主数据治理是否真正支撑了 AI 经营决策，不能用“清洗了多少条数据”或“上线了多少模型”来证明。更可靠的判断是：AI 是否基于统一、可追溯、持续更新的业务事实，输出能够被经营人员理解、复核并执行的建议。
先验证数据能否还原经营事实
应选择一条完整价值链，例如“订单—计划—采购—生产—交付—结算”，抽查一笔订单，核对客户、产品、物料、BOM 版本、库存批次、生产工单、质量记录、发运和收入确认是否能够贯通。若同一物料在研发、采购、库存、生产和财务中存在多个编码，或者产品版本与实际投产版本不一致，AI 得出的毛利、交付风险和库存建议就缺乏可信基础。
验证重点不是系统之间是否完成接口连接，而是关键对象是否保持同一语义。订单完成率、准时交付率、材料成本和产品毛利必须有明确口径，并能追溯到来源系统、统计时间和计算过程。对于同一个经营问题，不同部门若得到不同答案，说明治理仍停留在数据同步层面。
再验证 AI 输出是否可解释、可追责
AI 查询经营数据或识别异常时，至少应展示数据时间、统计口径、来源系统和计算过程。库存风险预警不能只提示“可能呆滞”，还应关联需求、订单消耗、替代料关系、工程变更和具体库存批次。预算偏差分析也应说明异常来自材料价格、产量波动、费用超支还是订单结构变化。
同时，要保留模型版本、规则版本、输入范围、输出结果、人工复核和最终执行记录。若无法回答“建议依据什么数据、由谁确认、执行后结果如何”，这项 AI 能力就还不是可审计的经营工具。
最后看业务结果，而非演示效果
验收应建立治理、流程、经营和智能四类指标，包括关键字段完整率、BOM 准确率、接口成功率、订单毛利可见率、库存风险识别准确度、建议采纳率和异常闭环率。项目启动时先形成基线，试点阶段持续复盘，再比较改善幅度。
真正有效的主数据治理，会让管理层更快看清成本、交付、质量和库存问题，也让业务人员愿意使用并纠正数据。若 AI 只能生成漂亮报告，却无法进入预算、采购、生产和质量流程，问题通常不在模型，而在主数据责任、指标口径和业务闭环尚未建立。