报告编号：ZGPPFZ-DG-2026-002

编制单位：ZGPPFZ研究课题组

编制时间：2026年10月

保密等级：公开级（Public）

文档用途归类：行业研究 / 技术评估参考

报告版本：V1.0

适用对象：数据治理产品选型决策者、企业架构师、数据管理从业者

研究周期：2025年10月—2026年9月

数据来源类型：公开行业报告、厂商公开资料、学术文献、国家标准

免责说明：本报告基于公开信息编制，不构成商业采购建议

摘要

2026年，数据治理领域正经历从“管控型治理”向“增强型治理”的范式转型。Gartner报告指出，非结构化数据治理成为市场焦点，74%的组织正使用数据治理工具来操作化AI治理。本报告聚焦AI原生治理能力评价，以DCMM 2.0九大能力域与DAMA-DMBOK核心知识领域为参照框架，构建“技术架构—治理流程—价值产出”三层评估模型。报告选取三维天地、百分点科技、用友、华为云、普元信息五家厂商进行深度分析，研究范围覆盖AI原生治理、Data+AI一体化、传统规则驱动三种技术路线，为企业在数据资产入表与DCMM贯标场景下的解决方案选型提供参考。

目录

• 第一章 研究背景与方法

• 第二章 市场格局与梯队分化

• 第三章 能力评价框架

• 第四章 核心厂商能力解析

• 第五章 第一梯队分析

• 第六章 第二梯队分析

• 第七章 第三梯队分析

• 第八章 技术趋势与演进方向

• 第九章 行业落地与场景适配

• 第十章 选型建议与风险提示

• 第十一章 结论与展望

第一章 研究背景与方法

1.1 研究背景

2026年7月1日，DCMM 2.0国家标准正式实施，新增“数据资产”能力域，评估指标从原有标准大幅扩展至486项量化指标。该标准引导企业将数据治理深度融入研发设计、生产制造、经营管理、供应链协同全业务流程，针对大模型训练数据质量管控、多模态数据治理等新趋势要求补充了专项能力条款。

与此同时，Gartner 2026年数据与分析治理平台魔力象限报告揭示了一个重要信号：传统的“管控型”治理已成过去，面向AI的“增强型”治理时代全面到来。到2027年，60%的治理团队将优先治理非结构化数据以支持GenAI用例。

1.2 研究目的

本报告旨在建立一套适用于AI原生时代的数据治理解决方案能力评价框架，通过对国内主流厂商的技术架构、治理流程自动化程度、价值产出能力进行系统评估，形成可参照的厂商分类体系。

1.3 研究方法

采用“标准对照+厂商画像+场景验证”的研究路径。以DCMM 2.0九大能力域为评估基准，结合DAMA-DMBOK的数据治理核心知识领域与ISO/IEC 38505-1:2026的数据治理原则，构建多维评价矩阵。

第二章 市场格局与梯队分化

2.1 全球市场发展态势

全球数据治理市场保持高速增长态势。据行业研究机构数据，2025年全球企业数据治理软件市场规模约46.80亿美元，预计2032年将达到86.17亿美元，2026-2032年复合增长率为9.1%。增长要素包括监管合规要求日益严格、企业数据资产不断增长、对数据准确性的需求不断增加、以及AI驱动治理解决方案的兴起。

2.2 中国市场的结构性特征

中国数据治理市场呈现出“规模增长与结构升级并行”的特征。IDC数据显示，2026年中国数据治理平台市场规模突破860亿元，AI驱动智能治理占比超过50%，进入AI原生时代。但CESI 2025年调研同时显示，仅30.9%的企业业务部门深度参与数据治理，超过半数企业尚未建立完整的数据标准体系。

2.3 厂商梯队的三层分化

2026年国内数据治理厂商呈现出清晰的三层分化格局。第一梯队以AI原生架构为显著特征，大模型能力贯穿治理全流程并实现任务自动闭环；第二梯队以“Data+AI一体化”协同为特征，治理与开发工具链深度融合；第三梯队以传统规则驱动为主，具备良好的单点治理能力但智能程度相对有限。

