质量控制，如何构建统一的制造数据模型，直接关系到精益生产和智能制造的水平。

04

让数据从“成本”变为“资产”

回头看，制造企业的数字化转型走过了自动化、信息化、网络化等几个阶段，如今正在迈向数字化、智能化的深水区。在这一阶段，数据不再只是业务运行的“副产品”，而是驱动业务创新的“主引擎”。

但要让数据真正成为资产，企业必须完成一次认知上的转变：数据治理不是一次性的项目，而是需要持续投入和迭代的能力建设。它不是技术部门一家的事，而是需要业务部门深度参与、高层持续推动的全员工程。

在数据要素价值加速释放的今天，谁能更快地把数据“管起来、用起来、活起来”，谁就能在下一轮竞争中占据先机。

对于正在这条路上探索的制造企业管理者、数据治理负责人和数字化转型推动者而言，系统性地学习数据治理的方法论与实践经验，或许是迈出关键一步的起点。