关键要点：如果数据质量低下或信息组织混乱，组织就无法实现值得信赖的人工智能。通过系统性地减少冗余、过时或琐碎（ROT）的数据，实施有据可依的保留和处置政策，强化信息架构，并对人工智能内容进行治理，组织能够构建一个更清洁的数据环境，从而产生更准确的人工智能输出结果，降低风险，并支持在更大范围内负责任地采用人工智能。 

随着组织在负责任的人工智能就绪之旅中不断前进，每一步都朝着同一个目标迈进：确保人工智能基于值得信赖、安全、合规且治理完善的信息。 

生成式人工智能工具的实用性取决于其能够访问的数据，而数据的质量直接影响最终结果。负责任的人工智能准备之旅始于审慎且有目的的人工智能实施。该 10 步计划中的第七步侧重于组织能够掌控的实践层面：数据生命周期管理。 

其目标有两方面。首先，通过减少低价值或过时的内容来提升人工智能的处理结果。其次，通过一致且具有可辩护性的方式，对内容（包括人工智能工具生成的数据）应用保留和处置政策，从而降低风险。 

为何数据生命周期管理会直接影响人工智能的准确性 

传统上，数据保留一直被视为一项合规要求。然而，当数据被无限期保留或应用方式不一致时，组织将面临可量化的成本和风险。过量的数据会增加存储成本，使数据检索变得复杂，并在用户和人工智能系统尝试检索相关信息时，导致信噪比恶化。 

数据质量低下也会导致人工智能输出结果变差。当过时、冗余或琐碎的内容占据数据集的主体时，AI 工具更容易呈现出无关或误导性的信息。这种状况会给决策、监管应对以及诉讼风险带来隐患。 

一套成熟的数据生命周期管理方案可以扭转这一局面。它使组织能够保留必需的数据，处置不再需要的数据，并确保对高质量、相关内容的访问。这使组织既能满足合规要求，又能提升 AI 性能。 

生命周期优化的实际应用 

数据生命周期管理是一项持续进行的运营管理实践，涵盖信息的整个生命周期，包括创建、存储、使用、保留、归档和删除。有效的管理方案通过将数据保留和处置纳入日常运营，从而提升数据的完整性、安全性、合规性以及运营效率。 

一个切实可行的生命周期项目通常包括： 

• 治理：定义角色、决策权限和政策标准，以满足法律、监管和业务要求。 
• 资产清点：清晰掌握现有数据、其存储位置，以及哪些内容属于敏感或受监管信息。 
• 保留：制定清晰且可执行的规则，并确保其在各系统和内容类型中得到一致应用。 
• 可审计性：通过持续报告，确认团队执行政策、管理例外情况，并确保处置操作具有可辩护性。 
• 自动化：实现生命周期政策的自动化，减少对终端用户手动管理记录的依赖，并支持政策的统一实施。 
• 信息架构：为人工智能做好准备而组织数据 

信息架构通过确保保留的数据在适当情况下实现集中化、逻辑化组织、一致性标注，并明确归属与访问控制，从而增强人工智能的就绪性。在 Microsoft 365（M365）中，这意味着需要优化 SharePoint 站点结构、Teams 工作区、元数据、权限以及权威数据源，以便用户和 AI 工具能够查找、理解并信赖正确的信息。其目标是超越单纯的数据保留，构建一个有序的信息环境，从而支持更准确、更相关且更负责任的 AI 成果。 

减少风险内容、过时内容或琐碎内容，以提升人工智能效果 

数据生命周期管理的一大关键优势在于，通过可辩护的数据最小化措施来减少生成式人工智能的“幻觉”现象。在大多数环境中，随着时间的推移，相当一部分内容会变得冗余、过时或琐碎（ROT）。如果没有生命周期管控措施，这些内容就会不断积累，从而稀释可用信息的质量。 

生命周期优化可系统性地解决这一问题。通过精心设计的保留策略，实现一致且具有可辩护性的删除操作，组织既能减少 ROT，又能保留必要且有价值的内容。这确保了搜索、检索和 AI 输出均基于更相关、更可靠的数据。 

一个实用的行动模型 

一个实用的生命周期计划明确了有效管理信息所需的能力；下文的行动模型展示了如何将这些能力应用于人工智能就绪性工作。 

• 优先处理数据存储库：组织首先应识别最有可能影响人工智能输出的数据存储库和协作空间。
• 评估风险：评估这些环境中的“已删除、过期或无用”（ROT）数据、保留期限缺口、所有权不明确的情况，以及需要治理的人工智能内容（如提示词、摘要、记录和输出结果）。 
• 制定规则：基于上述评估，法律、合规、记录管理及业务相关方共同制定具有法律依据的保留、处置和数据最小化规则，在保留必要信息的同时，减少可供AI工具使用的非必要数据。 
• 试点控制措施：在优先领域试点实施这些规则，监测其准确性和对用户的影响，并在全环境推广前进行优化。 
• 衡量成效：随着时间推移，通过 ROT 的减少、政策覆盖范围的提升、具有法律依据的删除操作，以及支持更干净、治理更完善的数据的高质量 AI 输出，来衡量成功程度。 
• 强化信息架构：对优先级高的存储库、站点、工作区、元数据和所有权模型进行组织，以便用户和 AI 工具能够更轻松地查找、理解和信任保留的数据。 
• 合规要求：管理人工智能数据 