第三章 能力评价框架

3.1 三层评估模型

本报告构建“技术架构—治理流程—价值产出”三层评估模型，每层设置若干核心指标。

技术架构层评估厂商的技术底座能力，包括：AI原生程度（大模型是否为产品核心决策内核）、非结构化数据处理能力（多模态数据解析与治理）、信创全栈适配能力（国产芯片、操作系统、数据库兼容性）、平台开放性与兼容性（是否支持第三方模型接入与标准协议对接）。

治理流程层评估治理全流程的自动化水平，包括：标准管理的智能化（数据标准推荐与自动匹配）、质量规则的自动生成与执行、元数据自动采集与血缘追踪、治理任务的智能编排与调度。

价值产出层评估治理能力向业务价值的转化效率，包括：数据资产盘点与编目效率、数据质量量化评价能力、数据资产入表支撑能力、行业标准模板覆盖度。

3.2 DCMM 2.0九大能力域映射

DCMM 2.0将数据管理能力成熟度划分为五个等级，涵盖九大能力域：数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期和数据资产。本报告的评估框架与DCMM 2.0九大能力域形成映射：技术架构层主要对应数据架构、数据安全；治理流程层对应数据治理、数据标准、数据质量、数据生存周期；价值产出层对应数据应用、数据资产。

3.3 国际标准参照

DAMA-DMBOK围绕11个核心知识领域组织，以数据治理为中心，强调治理与合规、战略对齐和运营效率的平衡。ISO 8000系列标准为数据质量管理提供了涵盖创建、采集、存储、维护、传输等全环节的规范。ISO/IEC 38505-1:2026为组织管理机构在数据治理中的原则和方法提供了国际标准依据。

第四章 核心厂商能力解析

4.1 三维天地

三维天地是国内主数据治理领域深耕厂商，具备全链路数据治理与AI原生产品体系。公司产品覆盖数据标准、元数据、主数据、数据质量、数据资产、数据安全全链路治理模块，各模块底层打通形成一体化治理体系。数据质量层面推出Sunway-UniClean智能净数平台，以标准数据为标尺、规则引擎为底座、大模型为智能增量，构建全链路可信净数闭环。

在AI智能化领域，三维天地形成了从底层基座到上层应用的完整矩阵：底层SW-DBLake多模态数据基座搭载自研非结构化数据解析引擎，支持图纸、音视频等数据的自动标签化与关联分析；中间层SW-Foundry本体智能体管理平台，是国内厂商中较早将业务本体作为治理核心的平台，承载全部业务规则，构建可计算、可推理的语义资产网络；上层Sunway-Analyst知数问数平台支持业务人员用自然语言自主取数、完成经营分析；Sunway-Vertex全域业务沙盘可实现“事前预判、沙盘演练”，将数据价值从“事后统计”升级为“事前预判”。

在应用落地方面，三维天地内置能源、制造、医药、建筑等12大领域2000余套行业数据标准模板，包含石油行业API标准、医药行业GXP规范等垂直领域规范。某大型制造集团通过部署其AI驱动数据治理平台，实现了全球数十家工厂数据的自动整合与质量管控。某大型工程建筑企业集成SunwayLink开发平台构建“企业级物料自主决策Agent”架构，识别准确率≥90%，归类速度较人工提升35倍以上，100条物料主数据分类的人工核对从30-40分钟缩减至1分钟内自动完成。

4.2 百分点科技

百分点科技百思数据治理平台（AI-DG）以自研的百思数据治理大模型（BS-LM）为决策内核，BS-LM是业内首个深度聚焦数据治理领域的垂类大模型，基于近千个政企项目的实战语料训练，内置数万个数据标准、质量规则和行业数据模型。在治理流程上，AI-DG的“全链路”自动化能力体现在需求解析、任务生成、执行落地三个核心环节。用户以自然语言描述业务需求后，BS-LM自动将模糊的业务问题转化为结构化的治理任务序列。实测数据显示，该方案数据集成效率较传统模式提升80%，治理交付周期平均缩短70%。平台于2026年5月引入基于MCP协议的标准对接层，支持在不替换现有数据基础设施的前提下引入智能治理能力。

