很多企业做主数据管理，都会遇到同一个窘境：MDM 项目上线时轰轰烈烈，编码规则统一、管理流程落地。可运行一两年再复盘，数据质量持续下滑，平台最后沦为单纯的赋码工具，只管发编码，管不住数据质量。

梳理已经落地 MDM 项目的企业，普遍存在三类顽疾。

管理范围窄，只覆盖冰山一角传统 MDM 大多只管控跨系统共享的那部分主数据，其余业务系统里的静态数据各自维护，大量数据游离在治理体系之外。平台看似在做主数据管理，实际覆盖范围有限，离真正企业级静态数据中心差距很远。

只管新建，缺少全生命周期管护项目验收交付，不代表治理结束。多数企业缺少常态化的数据检测、问题处置机制。数据质量异常无法实时感知，往往等到业务报错，才后知后觉发现问题。主数据是长生命周期资产，缺少持续监测，数据会慢慢老化变质。

校验只卡格式，约束不了人的操作传统平台校验依赖正则、字符格式检查，能拦截非法字符，却挡不住不规范录入行为。传统单点录入模式，要求录入人员一次性补齐全部字段，信息不全、理解偏差都会持续产生脏数据。数据质量高度依赖录入人员责任心，缺少机制层面的保障。

问题根源，是首期治理采用 静态、局部、单维技术导向的治理逻辑，平台架构缺少持续迭代、深度管控能力。第一轮项目解决了 “有没有编码”，但没能建立长期稳定的数据质量保障体系。

二次治理新思路：不换平台，叠加 AI 能力

二次治理的思路很务实：原有 MDM 平台继续承担存储、采集、分发，清洗、语义校验、建模等重任务交给 AI 层。不用大规模改造原有系统，也不需要原厂商开放底层接口。

深耕数据治理近二十年的中翰软件，在工业场景沉淀了多业务视图、源端四重质量防护、线式数据新增等能力，针对性解决主数据反复失准难题。AI 原生 MDM 采用对话式操作，弱化传统菜单，平台主动推送质量诊断、清洗建议，不用人工手动翻报表查问题。

存量清洗：从人工逐条核对，转向人机协同

存量历史数据清洗，是最耗人力的环节。传统方式是跨部门拉团队对着 Excel 逐条核对，效率低，漏检率高。 依托多模态输入，业务人员拍照上传、粘贴表格、语音描述都可以。AI 自动识别、解析、查重。典型场景：物料名称写法不一，如 M8×20不锈钢六角螺栓与 螺栓 M8*20 不锈钢，AI 依靠语义识别判断是同一物料，自动归并，解决制造企业一物多码的老难题。 AI 输出清洗建议，由业务人员最终确认，自动完成规范调整，输出映射表。AI 处理繁重识别匹配工作，人掌握业务决策权。

事中智能校验，从事后改错到源头拦截

存量清洗清理历史遗留问题，二次治理更关键的目标：阻止新的脏数据持续产生。 传统 MDM 只能校验格式、枚举值，识别不出业务逻辑矛盾。AI 校验嵌入主数据提报流程，提交时同步算法核验 + 行为约束，校验通过才能进入系统。搭配离群值、敏感词巡检，治理从被动故障处理，变成主动风险预警，让问题数据 “生不出来”。

体系可以自动迭代，治理不是一次性工程

企业业务持续变化，早年制定的物料分类、编码标准，慢慢会跟不上业务现状。单纯依靠人工定期复盘，成本高，很难及时发现偏差。 AI 治理顾问依托平台沉淀的知识库、对话记录，自动诊断主数据标准与业务现实之间的偏差，输出优化建议，让标准体系具备自我感知、持续调整的能力，不再完全依赖外部顾问定期体检。

落地层面，中翰软件 “双轨带练” 模式，线下顾问 + 线上 AI 助手协同。项目目标不是交付一套系统就离场，而是把数据治理能力交给企业内部人员。

说到底，主数据治完又乱，并不是单条数据录错的小事，而是首轮治理架构的结构性短板。和 ERP 深度绑定造成标准难以独立迭代、静态规则跟不上业务变化、缺少全生命周期管控，这些问题，单靠一次性集中清洗无法根治。

二次治理的本质，是保护企业已有信息化投资，给原有主数据体系补上感知、智能判断能力。AI 的价值，就是把静态的规则系统，升级成一套动态、可自我修正的数据治理机制。这也正是很多厂商正在落地的工程方向。