数据治理平台选型复盘：从功能清单对比到“AI 就绪度”评估的 12 项打分表

标签：#数据治理 #平台选型 #DataAgent #元数据 #数据平台

摘要：2026 年国内数据治理市场规模约 920 亿元、同比增长 31.2%，厂商测评报告密集发布，但企业选型仍在用五年前的"功能清单对比法"。本文基于 IDC《中国 Data Agent 2026 厂商评估》等公开信息与一线选型复盘，给出一套 12 项"AI 就绪度"打分表（基础治理、AI 原生、工程生态、运营成本四组，附权重与证据要求），配套三道 POC 实测题与四个高频坑，可直接作为选型评审的工作底稿。

一、为什么功能清单对比法失效了

1.1 老方法的三次失灵

五年前选数据治理平台，主流做法是拿一张功能清单（元数据、质量、标准、主数据……）让厂商逐项打勾，再安排一轮 POC 演示。这套方法在 2026 年连续失灵：

失灵点	现场表现	根因
清单同质化	十家厂商的勾选表几乎全绿	功能项早就是行业标配，打勾不代表做得好
演示与生产脱节	Demo 里血缘秒出、编目全自动，落地后覆盖率不足六成	演示环境是精心准备的小数据集
AI 能力看不见	"大模型加持"写满 PPT，问 NL2SQL 口径准确率却给不出数	缺少 AI 能力的度量标准

1.2 需求已经换了三茬

市场侧的信息也在推动选型逻辑重构。综合 2026 年公开信息：

• 中国信通院产业监测显示，国内数据治理整体市场规模约 920 亿元，同比增长 31.2%，增长驱动力已从"系统建设"转向"数据资产价值释放"；
• 企业需求从"合规达标 + 治数据孤岛"，升级为"支撑 AI 应用落地 + 释放数据要素价值"，治理对象从结构化表延伸到文档、图纸、音视频；
• IDC《MarketScape: 中国 Data Agent 2026 年厂商评估》共 18 家厂商入选，仅 4 家进入领导者，并预测到 2028 年 60% 的中国 500 强企业将部署企业级 Data Agent；其报告特别指出，多数厂商尚未把 Coding 能力融入 Data Agent，跨系统的"反思与决策"仍是短板；
• 海外厂商 2026 年的动作同样指向 AI 治理：有的推出注册与监控 AI 智能体的治理套件、通过 MCP Server 向智能体实时供给受治理的元数据，有的把"智能体驱动的元数据策展"产品化。

结论一句话：选型评估的对象，已经从"功能有没有"变成"AI 时代的数据底座能不能用"。

二、12 项"AI 就绪度"打分表

把选型评审从"听介绍"改成"看证据打分"。总分 100，四组 12 项，每项只认证据、不认 PPT。

2.1 组 A：基础治理能力（30 分）

#	评估项	权重	打分要点	要求的证据
1	元数据自动采集与血缘	8	支持的数据源广度；血缘解析深度（库/表/字段级）；增量更新机制	在贵司测试环境实测的解析覆盖率
2	数据标准与主数据管理	7	标准落标检查、主数据模型灵活度、与业务系统联动	标准映射配置界面 + 落标率报表
3	质量规则引擎与巡检	8	规则类型覆盖、调度集成、质量分计算逻辑是否可解释	规则清单 + 质量报告样例
4	权限与分类分级	7	自动打标准确率、脱敏策略联动、审批流完整性	分级打标抽检结果 + 审批日志

2.2 组 B：AI 原生能力（30 分）

#	评估项	权重	打分要点	要求的证据
5	自然语言查询与语义层	8	NL2SQL 在贵司真实表上的准确率；语义层是否可维护	现场实测：20 个贵司业务问题的命中率
6	智能编目与规则推荐	8	自动生成业务描述的采纳率；质量规则推荐的有效率	灰度试用一周的采纳率统计
7	Agent 治理与上下文供给	8	能否注册/监控 AI 用例与智能体；能否通过 MCP 等协议向 Agent 供给带权限、质量分、策略的元数据	治理控制台截图 + 一次真实的 Agent 调用链审计记录
8	知识库与 RAG 支撑	6	治理制度/文档的向量化检索效果；与血缘、指标的融合深度	抽 10 个制度问题实测回答质量

