当《银行业保险业人工智能安全开发应用的指导意见》把“AI风险管理”从最佳实践建议升格为合规义务，传统数据治理框架已不足以应对“数据+模型+模型行为+AI决策后果”的指数级扩展。毕马威提出AI数据治理体系的“五维架构”——以传统数据治理为底座，向上构建数据治理、数据安全、数据资产、数据共享、风险管控与审计五大维度，帮助金融机构实现向“AI就绪”（AI-Ready）数据治理体系的结构性跃迁。三大核心挑战——CXO协同、AI幻觉防控、Shadow AI治理——成为这场跃迁的关键突破口。

传统数据治理的治理对象是“结构化业务数据（报表/交易）”，AI数据治理的治理对象则扩展至“结构化+非结构化+AI模型+模型输出+Agent行为链”。这一指数级扩展意味着传统数据治理框架已不够用。具体差异体现在五个维度：治理对象从报表/交易扩展至非结构化+模型+输出+行为链；质量标准从准确性/完整性/一致性/时效性新增无偏见性/可追溯性/可解释性（防偏见/防幻觉）；安全威胁从泄露/未授权访问/内部违规扩展至训练数据污染+模型逆向+提示词注入+幻觉输出+智能体越权；治理主体从数据管理部门扩展至数据+科技+业务+合规+风险五部门强制联动；监管要求从年度数据安全评估+数据质量达标扩展至高风险准入+人工干预+可解释性+实时监控+面向监管的AI报告。

2026年6月出台的《银行业保险业人工智能安全开发应用的指导意见》七大维度核心要求包括：治理架构——董（理）事会指定专门委员会总责（★★★）；开发应用——禁止个人敏感信息用于生成式AI训练（★★★红线）；数据治理——AI数据集五维要求：准确性、相关性、一致性、完整性、无偏见（★★★）；算力建设——自主可控算力底座，大行向中小输出；风险治理——高风险场景准入+委员会批准+人工干预（★★★）；能力提升——黑盒AI仅作辅助，防算法歧视；监督保障——面向公众/高风险使用须向监管报告（★★★）。
高风险场景清单包括智能投顾、合规审查、风险分析、信贷审批、客服等领域使用AI，须经风险管理委员会批准。指导意见把“AI风险管理”从最佳实践建议升格为合规义务，标志着金融机构的AI应用不能再“先上马再规范”。

底层底座是传统数据治理体系（标准+质量+安全+资产+应用），没有底座五维架构无法落地。传统数据治理体系构成了AI数据治理的根基，包括数据标准管理、数据质量管理、数据安全管理、数据资产管理、数据应用管理五个核心模块。任何AI数据治理的建设都不能跳过这一底层基础。

五维覆盖包括：第一维数据治理——涵盖数据标准、元数据、主数据、数据质量、数据架构、数据模型，是AI治理的根基；第二维数据安全——涵盖分级分类、加密脱敏、数据防泄漏、安全审计，是AI治理的底线；第三维数据资产——涵盖数据盘点、资产评估、数据入表、数据运营，是AI治理的价值驱动；第四维数据共享——涵盖内部共享、外部共享、数据流通、合规交易，是AI治理的生态延伸；第五维风险管控与审计——穿透前四维纵向管理，涵盖AI风险纳入风险管理框架、第三道防线专项内审、模型风险平台、监管报告与应急。

如果AI治理有一个地基，那就是数据治理。但数据治理恰恰是最典型的“共同所有权缺失”领域——每个部门都有数据，但没有任何一个CXO对数据的战略价值全面负责。毕马威提出三层CXO分工：CIO/CDO负责技术基础层——建立并管理非结构化数据治理体系（合同、研报、录音、图像等），这是AI时代金融机构最被低估却潜力最大的私域数据资产；CFO负责价值计量层——确立数据资产的估值逻辑，建立数据投资的ROI归因框架，没有CFO的参与数据永远只是IT成本不是战略资产；CHRO+业务线CXO负责应用赋能层——推动员工成为“数据贡献者”而非仅仅是“数据消费者”，建立企业知识管理体系，将个人经验转化为AI可用的结构化知识。

AI幻觉在金融场景可能直接导致合规违规和客户损失（智能投顾、合规审查、风险分析、信贷审批、客服等领域）。四层防控机制包括：第一层数据源头治理——RAG知识库准确性、时效性、定期更新、剔除过时文件；第二层模型输出验证——高风险场景自动事实核验，用另一套AI或规则引擎验证；第三层溯源引用要求——关键结论必须引用原文来源（RAG溯源），可追溯、可核查；第四层人工复核节点——高风险场景关键输出、强制性人工复核。四层拦截机制构成了从数据到模型到输出到决策的完整防御链。

员工在工作场景中使用的AI工具大量属于未经机构IT部门审批、未纳入数据安全管控的“影子AI”，在金融机构中意味着大规模的数据出境风险敞口。具体风险包括数据出境违规、个人信息泄露、商业秘密外泄、AI训练数据违规、合规审计缺失五大类。毕马威三步走治理对策：①了解现状——匿名调研/技术扫描，摸清使用类型频率；②建立政策——明确禁止行为+推荐内部AI工具；③提供替代——“堵不如疏”，私有化部署企业版AI，既满足效率也消除风险。