HR 数据治理：AI 时代谁为数据负责

过去 HR 提需求、IT 管数据，是一条心照不宣的分工。HR 要一张报表，IT 给一张报表；HR 要一个字段，IT 加一个字段。数据治理这件事，从来不在 HR 的权责里。这条分工在 AI 进来之前没出过大问题，因为最坏的结果不过是报表慢一点、字段错一格。

AI 改变了这条分工的代价。当招聘筛选、绩效评估、薪酬测算、人力规划一条条改成算法决策，HR 的每一句判断都开始依赖一组数据。数据准，决策就站在可信的地上；数据被污染、被操纵、被悄悄改写，决策就在沙地上盖楼。这时候数据治理不再是谁提需求谁管库的分工问题，而是 HR 自己决策的底线问题。本文的判点是另一个：HR 数据治理在 AI 时代是一个必须 HR 自己拥有的前台职能，不是 IT 治理的延伸。

一、数据治理为什么从 IT 溜到了 HR 门口

用第一性原理拆，组织是信息网络加利益分配网络。数据是这个网络里流动的物料，决策是网络里的加工点。过去加工点主要在人手里，数据只是人做判断时的参考，错了能回头改。现在加工点的一部分搬到了 AI 身上，数据从参考变成了输入，而且是被批量、自动、高频地消费。

关键区别在于对象。IT 数据治理的对象是交易、客户、财务这类系统数据，错了能冲正、能回滚。HR 数据治理的对象是人：技能、绩效、潜力、薪酬、流动、敬业度、行为信号。这些数据有三个特点，让它的治理难度和代价远高于一般数据。一是关于人，错误会放大成公平性甚至法律风险；二是带时间性，一个人的潜力评分被模型定死，可能影响他三年内的机会；三是 AI 让这些数据互相喂养，一个字段的偏差会顺着 pipeline 扩散到多个决策。

所以当 AI 把 HR 决策数据化，数据治理的失效就从「报表不准」升级成「用错了人」。这个代价 IT 背不动，也不该背，因为它不掌握用人的语境、不向下属的绩效负责。风险落在谁的决策上，问责主体就应该在谁手里，这是治理的第一性原理。

二、组织的数据真相层：AI 决策依赖的底座

把所有 AI 用人决策往下沉一层，会看到一个共用的底座：组织的数据真相层。招聘模型读它，绩效模型读它，薪酬模型读它，规划模型也读它。这一层可信，上面的决策才可信；这一层被污染，上面再漂亮的模型都是 garbage in garbage out。

这一层今天普遍是漏的。Deloitte 把「AI 对人与工作数据的真实性侵蚀」单列为一大转折点（Fact or fabrication），点名了合成身份、简历注水、deepfake、workslop 正在污染决策与模型。更隐蔽的是 AI 润色：当候选人和员工都用 AI 美化自己的材料，进入系统的数据本身就已经失真。Microsoft 的数据给了一个反向注脚，86% 的人把 AI 产出当作起点而非终稿，说明组织已经默认 AI 产出不可直接信任，需要人兜底。但落到 HR 数据上，谁来兜底数据的真实性，大多数组织还没有答案。

数据真相层不是一项技术，是一套契约：哪些数据可以进模型、以什么状态进、谁来认证它的真实性、出事怎么回看。没有这套契约，AI 用人就是 blind trust。Gartner 的判断很重：数据治理将是组织 AI 雄心的单点故障。一个环节漏了，整条 AI 用人链路都可能崩。

三、新职能长什么样：不是 DBA，是决策权与问责的设计者

提到数据治理，很多人脑中浮现的是一个建库、管权限、写 ETL 的角色。那是 IT 数据治理的活。HR 数据治理新职能要的不是 DBA，是决策权与问责的设计者。它落在三件事上，件件都不碰数据库本身。

第一，决策权设计。明确哪些 AI 用人决策必须有人兜底、谁在决策点出现、什么数据可以进模型、什么必须留在人手里。这不是技术配置，是组织设计：把「人拍板还是机器拍板」这件事写清楚，对应到 AI 原生组织里决策权被拆成机器自主、人机共决、人类保留三层的那套框架。