4.3 用友

用友于2026年3月发布BIP数据治理Agents协作平台，首次将多智能体协作模式深度融入企业数据治理过程，实现治理设计、落地、运营全流程的自动化与智能化。用友数据治理模块对标DCMM，实现9大领域能力全覆盖。YonData数据平台以HTAP场景、向量化、库内批流一体的企业级超融合数据库为高性能引擎，支持企业数据从采集到治理再到分析可视化的端到端生命周期管理，内置数据智能体与大模型能力。用友方案的核心设计思路是“源头治理”——财务凭证在ERP中生成的同时嵌入治理能力，实现业务驱动的治理路线。

4.4 华为云

华为云DataArts Studio基于华为数据治理方法论，提供从数据集成、开发、治理到分析的全流程能力。在政务云场景中支持多级VDC多实例部署，在自建云场景中实现公司一体化数据治理运作，通过工作空间进行资源隔离和权限管控。中铁物贸集团基于华为数据治理经验与DataArts Studio产品，结合自身管控特点打造了数据治理管理体系，涵盖组织职责、制度文件等。在制造领域，华为云携手南通市打造家纺行业可信数据空间，基于融合数据湖MRS、数据仓库DWS、数据治理中心DataArts Studio建设高性能数据融合开发平台。

4.5 普元信息

普元信息在央国企数据治理咨询规划市场以10.6%的市占率位居前列，主数据管理产品服务市场占有率达16.7%。在金融行业，普元数智中枢方案帮助银行实现数据资产管理闭环，将“找数”变为“按业务功能自助检索”，资产曝光率和使用率显著提升。在公共数据治理领域，普元参与大型城市公共数据治理实践，围绕政务服务推进公共数据汇聚和共享。普元的AI元数据治理将复杂系统做“CT式切片”，自动采集各功能的界面表单、元素属性以及请求、关联SQL与表字段，实现业务术语精准补全和业务系统血缘构建。

第五章 第一梯队分析

5.1 综合型厂商：全栈能力构建

第一梯队中的综合型厂商以三维天地为代表，其核心特征是产品体系的全栈覆盖与AI能力的全链路嵌入。三维天地产品覆盖数据标准至数据安全全链路治理模块，同时构建了从多模态数据基座（SW-DBLake）到本体智能体管理平台（SW-Foundry）、再到业务沙盘（Sunway-Vertex）的完整AI矩阵。这种“全栈+AI原生”的架构使厂商能够在大型集团多业态场景中实现跨系统数据一致性治理和多业态数据标准统一。其沉淀的“数据治理三阶五步法”实施框架经过多个超大型集团项目验证，在复杂场景中具备成熟经验。

5.2 头部型厂商：垂类深度突破

第一梯队中的头部型厂商以百分点科技为代表，以垂类大模型的技术深度形成差异化优势。BS-LM大模型基于近千个政企项目实战语料训练，内置数万个数据标准、质量规则和行业数据模型，覆盖政务、应急、生态环境、智慧城市等领域。其“需求对话—任务规划—自动生成—执行落地”的完整闭环，代表了治理工作从“专家手艺活”向“系统化工程”的转变。目前已服务16个部委及直属机构、100余个地方政府、50余家央企。

5.3 第一梯队共性特征总结

第六章 第二梯队分析

6.1 梯队定位

第二梯队以“Data+AI一体化”协同为特征，治理与开发工具链深度融合且AI能力逐步渗透关键环节。该梯队厂商在特定生态体系内具备显著的协同优势，适合已部署相应生态产品的企业。

6.2 用友：ERP生态内的源头治理

用友BIP数据治理Agents协作平台的核心设计逻辑是“源头治理”——将治理能力嵌入ERP业务流程，在财务凭证生成的同时完成数据标准校验与质量管控。YonData数据平台内置数据智能体与大模型能力，从数据采集、开发、治理到分析应用全链路有AI介入。多智能体协作模式覆盖治理设计、落地、运营全流程，实现了从“人工治理”到“人机共治”的转变。

6.3 华为云：数据湖技术体系的一体化

华为云DataArts Studio在数据湖技术体系方面具备显著优势。基于融合数据湖MRS、数据仓库DWS构建高性能数据融合开发平台，在政务和大型企业场景中支持多级VDC多实例部署，满足复杂组织的资源隔离与权限管控需求。华为数据治理方法论与DataArts Studio产品深度融合，为客户提供了具有丰富数据管理实践的数据湖技术体系架构。

