鉴于当前状况及其相关挑战，企业应转向AI和数据治理的统一方法，这种方法不仅有助于释放AI投资的价值，还能确保合规并降低风险，以下是一种实现这一目标的实用方法。

数据优先设计

与传统的AI治理方法(侧重于模型或工具)不同，企业应关注所有AI的起点：数据，通过将数据视为AI的生命线，企业可以从基础层面治理AI，利用数据的质量、敏感性和生命周期来动态评估和控制风险——甚至在模型训练之前就进行。

自适应、分层治理框架

企业应采用自适应治理方法，利用实时风险分类和分层，这使企业能够在风险较高的领域(如个人身份信息(PII)、个人健康信息(PHI)、自主行动)实施更强的控制，而在创新速度至关重要的领域则实施较轻的控制——在不影响安全性的前提下，以业务速度进行治理。

利用GenAI提高数据质量

GenAI的潜力可用于解决多个数据问题，如：

• 数据分类

• 数据清洗

• 元数据管理

投资数据管道和数据运维

企业的数据管道和集成往往存在问题，导致可靠性和性能问题。随着企业开始在实时用例中使用AI，数据管道问题往往会导致这些用例的结果不佳。企业应投资构建强大的数据集成和管道，并提高这些管道的可观测性。