第二，问责与溯源。建立数据的血缘与留痕，知道一条用人结论来自哪些字段、哪个模型、哪次训练。出事能回看，不只能甩锅给「模型说的」。这一层组织记忆的衰减机制，在另一篇里拆过，此处不重复，但要点是：溯源能力本身就是组织记忆的一部分，丢了就再也回不来。

第三，数据可信度治理。防合成身份、防简历注水、防 AI 润色后的绩效数据污染决策。不是靠一个防火墙，而是靠准入清单加红队抽检加留痕的组合。它设计规则、审偏差、守红线，而不是写 SQL。

这恰好解释了为什么它和现有团队不同。HRIS 管系统的稳定与权限，People Analytics 管指标的提取与洞察，二者都偏向让数据好用。HR 数据治理管的是数据能不能被信任、决策能不能被问责，它横切在前两者之上。一个比喻：HRIS 是水管，People Analytics 是水龙头，HR 数据治理是水质检测与用水许可。没有治理层，前两者越快越强，被污染数据灌进决策的速度也越快。

四、为什么大多数组织建不起来：Deloitte 的 61% 到 5% 断层

不是没人意识到。Deloitte 2026 的数据是同一道断层的三个切片：64% 的领导者认为 AI 与决策治理非常重要，仅 5% 自认领先；61% 认识到劳动力数据可信度重要，仅 5% 取得实质进展；60% 的高管已经在用 AI 做决策，仅 5% 管得好。认知几乎全员到位，执行只有个位数，这个落差不是疏忽，是结构性卡点。

卡点有三。一是问责主体缺位。决策权散在业务、IT、HR 之间，没有人被明确指定为用人数据的兜底人，于是每个人都在等别人。二是能力错配。组织把数据治理当成 IT 的活，给 IT 提需求，但 IT 不掌握用人的语境，给不出带问责的设计。三是度量缺位。没有哪个指标衡量「数据可信度」，也就没有人为它背 KPI，自然没人投入。

Gartner 的另一组数据说明投入本身也失衡。AI 成效显著的组织，在数据与治理基座上的投入最高达表现差组织的 4 倍，但一项对 353 名 D&A 与 AI 领导者的调研显示仅 39% 相信现有 AI 投资能正向影响财务表现，对 360 名 IT 领导者的调研中仅 23% 对 GenAI 的治理与安全非常有信心。也就是说，大多数人既知道基座重要，又对自己能不能管好它没把握。这正是新职能存在的空间。

五、从 COE 升维看它的归属

这个新职能该放在组织的哪里？从 AI 重排 HR 三支柱的框架看，它不该新建一个平行部门，而该从升维后的 COE 里长出来。前文拆解过，AI 时代 COE 不再靠集中稀缺知识换深度，而是升维成治理与编排职能，把知识变成可执行的规则、给 AI 产出盖章。数据治理正是 COE 升维后最该接住的那块：它本来就是关于规则、准入、偏差与问责的，和 COE 的新定位天然重合。

所以最稳的落点是：HR 数据治理作为 COE 下的一个能力中心，对 CHRO 负责，横向服务 SSC 的自动化骨干与 HRBP 的业务现场。它不替代 HRBP 的判断，而是给 HRBP 的判断提供可信的数据底座和留痕能力。这也呼应了战略人力规划的逻辑：规划的对象如果还停在人头，你就看不见数据治理该占多少编制，因为它的产出是任务级的能力（决策权设计、溯源、可信度治理），不是人头。

放到组织记忆的视角更清楚。数据真相层就是组织记忆的可信版本，HR 数据治理是这套记忆的守护者。记忆的归属一旦被 AI 接管，谁来保证它记得住也传得下，就是这个职能。它从 COE 长出，是因为 COE 已经是组织里离「规则与标准」最近的那条线。

