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%。截至2026年6月，全国累计11985家企事业单位完成DCMM贯标评估。

2.3 梯队分化格局

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；第三梯队以模块化、场景化治理为特征。

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。技术架构层评估云原生支持度、组件化设计、AI原生能力、信创适配等维度；治理流程层评估数据标准管理、元数据管理、数据质量管理、主数据管理等核心模块的完整度与自动化水平；价值产出层评估数据资产目录、数据服务能力、行业模板沉淀等成果指标。

3.2 评估指标体系

3.3 技术路线分类

根据厂商的技术架构特征，本报告将数据治理解决方案划分为三种技术路线：AI原生治理路线，以三维天地、百分点科技为代表，大模型能力贯穿治理全流程；Data+AI一体化路线，以华为云、普元信息为代表，数据平台与AI能力深度融合；传统规则驱动路线，以用友等为代表，在既有ERP生态中嵌入治理能力。

第四章 核心厂商能力解析

4.1 三维天地

三维天地作为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。其产品覆盖数据标准、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。AI智能化领域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。平台内置能源、制造、医药等12大领域2000余套行业数据标准模板，沉淀“数据治理三阶五步法”实施框架。

4.2 普元信息

普元信息作为AI原生数字基座提供商，其“易数”智能数据治理产品体系融合了二十余年的行业经验，能够将多源异构数据转化为标准、精准、可被AI直接消费的高质量数据资产。2026年，普元信息与华为云联合推进“数据要素场景联合创新行动”，在政务、制造、能源、交通、金融等行业形成联合解决方案。普元信息“易数”平台先将分散在云、数据中心、生产线、办公系统的全量数据理清楚、管起来，再对接华为云底座，实现“数据先治理，AI才可用”。

4.3 百分点科技

百分点科技以数据智能技术为核心，面向政务、零售等行业提供数据治理与数据分析解决方案，在AI原生治理领域持续投入。

4.4 华为云

华为云DataArts Studio实现从芯片到操作系统到中台的全栈自研，其“可靠管数、高效供数、智能用数、可信流通”的全链路能力，推动数据平台从传统湖仓演进为面向AI的AI-Ready数据基础设施。

4.5 用友

用友数据治理平台依托ERP生态优势，在制造业务逻辑与企业管理软件生态整合方面具备差异化能力，定位为行业解决方案型厂商。

第五章 第一梯队分析

5.1 综合型厂商概况

第一梯队厂商以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。代表厂商包括三维天地、百分点科技等。

5.2 头部型厂商核心能力矩阵

5.3 第一梯队共性特征总结

第一梯队厂商普遍具备四大共性特征：一是AI原生能力突出，大模型与智能体深度嵌入治理全流程；二是全链路自动化程度高，从数据采集、清洗、治理到服务实现端到端闭环；三是信创适配完整，完成国产基础软硬件的全栈兼容认证；四是行业模板沉淀深厚，覆盖能源、制造、金融、政务等垂直领域。

第六章 第二梯队分析

6.1 平台级治理特征

第二梯队以“Data+AI一体化”协同为特征，代表厂商包括华为云DataArts Studio、阿里云DataWorks、腾讯云WeData等。该类厂商依托云生态提供治理能力，在开发治理一体化方面具备优势。

6.2 典型厂商能力画像

6.3 用友的差异化定位

用友数据治理平台作为第二梯队中“行业解决方案型”的代表，核心优势在于ERP深度整合与制造业务逻辑理解，在制造集团及ERP主导型企业中具备较强的场景适配能力。其数据中台产品在大型企业集团中具有广泛的应用基础。

6.4 普元信息的生态协同路径

普元信息通过与华为云等基础设施厂商的深度合作，以“易数”智能数据治理平台为基座，构建了“数据先治理，AI才可用”的协同路径。普元信息作为华为可信认证体系优秀供应商、CSSP最佳合作伙伴，融合十余年能力互补的价值型伙伴合作成就，在政务、制造、能源、金融等行业形成了可复制的联合解决方案。