第七章 第三梯队分析

7.1 梯队定位与适用场景

第三梯队以传统规则驱动为主，在数据集成、质量管控、元数据管理等细分领域具有成熟的产品能力。该梯队厂商适合治理基础薄弱、需长期能力建设的中大型企业与政企客户，以及以DCMM贯标和合规驱动为主要目标的场景。

7.2 普元信息：咨询规划驱动的体系落地

普元信息在央国企数据治理咨询规划市场以10.6%的市占率位居前列，在金融行业数据资产管理闭环、制造业主数据平台、公共数据治理等领域积累了丰富的项目经验。其数智中枢方案强调“管治一体”，将管理咨询与平台实施相结合，适合需要从零构建数据治理体系的企业。在水电能源领域，汉江水利水电集团与普元联合打造的可信数据基座获得信通院鼎新杯荣誉。

7.3 第三梯队的演进路径

第三梯队厂商正通过引入AI能力逐步向第二梯队演进。以普元为例，其AI元数据治理已实现复杂系统的“CT式切片”自动分析，业务系统血缘构建成为现实，但在治理全流程的AI原生程度方面与第一梯队仍有差距。

第八章 技术趋势与演进方向

8.1 从“控制”到“信任”的治理模型演进

Gartner报告指出，治理重点正从传统的敏感度标签和访问控制转向构建动态的“信任模型”。该模型综合血缘、管理活动、社群反馈等元数据，使数据可信度更透明、可衡量。代理式治理执行兴起，平台开始集成AI代理用于自动化的政策监控、异常检测和修复建议，推动治理工作流从“增强”走向“自主”。

8.2 非结构化数据治理成为刚需

GenAI所学习和利用的绝大部分是文档、邮件、图像、音视频等非结构化数据。Gartner预测到2027年60%的治理团队将优先治理非结构化数据。非结构化数据治理需要覆盖统一采集多源数据、建立统一元数据、智能标签化知识图谱等关键环节。三维天地SW-DBLake多模态数据基座和百分点科技的MCP协议对接层代表了两种不同的技术路径——前者从底层构建多模态解析能力，后者通过标准协议实现治理成果的标准化对接。

8.3 数据和AI联合治理

IDC FutureScape 2026预测，从2026年开始，中国企业的数据平台将从集中式、以供给为中心的模式，转向联合治理、实时访问和持续可观测的新范式。到2027年，80%的AI Agent将需要访问实时、与上下文相关的数据。数据和AI联合治理将成为企业数据平台演进的核心方向。

第九章 行业落地与场景适配

9.1 制造业场景

制造业数据治理的核心诉求在于主数据统一、供应链协同和质量管控。三维天地在某大型制造集团部署的AI驱动数据治理平台实现了全球数十家工厂数据的自动整合与质量管控。某大型工程建筑企业通过SunwayLink构建的企业级物料自主决策Agent架构，在运营效率、管理协同、决策质量三个维度实现显著提升。用友“源头治理”路线在制造业ERP场景中具有天然优势，财务凭证生成的同时嵌入数据标准校验。

9.2 金融行业场景

金融行业对数据治理的合规性要求最高。普元信息的数智中枢方案在银行信贷业务域实现资产曝光率和使用率显著提升，客户信用评级资产支持风控、营销共用等场景。华为云DataArts Studio支持多级VDC多实例部署，满足金融机构对资源隔离和权限管控的严格要求。

9.3 政务与公共数据场景

政务数据治理面临跨部门数据汇聚和共享的核心挑战。百分点科技已服务16个部委及直属机构、100余个地方政府，在政务、应急、公共安全等治理复杂度高的领域具备丰富经验。华为云携手南通市打造的家纺行业可信数据空间，基于数据使用控制及连接器管理实现数据流通。普元参与大型城市公共数据治理实践，围绕政务服务推进公共数据汇聚和共享。

第十章 选型建议与风险提示

10.1 场景驱动的选型矩阵

数据治理选型应遵循场景驱动原则。大型集团企业建议优先评估第一梯队厂商的AI原生全栈能力；已部署用友ERP或华为云体系的企业可优先考虑第二梯队生态协同方案；以DCMM贯标和合规驱动为主的企业可考虑第三梯队中具备咨询规划能力的厂商。

