MongoDB推出面向Atlas的联合Copilot连接器并正式可用。用户可在Microsoft 365 Copilot中直接查询Atlas实时运营数据，无需迁移或索引数据。连接器通过MCP服务器实时访问Atlas，支持检索数据、筛选订单、统计指标和生成摘要等场景。权限沿用Atlas原有设置，管理员可审批管理，支持只读访问和Purview审计，兼顾数据治理与工作效率。

Databricks提出企业AI应转向客户对话场景。语音智能体需结合受治理的数据、业务本体和快速决策模型，实时理解来电者身份与上下文，在规则内提供个性化服务，必要时转接人工。其架构分为对话层与运行于Databricks平台的“大脑”层，确保数据安全合规。每次通话可记录、评分并持续优化。建议从高频常规通话入手，用开源DIVA蓝图开展90天试点。

Databricks推出编码智能体Genie Code，结合Unity Catalog实现数据治理与安全。针对医疗与生命科学领域专业性不足的问题，推出开源Vital Skills技能包，为AI编码代理提供行业知识与标准流程。在BiomniBench基准测试中，带技能的Genie Code表现更优，能可靠完成队列构建、模型部署等任务，减少错误假设，助力团队高效完成数据分析与报告。

Amazon S3 注解功能可将分类、保留策略、数据驻留、PII 等治理信息直接附加到对象版本，每版本最多 1000 条、每条最大 1MB，支持 JSON 等格式；注解随复制迁移、可原地更新、在冷存储中仍可读，并可通过 S3 Metadata 表用 SQL 查询。文章还给出事件驱动架构示例，并强调版本化删除、Object Lock 需先注解后锁定、分段复制默认不携带注解、注解删除不可逆、SSE-C 不支持注解及 IAM 读写删权限分离等设计要点。

本文介绍在Databricks上优化dbt管道的实践：采用增量策略、物化视图和预测优化降低计算成本；通过查询标签将费用归因到具体模型；利用流表、指标视图和Lakeflow Jobs统一数据摄取、指标定义与编排；使用声明式自动化包管理作业，并在dbt项目中定义治理策略，由Unity Catalog统一执行。

Databricks产品营销总监Richard Tomlinson指出，自然语言分析长期未兑现承诺，瓶颈不在大模型，而在缺乏业务上下文。可信的AI分析需三层基础：受治理的数据、明确可读的语义定义，以及可追溯验证的信任层。语义锚定将问题绑定到企业实际指标、关系与规则，治理则贯穿AI代理的每个决策。Genie通过本体、对话上下文管理和权限控制，让非专业用户也能获得可信答案。

营销与数据团队对“非活跃客户”“实时”等术语理解不一致，常导致活动返工。文章围绕活动执行梳理了24个易混淆术语，包括事件、数据源、字段、客户、画像、细分、受众、模型、实时、刷新、延迟、同意、治理等，并给出双方定义。建议提前明确客户身份、受众就绪、数据新鲜度和权属，记录业务定义并关联数据集，以便复用和AI一致执行。

Concurrence 在 Databricks 上构建医疗 AI 的统一数据与治理基础，月处理约 1008 亿输入 token、1120 万次 LLM 调用，较 2025 年底增长约 5 倍。其以不可变事件构建患者“世界模型”，用 Unity Catalog 治理数据、Lakebase 管理状态、Unity Gateway 统一 AI 访问。所有代理先经模拟患者测试，评估流量达生产 7 倍。合规优先于成本，已符合 HIPAA、GDPR 和 SOC 2。

资本市场公司正推动交易生命周期现代化，面临数据量增长、结算周期缩短等压力。核心挑战是研究、交易、风控、运营与合规各自为政，数据割裂拖慢决策。AI的价值不在模型本身，而在于打通并治理专有数据。建议从高价值工作流入手，建立可复用数据基础，再逐步扩展。

Elastic在澳大利亚首届议会AI产业展示会上指出，澳AI发展的最大瓶颈是数据而非模型。研究显示，AI表现不佳时，澳企归咎数据的概率是归咎模型的两倍。政府机构拥有大量非结构化数据，需打通并激活，数据应成为国家AI计划的独立支柱。AI安全依赖数据可见性，需完善日志记录。良好治理应基于数据可追溯性，澳应专注把AI部署好。