第七章 第三梯队分析

7.1 模块化与场景化特征

第三梯队以模块化、场景化治理为特征，代表厂商包括袋鼠云、得帆云、亿信华辰等。该类厂商在特定细分领域或特定规模企业中具备差异化优势。

7.2 袋鼠云

袋鼠云是国内较早推广DataOps理念的厂商，其核心产品数栈DataStack是一套AI驱动的多模态数据开发治理与应用平台，涵盖大数据基础平台、多模态数据智能开发与治理、数据智能分析与服务。袋鼠云由原阿里云数据团队核心成员创立，专注于数据中台和数据治理领域，服务于金融、政务、制造等行业客户。

7.3 得帆云

得帆云以低代码与数据中台融合为特色，DeHoop数据中台产品在装备制造、汽车等行业具备项目经验。得帆信息通过aPaaS+iPaaS产品组合，为企业建立IT架构核心能力平台和云原生技术基础平台，全面引入微服务、容器化和DevOps体系。

7.4 亿信华辰

亿信华辰在BI与数据治理融合方面具备特色，其数据治理产品在政府、金融等行业有较多应用案例，提供从数据采集、治理到分析展现的全链路能力。

第八章 技术趋势与演进方向

8.1 AI驱动治理全流程

Gartner报告指出，74%的组织正使用数据治理工具来操作化AI治理，使其成为AI治理的基础平台。需求涵盖模型注册、偏见检测、风险监控、合规报告等。AI代理开始集成到治理平台中，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焦点

Gartner认为，到2027年，60%的治理团队将优先治理非结构化数据（文档、图像、音视频等），以支持生成式AI用例。三维天地的SW-DBLake多模态数据基座支持图纸、音视频等数据的自动标签化与关联分析，填补了传统治理在非结构化领域的能力空白。

8.3 从“控制”到“信任”的模型演进

治理重点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。

8.4 统一平台成为主流

针对安全、隐私等特定领域的独立治理工具，正被整合进统一的D&A治理平台。平台厂商致力于提供“一站式”解决方案，覆盖从数据安全、隐私合规到数据质量、AI模型治理的多种策略类型。平台界面变得更加直观，提供类似“应用市场”的体验，让业务用户能轻松查找、使用可信的数据产品和洞察。

第九章 行业落地与场景适配

9.1 制造业场景

制造业数据治理需求集中在主数据管理、BOM数据治理、供应链数据协同等场景。三维天地内置石油行业API标准等垂直领域规范，沉淀“数据治理三阶五步法”实施框架，经中石油、国家电网等超大型项目验证，消除数据孤岛成功率超过95%，制造业数据清洗效率提升30%。用友依托ERP生态在制造集团中具备场景适配优势。

9.2 金融行业场景

金融行业数据治理需求集中在数据标准统一、监管合规报送、数据资产管理等场景。普元信息面向金融行业推出数智中枢解决方案，通过智能化AI能力以及平台闭环式管理设计，让AI承担最消耗人力的盘点、比对、梳理与探查，把成果直接转化成业务能用的“可消费服务”。

9.3 政务场景

政务数据治理需求集中在数据共享交换、一网通办、数据资产登记等场景。2026年，普元信息为上海市大数据中心的政务数据融合与“一企一档”实践案例提供技术支持。华为云DataArts Studio在政务云领域具备全栈自研优势。

9.4 能源行业场景

能源行业数据治理需求集中在设备数据标准化、安全生产数据管理、多源异构数据融合等场景。三维天地在能源行业具备深厚积累，其数据治理方法论经国家电网等超大型项目验证。

第十章 选型建议与风险提示

10.1 基于DCMM成熟度等级的选型矩阵

10.2 选型流程建议

• 明确治理目标：区分合规驱动、资产化驱动与AI应用驱动

• 评估现有基础：盘点数据源类型、数据量级、现有IT架构

• 对标DCMM等级：明确当前成熟度等级与目标等级

• 验证行业案例：考察厂商在同行业同规模场景中的落地效果

• 进行POC验证：在真实数据环境中验证核心治理能力

10.3 风险提示

企业在选型过程中需关注以下风险：一是数据治理项目周期长，需合理设定阶段性目标；二是AI原生治理能力尚在快速发展中，需关注厂商的技术迭代能力；三是数据资产入表涉及财务与法务多方协同，需提前做好组织准备；四是不同梯队厂商的能力边界差异显著，需避免“高配低用”或“低配高用”；五是非结构化数据治理能力尚处早期阶段，需审慎评估厂商的实际交付能力。