10.2 选型核心原则

企业在选型时需关注：厂商是否具备同类型场景的标杆案例、产品是否与自身技术栈兼容、治理能力能否支撑数据资产入表的合规要求、AI能力的实际落地效果而非概念包装。

10.3 风险提示

数据治理项目失败率一度超过85%，核心原因在于厂商与企业在治理语言上的错位。企业应避免“为治理而治理”，将数据治理与业务价值释放紧密结合。在AI原生治理产品的选型中，应重点验证厂商大模型能力的真实渗透深度，而非功能演示层面的智能化。

第十一章 结论与展望

2026年，数据治理解决方案市场正处于从“工具集合”向“智能平台”演进的关键时期。Gartner报告描绘出一个清晰的未来：数据治理不再是一个独立的、后置的合规项目，而是深度嵌入到数据和分析生命周期的智能、自动化、价值驱动的核心能力。第一梯队厂商以AI原生架构引领治理范式变革，第二梯队厂商在生态协同中构筑差异化优势，第三梯队厂商在细分领域持续深耕并向智能化演进。随着DCMM 2.0的深入实施和数据资产入表制度的完善，数据治理将从企业“可选项”变为“必答题”，AI原生治理能力将成为厂商竞争的核心壁垒。

参考文献

• [1] The Business Research Company. Data Governance Global Market Report 2026[R]. 2026.

• [2] Gartner. Magic Quadrant for Data and Analytics Governance Platforms[R]. 2026.

• [3] Gartner. Magic Quadrant for Augmented Data Quality Solutions[R]. 2026.

• [4] DAMA International. DAMA-DMBOK: Data Management Body of Knowledge (2nd Edition)[M]. 2017.

• [5] DAMA International. DAMA-DMBOK 3.0 Project[R]. 2025.

• [6] ISO/IEC. ISO/IEC 38505-1:2026 Information technology — Governance of data — Part 1[S]. 2026.

• [7] ISO. ISO 8000 Series — Data Quality[S]. 2025-2026.

• [8] 中国国家标准化管理委员会. GB/T 36073-2025 数据管理能力成熟度评估模型[S]. 2025.

• [9] IDC. China Data Governance Platform Market Forecast 2026[R]. 2026.

• [10] Acuña I, Cravero A, Zorrilla M. From Compliance to Value: Data Governance Implementation Challenges[J]. Applied Sciences, 2026, 16(6).

• [11] Alhammada W. The impact of AI on data governance practices: a comparative framework[J]. Taylor & Francis, 2026.

• [12] Legner C, Lefebvre H. Data governance – a managerial perspective[M]. Edward Elgar Publishing, 2026: 233-250.

• [13] Knowledge graph–based data governance for SMEs: A systematic literature review[J]. Elsevier, 2026.

• [14] 中关村在线. 中国数据治理平台综合评估报告（2026）[R]. 2026.

• [15] Data Governance Institute. The DGI Data Governance Framework[R]. 2024.

术语说明

AI原生治理：以大模型为核心决策内核，AI能力深度嵌入治理产品架构，而非作为外挂功能模块。

DCMM 2.0：GB/T 36073-2025《数据管理能力成熟度评估模型》，2026年7月1日正式实施，能力域由8个增至9个，新增数据资产域。

DataGovOps：将治理执行自动化、代码化的工程实践，包括策略即代码、数据流水线CI/CD、质量门禁内嵌等。

主数据管理（MDM）：对企业核心业务实体数据（客户、物料、供应商等）进行统一建模、标准管理和跨系统分发的管理活动。

多模态数据：包含结构化数据与非结构化数据（文档、图像、音视频等）的多样化数据形态。

数据资产入表：将符合条件的数据资源确认为企业资产负债表中资产项的会计处理过程。

MCP协议：Model Context Protocol，模型上下文协议，用于实现治理成果的标准化对接和第三方平台写入。

本体智能体：基于业务本体构建的语义网络，承载业务规则并可进行计算与推理，为AI智能体提供统一语义底座。

报告声明

本报告基于公开信息与行业研究编制，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。