正文
元数据管理成熟度的重要性日益增加，特别是随着数据网格(采用去中心化方法)和数据结构(采用统一方法)等新型数据管理架构的出现。这些架构的出现都是为了加速向用户提供可信赖的数据，以便其可用于明智决策的行动和访问。
伍兹强调，许多企业一开始都会问哪种架构最适合他们，但他们真正需要首先关注的是元数据成熟度的关键作用：“我告诉大家的是，从根本上讲，我们要专注于丰富的元数据，然后围绕数据治理构建基础能力，再将其民主化推广至整个企业。”小组成员一致认为，元数据成熟度对于可扩展性和推动业务成果至关重要。
AI已成为现代数据治理的强大助力，可自动化数据编目等重复性任务，但伍兹指出，AI并非要取代人，而是一种增强工具。
“真正的数据治理归根结底在于上下文，”他解释道，强调虽然AI提高了运营效率，但人仍然是提供业务价值的核心。
伯特勒进一步阐述道：“大型语言模型的优劣取决于其训练所用的数据，而仍有大量知识和信息保留在管理数据的人员以及数据治理和质量企业中的部分人员身上，”他说，“当我们找到释放这些知识的方法时，AI将成为更大的加速器。”
数据与AI成果之间的紧密联系也导致了向更多AI治理的转变。阿斯克姆指出，随着企业考虑AI的伦理问题和风险(如无意中的偏见)，她相信“我们将有更多数据治理团队承担起AI治理的角色。”这一转变将需要新技能和与AI专家的合作。
历史上，许多企业实施数据治理主要是为了满足法规要求，然而，阿斯克姆观察到了一个令人振奋的转变，她注意到过去一年中更多涉足数据治理的企业并不属于受监管行业。
“他们进行数据治理是因为他们理解这将带来的业务价值，这真的很令人振奋，”她说，这一转变凸显了数据治理作为战略助力的日益认可。
数据治理和数据质量之间的界限正在模糊。伍兹指出，到目前为止，治理和质量之间的区别以及何时处理每个方面，常常让企业感到困惑，我们可能会看到综合方法的增加。“随着时间的推移，数据治理和数据质量的结合越来越紧密……我认为这是一件好事。”他说。
对此，阿斯克姆表示：“数据治理和数据质量应该由同一个团队来完成，”她强调，业务用户通常优先考虑高质量数据，但往往不太可能与治理团队合作，因为他们认为治理的影响较小。她说，实际情况是，“从业务用户的角度来看，它们应该是无缝的。所以，我们能让它们越紧密地结合，就越好。”