第 7 项是 2026 年的分水岭：平台不能只"被 AI 用"，还要能"管 AI"——谁在调、调了什么数据、花了多少 Token、出了问题能不能回溯。缺这一项的平台，撑不过企业 Agent 规模化的第一年。

2.3 组 C：工程与生态（20 分）

#	评估项	权重	打分要点	要求的证据
9	部署与信创适配	10	私有化/混合云支持；信创栈（芯片、OS、数据库）适配清单与实测	适配清单 + 兼容性测试报告
10	开放集成能力	10	开放 API 数量与质量；与现有湖仓、调度、BI 的连接器；元数据模型可导出	API 文档 + 一次真实的双向集成演示

2.4 组 D：运营与成本（20 分）

#	评估项	权重	打分要点	要求的证据
11	运营度量与举证输出	10	能否输出 DCMM 贯标、数据资产入表所需的佐证材料（目录、日志、监控记录）	举证材料样例包
12	总拥有成本与计价模式	10	License 按什么计价（用户/表数/节点）；二开与运维成本；AI 功能是否单独收费	三年 TCO 测算表

三、POC 怎么设计：三道实测题

POC 的目标不是看厂商表演，而是用贵司的数据、贵司的口径测真实水平。建议固定三道题：

题目一：口径陷阱题（考 NL2SQL 与语义层）
选 10 个带业务口径歧义的问题，例如"上月 GMV"（含不含退款？含不含预售？）。看 Agent 会不会主动澄清口径、能否引用已治理的指标定义。能答对 8 个以上是及格线；全对且主动反问口径的，加分。

题目二：黑盒血缘题（考元数据引擎）
挑一段没文档、没注释的"祖传" ETL 脚本和一张来源不明的宽表，看平台能否自动解析出链路、补全字段级血缘、并给出下游影响分析。这是 IDC 报告里说的"自动探查黑盒数据"能力，也是落地后最容易缩水的功能。

题目三：越权取数题（考 Agent 护栏）
让 Agent 尝试一次超出其权限的敏感字段查询。看平台是否拦截、是否留痕、能否在治理控制台里还原完整调用链。拦不住 Agent 越权的平台，其他能力再好也要慎选。

三道题建议在贵司测试环境跑，用真实脱敏数据，评审组现场记录，避免"厂商演示环境"效应。

四、四个高频坑

1. 只看头部厂商名头，不看适配度。评估报告的分档反映的是厂商整体竞争力，不等于在贵司行业、贵司数据栈上的表现。分档看趋势，选型看实测。
2. AI 功能"一拆二"收费。部分平台的 NL2SQL、智能编目按 Token 或调用次数另计费，三年 TCO 测算时务必把 AI 用量算进去，否则预算会在第二年击穿。
3. 信创适配"清单式合规"。适配清单上有 30 个产品组合，实测能跑通的只有 3 个。关键组合必须要求现场联调，不接受"实验室已验证"。
4. 买了平台没有运营编制。平台是工具，治理是运营。选型时同步明确配套的运营团队与度量机制，否则再好的打分也会停在上线那天——2026 年的公开调研里，业务部门深度参与数据治理的企业只有约三成，工具从来不是主因。

五、结论与行动清单

选型逻辑已经从"功能清单"切换到"AI 就绪度"。落地动作建议按这个顺序：

1. 用本文 12 项打分表做底稿，按企业实际调权重（AI 重度用户可把组 B 提到 40 分）；
2. 固定三道 POC 实测题，全部在自有环境、自有数据上跑；
3. 要求每个打分项都有证据附件，无证据按 0 分计；
4. 三年 TCO 测算包含 AI 功能计价与二开成本；
5. 立项同步定运营编制与季度度量机制。

选型没有满分答案，但有清晰的证据链。你的平台选型踩过哪些坑？POC 里厂商翻过哪些车？欢迎评论区交流。

---

标签：数据治理、平台选型、DataAgent、元数据、数据平台