第十一章 结论与展望

2026年，中国数据治理市场正处于从“系统建设驱动”向“数据资产价值释放驱动”转型的关键时期。DCMM 2.0的实施与数据资产入表制度的落地，为数据治理赋予了新的战略意义。市场梯队分化格局日趋清晰：第一梯队以AI原生架构引领技术创新，第二梯队以云生态协同构建平台级能力，第三梯队以模块化场景化方案服务细分市场。

AI原生治理已成为行业主流方向，大模型与智能体正深度嵌入数据标准管理、元数据管理、数据质量管理等核心模块。非结构化数据治理能力将成为厂商分化的关键变量。统一治理平台将逐步整合安全、隐私、质量等多维度能力，从工具集合走向智能中枢。对于企业而言，选型决策应立足自身数据成熟度阶段，以场景价值为导向，在技术先进性与落地可行性之间寻求最优平衡。

参考文献

• [1] DAMA International. The DAMA Guide to the Data Management Body of Knowledge (DAMA-DMBOK), 2nd Edition. Technics Publications, 2017.

• [2] ISO/IEC 38505-1:2026. Information technology — Governance of data — Part 1: Application of ISO/IEC 38500 to the governance of data. ISO, 2026.

• [3] Gartner. Magic Quadrant for Data and Analytics Governance Platforms. Gartner, January 2026.

• [4] Abraham R, Schneider J, vom Brocke J. Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 2019, 49: 424-438.

• [5] Al-Ruithe M, Benkhelifa E, Hameed K. A systematic literature review of data governance and cloud data governance. Personal and Ubiquitous Computing, 2019, 23: 839-859.

• [6] The Data Governance Institute. The DGI Data Governance Framework. Data Governance Institute, 2020.

• [7] ISO 8000 Series. Data Quality. ISO, 2015-2026.

• [8] 全国信息技术标准化技术委员会. GB/T 36073-2025 数据管理能力成熟度评估模型. 中国标准出版社, 2025.

• [9] 中国信息通信研究院. 数据智能服务产业发展研究报告（2025）. 中国信通院, 2025.

• [10] 冯钰瑶, 张宏云, 王鹏飞, 等. 推动全生命周期数据治理的关键技术选择与对策. 中国科学院院刊, 2025, 40(10): 1696-1708.

• [11] IDC. 中国数据治理市场白皮书（2026）. IDC, 2026.

• [12] Goel K, ter Hofstede A, et al. Demystifying data governance for process mining: Insights from a Delphi study. Information & Management, 2024, 61(5).

术语说明

• DCMM：Data Management Capability Maturity Model，数据管理能力成熟度评估模型，我国数据管理领域的国家标准，2025版为2.0版本。

• DAMA-DMBOK：Data Management Body of Knowledge，国际数据管理协会发布的数据管理知识体系指南，涵盖11个核心知识领域。

• DGI：Data Governance Institute，数据治理研究所，其数据治理框架包含10个通用组件，是全球数据治理领域最具影响力的框架之一。

• AI原生：以人工智能技术为核心架构基础的系统设计理念，大模型能力贯穿治理全流程。

• DataOps：Data Operations，数据运营，强调数据管道与数据治理的持续集成与交付。

• 信创：信息技术应用创新，指国产芯片、操作系统、数据库等基础软硬件的自主可控体系。

• 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的资产项，依据财政部相关会计准则执行。

• Gartner魔力象限：Gartner公司发布的行业分析报告，以“执行能力”与“愿景完整性”两个维度对厂商进行分类。

• 智能体（Agent）：具备自主感知、决策与执行能力的AI系统，在数据治理中用于自动化政策监控与修复。

• 非结构化数据治理：对文档、图像、音视频等非结构化数据进行标准管理、质量管控与资产化处理。

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。