企业数据架构长期假设结构清晰、人可理解，但AI代理缺乏业务语境，易给出自信却错误的答案。文章主张构建“本体”层，连接数据与业务含义，明确权威定义、计算与权限。应只治理关键概念，长尾知识从现有资产中持续学习，避免全企业建模沦为搁置项目。本体结合治理可提升代理准确率与可信度，使其从报告走向可信行动。

Databricks高管指出，AI分析的关键在于可信系统而非模型。企业需统一指标定义、治理数据权限并保留可验证证据，否则AI会放大定义冲突与数据混乱。仪表盘处理已知问题，对话式分析应对临时提问，智能体负责复杂调查。信任是系统属性，而非模型属性。

OpenAI发布Data agent，支持业务人员用自然语言查询企业数据。但能提问不等于答案正确，需权限、语义、证据三层约束，并区分事实与归因。重复取数工作将减少，数据分析师价值转向治理指标、解释异常和辅助决策。数据治理差的公司只会更快产出专业错误图表。

Databricks高级产品经理Jonathan Katz指出，AI代理正打破运营与分析数据间的传统壁垒。LTAP通过统一存储层，让分析查询直接作用于实时运营数据，无需复制或迁移。它利用无状态计算与列式格式，避免HTAP的高成本，支持独立扩展。此架构简化了欺诈检测等实时工作流，减少延迟，并统一数据治理，使数据更易被代理高效利用。

本文探讨数据治理如何支撑AI战略，强调治理工件（如分类标签、数据契约）应作为语义基础而非合规负担。通过五支柱框架和代理自动化，治理能提升AI准确性、降低成本并增强信任。文章主张安全与治理结合以实现可问责的AI部署，建议从小范围试点逐步扩展。

本文介绍了构建企业级数据产品的建议，包括数据产品的关键特征和生命周期。数据产品应具备质量、可观察性、语义一致性、隐私和安全、可发现性等特征。数据产品的生命周期包括构思、设计、创建、发布、运营和治理、使用和价值创造以及退役等阶段。数据合同是实现联邦治理的一种形式，包括数据描述、数据架构、使用策略、数据质量、安全性、数据SLA和责任等。数据治理团队在数据产品的治理中起到重要作用。数据产品的发布和认证可以提供数据的可信度和标准化。最后，Databricks的数据智能平台提供了构建高质量数据产品的功能和工具。

Databricks推出治理中心（Governance Hub）测试版，提供账户级统一视图，集中监控数据健康、AI使用和成本，并给出优化建议。它支持数据资产分类、访问权限洞察、AI模型追踪及成本分析，集成Genie问答，无需SQL即可获取答案。管理员可快速启用，未来将增加更多治理功能。

Databricks平台与Unity Catalog可配置以符合日本金融业FISC安全指南，支持身份管理、网络隔离、加密、数据访问和审计。通过集中治理、权限控制和数据血缘，实现职责分离等控制，并集成备份恢复。提供FISC映射矩阵，明确客户与供应商责任，支持模型治理和AI安全，助力金融机构合规。

数据治理工具用于编目、保护、监控和审计数据资产，确保数据准确、可发现且合规。核心功能包括数据目录、血缘追踪、访问控制、质量监控和合规报告。工具分为独立目录、点解决方案、企业套件、平台原生和开源五类。评估需考虑可扩展性、集成、易用性、策略粒度、AI治理就绪度、总拥有成本和供应商支持。选择应基于实际需求，通过审计、定义需求、概念验证等步骤，避免忽视AI治理和真实数据测试。

数据网格与数据编织的核心区别在于：网格是去中心化的数据所有权模式，强调领域团队将数据视为产品；编织是集中化的自动化集成层，强调技术整合。多数企业采用混合方案，结合领域自治与集中治理。选择取决于瓶颈是组织性的还是技术性的。现代湖仓一体平台可同时支持两者，实现领域所有权与自动化治理的统一。