六、给 HR 负责人的三个动作

落到执行，是三个动作，每个都有可验收产出，不必等全职岗位。

第一，把数据治理列入自己的议程。先认领用人决策的问责主体，而不是推给 IT。可验收产出是一句话：本组织 AI 用人决策的数据可信度，由 HR 对 CHRO 负责。写下来，比任何蓝图都重要。

第二，做一次数据信赖盘点。招聘、绩效、薪酬各自依赖哪些数据，哪些有溯源、哪些没有，标出断点。可验收产出是一张表，每行对应一个 AI 用人场景、它的数据来源、是否有留痕、断点在哪里。不要求解决，要求看清。

第三，把留痕与红队抽检设为上线门槛。任何 AI 参与的用人结论，保留输入数据快照与模型版本，并定期用已知答案反向测模型。可验收产出是一条规则：没有留痕和抽检记录的 AI 用人项目不准上线。Deloitte 的提醒是，60% 的高管已经在用 AI 做决策但仅 5% 管得好，差距不在认知，在有没有人真正为数据兜底。

七、收口：数据不会自己负责，要有人负责

AI 不会自己保证数据可信，模型不会自己留痕，供应商不会替你背用错人的代价。数据治理从后台溜到 HR 门口，不是因为 HR 想揽活，而是因为风险已经落在 HR 的决策上。Gartner 说它是 AI 雄心的单点故障，Deloitte 说 61% 的人看见问题但只有 5% 在解决，两组数据指向同一个结论：这个职能不是可选项，是 AI 用人时代的必选项。

它不长成一个数据库，而长成决策权、问责与溯源的三位一体。它从升维后的 COE 里长出，对 CHRO 负责，横切在 HRIS 与 People Analytics 之上。组织记忆交给机器之后，谁来保证这一层可信，就是 HR 数据治理新职能的答案。数据不会自己负责，要有人负责，而这个人，应该是 HR。

相关阅读

• AI 原生组织的决策权：谁还在拍板
• 组织记忆交给机器：记得住，不等于传得下
• 从共享中台到能力市场：资源怎么调度
• 战略人力规划失效：不是算不准，是算错对象
• AI 重排 HR 三支柱：事务瘦身，专家升维

参考信源

• 【2026 年 3 月 11 日 D&A 预测，Rita Sallam；到 2030 年 50% 组织用自主 AI agent 把治理政策转译为机器可验证的数据合约（自动执行合规与治理），50% 的 AI agent 部署失败源于治理平台运行时执行不足；到 2027 年 75% 招聘流程加入 AI 能力认证与测试；明确指出数据治理是 AI 雄心的单点故障】：Gartner，《Top Predictions for Data and Analytics in 2026》。
• 【2026 全球人力资本趋势，与 Oxford Economics 合作，覆盖 90 余国数千名领导者；64% 认为 AI 决策治理重要仅 5% 自认领先，61% 认识劳动力数据可信度重要仅 5% 取得进展，60% 高管用 AI 决策仅 5% 管得好；把 AI 对人与工作数据的真实性侵蚀单列为大转折点】：Deloitte，《2026 Global Human Capital Trends》。
• 【2026-05-05 年度报告，10 国 2 万名 AI 使用者调研加万亿级 M365 遥测；29 个因素模型中组织因素解释力约 67%、个人约 32%；M365 活跃 agent 一年增 15 倍（大企业 18 倍）；86% 把 AI 产出当起点而非终稿】：Microsoft，《2026 Work Trend Index Annual Report》。
• 【AI Radar 2026，2360 名高管、16 国；94% 继续投入 AI，72% CEO 亲自领导（约两倍），数据隐私与网络安全是 53% 组织首要关切，领先企业把 AI 预算 60% 投入技能提升】：BCG，《AI Radar 2026》。
• 【2026-04-16 发布；AI 成效显著组织在数据治理基座投入最高达差组织的 4 倍；对 353 名 D&A 与 AI 领导者调研仅 39% 相信 AI 投资能正向影响财务；对 360 名 IT 领导者调研仅 23% 对 GenAI 治理与安全非常有信心】：Gartner，《Organizations with Successful AI Investments Invest Up to Four Times More in D&A Foundations》。