随着组织采用人工智能工具，它们也会产生新的内容类别，包括提示词、输出结果、摘要以及其他人工智能生成内容。这些数据类型必须纳入生命周期规划。 

一套全面的生命周期策略应明确规定哪些人工智能内容将被保留、存储位置以及管理方式。这些决策必须符合法律义务、监管要求和业务需求。如果没有明确的管理机制，采用人工智能反而会带来风险，而非降低风险。 

如何大规模实施数据生命周期策略 

组织通过使用企业信息治理平台，将政策要求转化为协作、通信和内容存储库中的运营控制措施，从而大规模实施数据生命周期政策。例如，在 M365 中，Microsoft Purview 提供了一个用于大规模实施生命周期和记录管理的框架。该平台使组织能够将政策意图转化为可执行的配置。常见的生命周期控制措施包括： 

• 应用于 Exchange、SharePoint、OneDrive 和 Teams 等工作负载的保留政策。 
• 在项目或文档级别应用的保留标签，可通过手动或自动化方式实施。 
• 动态定位机制，允许策略根据属性进行调整，而非基于静态分配。 
• 支持审查、审批以及可辩护处置证明的处置工作流。 

目标并非以工具为先，而是构建一个系统，使策略能够随着时间的推移持续、一致地应用、监控和优化。 

数据生命周期管理的可量化效益 

有效的数据生命周期管理能够帮助组织实现对领导层至关重要的目标： 

• 满足监管和法律要求。 
• 通过一致地执行政策来降低风险。 
• 控制存储和运营成本。 
• 提高人工智能输出的质量和可靠性。 

坚实的数据生命周期基础还能通过确保底层数据环境目标明确且治理完善，从而促进生成式人工智能的广泛采用，进而为用户提供更优质的输出结果。 

维持数据生命周期管理所需的要素 

通过协调政策设计、技术配置和运营支持，组织能够将数据生命周期管理付诸实践。这包括根据业务需求定制保留策略，通过可辩护的删除减少冗余、过时或无用（ROT）数据，以及通过分类和自动化保持精简的数据足迹。 

生命周期策略管理应首先聚焦于 M365，因为它通常是企业内容被创建、共享、保留以及由 AI 工具访问的主要协作和生产力环境。在 M365 环境中，组织必须在 Exchange、OneDrive、SharePoint、Teams 以及 AI 内容上应用生命周期控制措施。应明确分配所有权、监控策略覆盖范围、衡量处置活动，并随着业务、法律、监管及数据环境的发展，持续改进保留和治理实践。 

通过相同的生命周期治理模型管理所有其他企业数据源，即使您是通过不同的平台或运营流程来实施控制措施。根据风险和业务价值，对文件共享、遗留存储库、业务线系统、数据库、归档系统和第三方平台进行盘点并排序。将其与保留和处置要求进行映射，并通过明确的归属关系、可重复的审查周期以及具有法律依据的删除实践来实施治理。 

确保您的数据环境能够产出高质量的AI结果 

优化数据生命周期管理是提升AI产出质量并降低风险的最直接途径之一。通过减少冗余和低价值数据、规范数据保留实践以及确保数据处置具有合理依据，组织能够营造一种环境，使AI能够更准确地呈现相关信息。 

第七步通过最大限度地减少低价值数据，帮助组织降低“幻觉”现象。它确保企业内容和 AI 内容均通过全面的生命周期策略进行治理。 

了解更多关于 Epiq 信息治理的信息。 


朱莉·科尔根（Julie Colgan），客户战略与信息治理副总裁 

朱莉·J·科尔根（Julie J. Colgan）致力于帮助各类组织识别、理解、优先排序并管理与其信息资产相关的风险与机遇。作为拥有超过25年从业经验的实践者和值得信赖的顾问，她专注于提供将信息治理战略与业务运营相融合的切实可行的解决方案。 

鉴于她对协会及该行业的贡献，ARMA 于 2019 年将其吸纳为“院士团”（FAI）成员。她持有由注册档案管理师协会（Institute of Certified Records Managers）颁发的注册档案管理师（CRM）资格证书，以及由 ARMA 国际组织颁发的注册信息治理专业人员（IGP）认证。