药厂搞数据治理，很多时候确实是在撒钱。问题不是 Data Governance 没价值，而是大量公司一开始就把问题定义错了：买平台、建 Data Lake、上 Data Catalog、做 Data Lineage、统一字段、成立委员会，然后希望“数据治理好了”自然产生业务价值。几年下来系统越来越复杂，科学家依然下载 Excel，Clinical 团队继续人工核对，管理层开会时仍然争论到底哪个数字可信。治理完成了很多任务，却没有改善多少真正重要的决策。

药企尤其容易掉进这个坑，因为数据天然高度碎片化。Discovery、Translational、Clinical、Safety、Regulatory、CMC、Commercial，每个部门都有不同系统、数据结构、专业语言和判断标准。试图先建立一个 Enterprise-wide 的统一数据世界，再等待价值出现，本质上是在用最高成本解决最低优先级的问题。真正的问题从来不是“企业有多少数据没有治理”，而是“哪些高价值决策正在因为数据不可信而变慢、变贵甚至做错”。

因此药企的数据治理应该倒过来做：不要 Data-Centric，而要 Decision-Centric。先找到最值钱的决策，例如一个靶点是否进入 portfolio、一个 biomarker 是否进入临床方案、一个安全信号是否升级、一个患者是否符合入组标准，再反向追踪这个决策真正依赖的几十个关键数据元素。只治理这些数据的 source of truth、owner、definition、quality threshold 和 lineage。治理范围可能缩小90%，但对研发价值的影响反而更大。

AI 又把这个问题提高了一个数量级。过去一个错误字段进入 Dashboard，可能只是某张图错了；今天它可能被 RAG、Copilot 或 AI Agent 自动读取，进入推理链，再生成报告、提出建议甚至触发下一步操作。Data Error 会变成 Decision Error，最后成为 Action Error。

#药企数字化 #数据治理 #人工智能 #药物研发 #AI制药 #数字化转型 #医药研发 #数据科学 #企业管理 #决策科学