元数据管理平台

我的核心判断：低代码是入口，AI是加速器，治理底盘不能省我先把判断摆出来：低代码和AI进入数据治理，真正改变的不是“拖拽几下就能做完治理”，而是谁能定义数据应用、数据规则在哪里沉淀、治理能不能从项目制变成日常运营。我见过不少企业把低代码当表单工具，业务部门搭了一堆小应用，结果数据口径更散；也见过把大

我的核心判断是：低代码加 AI 的数据治理，改的不是界面，是治理工作的组织方式。过去做一个主数据项目，业务提需求、IT 写 SQL、数据管理员定标准、运维盯调度，四拨人来回传 Excel；现在把标准、规则、任务流做成可视化资产，业务侧自己拼装，模型负责语义匹配和质量预检，IT 退回到底座和兜底的位置

我做企业数据平台选型这些年，被问得最多的一类问题不是\”哪个产品好\”，而是\”我们要不要上 AI Native\”。问的人多半刚看完几场发布会，脑子里装着一堆名词，回到办公室却卡在同一个地方：预算只够做一件事，先做哪个。我的判断是，AI Native 和 AI 加持不是\”新一代\”和\”上一代\”的关系，而是两

我把过去两年跟过的项目摊开看，真正把 AI Native 跑通的团队不到三成。剩下的七成，多数是把大模型当成一个新功能挂在老系统上——界面上多了一个输入框，背后还是那套取数逻辑，问三句就答不上来。这不是 AI Native，这是给旧系统戴了顶新帽子。
我的判断很直接：AI Native 的重心不在模

一、我的核心判断：数据智能的分水岭不在模型，在“问得出来”这两年我跑了不少企业的数据项目现场，见到的场景其实很朴素：老板在会议室里问一句“上个月华东区哪几个产品毛利掉了”，底下一屋子人开始打电话、翻报表、对口径，半小时过去，数字还没对齐。2026年数据智能真正改变生活的，不是发布会上那些炫目的能力演

2026 年数据智能这件事，我的判断很直接：决定成败的不再是模型有多聪明，而是喂给模型的数据有多干净、语义层有多厚。过去两年我参与过十几次数据智能选型，几乎每家企业开口都问“你们的大模型能力怎么样”，聊到后面才发现，真正卡住项目的是口径不统一、主数据没人管、指标重复建设。我给这类项目定的衡量标准很土

电信数据资产这件事，我干过几年，最直接的一个判断是：运营商从来不缺数据，缺的是把数据变成“可交付产品”的那道工序。话单、账单、信令、DPI、终端、位置、宽带装维、政企合同，这些东西每天都在生产，但绝大多数还停留在“生产系统的副产物”状态——拿来支撑计费和运维没问题，拿去支撑营销决策、风控模型、对外合

我在电信行业的数据项目上待了十来年，从省公司 B 域做报表起步，后来做数据中台、做资产盘点、做指标治理。每次有人问我“数据资产平台到底能带来什么”，我的答案都会先反问一句：你希望它在半年后还被业务部门主动打开吗？如果答案是不能，那这个平台大概率只是个贵的元数据仓库。电信数据资产平台真正的收藏级价值，

一、我的核心判断：军工信创选型，先定数据底座，再谈技术栈军工信创这件事我做了几年，最大的感受是：把它当成一张硬件替换清单的单位，十有八九会在第二年返工。真正决定项目成败的，不是服务器有没有换成国产芯片，而是数据层在新的软硬件栈上还能不能跑通、能不能被审计、能不能撑住后面那批智能应用。
我通常会先问三