过去两年间，围绕人工智能的讨论几乎完全被大模型本身所主导——模型的性能有多强劲，迭代速度有多惊人。然而，一个更为根本的问题往往被忽视了：这些大模型所依赖的数据，其质量究竟如何？

在金融服务领域，数据始终是风险管理与洞察生成的核心要素。这一点从未改变。AI带来的真正变革在于：它让数据策略中的缺陷暴露得更加迅速。假如数据所有权不清晰，某个系统定义“风险敞口”，另一个系统也标称“风险敞口”，但口径却截然不同——AI不仅不会帮你弥合分歧，反而会第一时间将这些漏洞放大呈现。这正是贝莱德AI战略的基石：并非从模型起步，而是从更基础的层面着手——数据所有权与语义一致性。

许多组织内部，数据是作为应用程序和工作流程的副产品逐渐堆积而成的。这些“排放物”被存储、转换并生成报表，但随着时间的推移，业务上下文不断流失，定义开始发生漂移，责任归属也变得模糊不清。经验丰富的分析师尚能凭借直觉与机构知识填补这些空白，但机器却无法做到。当AI系统需要对同一资产进行推理时，这种模糊性将直接导致灾难性后果。

因此，要让AI系统可靠运行，首先必须确保数据拥有明确的所有权、完整的血缘记录，以及一致的语义定义。贝莱德的策略是：将数据视为产品，而非副产品。这意味着：有专人对其负责，治理机制从最初就嵌入其中，数据的设计从一开始就考虑可复用性——不仅为某一特定报表服务，而是要支撑所有工作流程，包括AI驱动的部分。

值得关注的是，在推行这一理念的过程中，一个关键决策是：标准化，但不集中化。

在受监管行业中，面对复杂性的本能反应往往是整合——把所有内容塞进一个数据仓库，实施集中管控。这固然能加强监督，但也容易拖慢业务前线的节奏，使数据离最懂它的人越来越远。贝莱德选择了联邦模式：业务团队与产品团队对自己产出的数据产品保持最终责任，因为他们最贴近这些数据所支撑的投资流程。这一点至关重要——数据不是被“收走”管理，而是被“授权”管理。

而Snowflake在其中的角色，是在这套联邦架构下提供标准化的能力：以一致的方式进行数据保护、共享与审计。强大的基于角色的访问控制与原生的数据共享，使整个公司在保持互操作性的同时，能够灵活扩展规模，而不必每一项决策都等待集中化小组批准。

这种平衡，在Aladdin数据云的交付方式上也得到了体现。过去，分发数据通常依赖平面文件、FTP传输以及大型模式定义。虽然可以运行，但效率完全无法满足今天的需求。如今，客户能够以现代化、云原生的方式，将自己的记录账簿和市场数据直接集成到更广泛的数据资产中。这才算真正进入状态。

在金融领域，治理是不能后期“打补丁”的。随着数据平台持续迭代，贝莱德对元数据与问责制的重视程度极高。平台有一条硬性规则：任何资产，如果没有明确的所有权与来源记录，根本无法进入系统。随着AI驱动的工作流程和自然语言界面逐渐深入日常操作，这种可追溯性只会变得更加重要，而非相反。

AI还让一个更微妙的问题浮出水面：语义一致性。两个系统使用同一个字段名，但含义可能完全不同。例如“交易对手”，在风控系统与前台系统中的口径可能相差甚远。人类能够依靠上下文绕开这类歧义，但AI系统却做不到。如果上下文是隐式的、靠默契传递的，而非显式定义的，系统的可靠性很快就会崩溃。

这也是为什么贝莱德特别关注行业在开放语义交换（OSI）方向上的探索——原因很简单，目标也非常务实：让组织之间不仅能交换数据，还能交换数据背后的含义。一旦语义可移植，每次引入新工具、新模型、新智能体时，就无需重新搭建解释层。在AI驱动的生态系统中，这种互操作性迟早会成为刚需。

随着所有权与共享标准逐渐到位，团队的工作方式也在发生显著变化。花在管理定制传输和拼凑系统上的时间正在减少，更多精力被投入提升数据产品本身的清晰度与实用性。从贝莱德的实践来看，敏捷性与控制力并非矛盾。有了明确的标准与问责制，两者反而能够相互支撑。

市场与技术不会停滞不前。新的资产类别将不断涌现，数据界面的交互方式也会变得越来越直观。为未来做准备，不是盲目追逐下一个模型发布，而是把最基础的东西打磨到极致——数据本身的所有权、治理与清晰含义。

说到底，AI可以加速实现贝莱德的使命——帮助越来越多人体验财务健康。但前提是，底层的数据必须是有主的、有规矩的、能被清楚理解的。

对于任何正在规划AI战略的组织而言，这才是真正需要下功夫的地方。

Q&A

Q1：贝莱德为什么认为AI战略应该从数据所有权和语义开始？
A：因为AI就像一面照妖镜，会迅速放大数据策略中的问题。如果数据所有权不明确，或者不同系统间的定义各说各话，AI系统根本无法可靠运行。贝莱德的做法是把数据当作产品管理，而非当作副产品堆积。谁对数据负责、治理从哪一步开始、数据能否跨工作流复用——这些基础问题比追逐最新的模型重要得多。

Q2：贝莱德在数据管理上采用了什么模式？为什么不直接集中化？
A：贝莱德走的是联邦模式——业务和产品团队对自己管理的数据保持责任，因为他们最了解这些数据背后的投资逻辑。集中化虽然能加强监督，但容易拖慢节奏，让数据和最懂它的人之间产生隔阂。借助Snowflake平台，贝莱德做到了标准化但不集中化，既能保持互操作性，又能保障灵活扩展的能力。

Q3：开放语义交换（OSI）对AI应用意味着什么？
A：OSI解决的是“字段名一样，意思却不同”的问题。两个系统使用同一个字段，但口径或定义完全不同，人能凭经验识别，AI却做不到。语义一旦可移植，每次引入新工具或新模型时，就不需要重新搭建解释层。在AI生态中，这种互操作性直接决定了系统的可靠性，不是“锦上添花”，而是基础能力。