（问题）制造业加快数字化转型与智能化改造的背景下，数据正成为驱动工艺优化、质量管控、设备运维和供应链协同的重要要素。但在推进过程中，不少企业仍面临“数据拿不到、拿不准、拿不全”，以及“格式不统一、来源分散、链路难追溯”等问题；进入数据预处理阶段，又常出现数据“脏、乱、冗、缺”等情况。数据底座薄弱，直接影响模型训练、推理和迭代效果，制约人工智能在车间现场的规模化落地。 （原因）业内人士指出，这些痛点既来自历史信息系统“各自为政”形成的数据孤岛，也来自设备接入方式和采集协议不一造成的数据结构碎片化；既有数据标准、主数据管理、元数据管理等基础制度缺失，也有企业在推进智能应用时“重模型轻数据”，将数据治理视为被动合规的惯性。随着应用从“点状试验”走向“系统部署”，数据治理也在从“补丁式修补”转向“体系化建设”，对方法、工具链以及治理责任边界提出更高要求。 （影响）高质量数据供给不足，会带来多重连锁影响：一是模型效果波动，难以跨产线、跨工厂复制推广，出现“试点有效、规模失灵”；二是数据口径不一致导致决策指标偏差，影响质量追溯、能耗管理、产能调度等关键业务；三是数据资产难以沉淀，企业在算法、平台和算力上的投入难以转化为持续收益，产业链协同也缺少可信的数据基础。对江苏这样制造业基础雄厚、产业门类齐全的地区而言，数据治理能力的强弱，直接关系到智能制造推进效率和产业竞争力塑造。 （对策）针对企业普遍关切，江苏省工业和信息化厅会同国家工业信息安全发展研究中心编制并发布《江苏省制造业领域面向人工智能的数据治理工作参考指引（2026年版）》（以下简称《指引》）。《指引》强调“可对标、可参考、可部署”的实操导向：一上，结合31个人工智能典型应用场景，面向不同发展水平企业，提出入门、基础、进阶三个等级的治理路径，便于大中小企业按需选型、分步推进；另一方面，围绕数据采集、预处理、特征工程、数据标注、数据划分、数据增强等六大核心环节，分类给出治理思路与落地路径，强调企业可结合技术基础、资源条件和业务痛点，优先从“最影响效果的关键环节”先行突破，逐步实现从数据可用到数据好用、从单点治理到体系治理的转变。 在数据采集环节，《指引》针对“采不到、采不准、采不全”以及“格式乱、分布散、溯源难”等问题，提出以统一采集规范、完善接入机制、强化质量校验和链路记录为抓手，并配套列出核心技术应用清单与工具清单，便于企业对照实施。在数据预处理环节，聚焦清洗、去噪、补全、去重与一致性处理等常见难点，引导企业建立可复用的数据处理流水线与质量评估机制。针对特征工程、数据标注、数据增强等影响模型泛化能力的环节，《指引》强调从场景出发明确标签体系、规范标注流程、优化数据集划分策略，提升数据集的可解释性与可复现性，为后续模型迭代和规模化部署打下基础。 （前景）随着制造业人工智能应用从“能跑起来”走向“跑得稳、跑得久”，数据治理将成为提升企业竞争力的关键变量。《指引》的发布，有望推动江苏制造业在三个层面形成合力：在企业层面，明确治理路线，降低试错成本，提高数据资产化与智能化收益；在行业层面，促进场景数据标准与方法沉淀，形成可复制的行业样板；在区域层面，为建设更具韧性、更高效率的产业体系提供数据底座支撑。下一步，随着更多企业按分级路径开展治理实践，数据质量与场景需求的匹配度将持续提升，智能应用的可迁移性和可扩展性也将随之增强，推动江苏制造业向高端化、智能化、绿色化继续迈进。
在全球产业竞争日益聚焦数字主权的背景下，江苏此番探索不仅为区域制造业数字化转型提供了可操作的方法参考，也指向传统产业升级的关键路径——打通数据链路，才能真正释放智能制造的价值；该面向未来的制度安排，有望提升制造业数据要素的组织能力与应用效率，为新型工业化实践提供更坚实的支撑。