返回资讯中心
外部精选
云计算
#容器平台#AI Agents#AI Strategy#Data#sponsor-precisely

文章:语义层将成为企业AI的关键基础设施

来源标题:Why semantic layers will be essential for enterprise AI

企业AI代理虽已能通过MCP等标准接入CRM、数据仓库和ERP,但缺乏语义理解会导致其自信地给出错误答案。文章指出,同一词汇如"pipeline"在不同公司的销售流程、预测方法和区域结构中含义各异,企业真正依赖的是共享含义而非原始数据。随着系统从记录系统转向代理系统,语义层将成为企业AI不可或缺的组成部分。

The New StackDave Shuman2026/11/9 · 8 天前15 分钟阅读

以下正文由 AI 翻译自 The New Stack(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

AI 能找到你的数据,却读不懂你的心思。AI agent 已经可以接入你的 CRM、数据仓库和 ERP,而借助 MCP 这类标准,可接入的系统还在不断增加。接入问题已经解决,理解问题还没有。一个 agent 可以检索出你销售管道中的每一条记录,却仍然给 CRO 一个错误答案——不是因为数据质量差,而是因为它不知道你说的“管道”到底指什么。没有语义层的 agent 不会大声报错。它们会用自信满满的答案,回答一个被理解错了的问题。

“管道”在每家公司含义都不同

问一位高管:“这个季度管道情况怎么样?”听起来是个简单的问题。其实不是。答案取决于你的销售阶段、预测方法、区域划分和商机资格标准——这些业务规则历经多年演化而成,而且往往从未被写下来。两家公司可以用同一个词,表达的却是完全不同的意思。企业不是靠原始数据运转的。它们靠共享语义运转,而人类把这种语义装在自己脑子里。Agent 没有脑子。它们只有我们给它们的东西。

从记录系统到代理系统

随着工作方式发生变化,这一点变得更加重要。几十年来,员工登录 CRM、BI 工具或 ERP,自行提供判断,因为他们知道该信任哪个仪表盘,也知道哪个字段从来都不太对。现在,他们只需说明意图,agent 会搞定其余部分。 记录系统原地不动,但在人与技术之间多了一个新层:代理系统。以我的经验,领导者花大量时间追问这一层能否连接一切,却很少追问它是否理解任何东西。如果这一层不理解你的业务,它下面的一切都无关紧要。

数据目录帮人找到数据,语义层帮 AI 理解数据

过去十年,我们在治理、集成、质量和数据目录上持续投入,这些投入仍然重要,因为可信数据是前提。但数据目录告诉人们数据在哪里,语义层告诉 AI 数据是什么意思。它把最优秀的员工脑子里的东西沉淀下来:

  • 业务定义,比如什么算“管道”、“流失”或“活跃客户”
  • 治理数据使用方式的策略
  • 产品、客户、合同与结果之间的关系
  • 决定决策如何做出的规则 “数据目录告诉人们数据在哪里。语义层告诉 AI 数据是什么意思。” 把这些整理成人和机器都能消费的形式,agent 就不再靠猜。这不是锦上添花。它决定了 agent 是技术上可用,还是运营上可靠。

价值藏在关系里

定义只是一半,因为业务决策很少只存在于单一数据集中。它们取决于概念之间如何连接。以 AI 驱动的报价流程为例:agent 需要同时拿到产品、合同、客户历史、使用模式、审批结构和定价规则,而每一项都住在不同的系统里。检索它们只是简单部分。 跨这些信息进行推理才是困难部分,而且当 agent 推理出错时,它不会抛出错误。它会生成一份看似合理但折扣错误的报价,然后发给真实客户。这正是知识图谱和上下文图谱的价值所在。它们把信息当作相互连接的业务知识,而不是孤立事实,于是 agent 不必从散落的记录中拼凑客户故事,而是拿到一张你的业务如何拼合在一起的地图。

语义也是效率手段

没有编码的上下文,agent 会花算力重新发现关系、重新推断你的组织早已理解的语义,于是每次查询都变成一次小型重建。定义一次,每个 agent 都从同一来源推理。这意味着答案更一致,团队之间矛盾更少,且随着使用规模扩大成本更低。一致性被低估了。如果销售、财务和运营从同一个 AI 对同一个问题各得到不同答案,你构建的不是智能,而是一场争论。

现在人人都能构建,但不是一切都该规模化

生成式 AI 终于兑现了公民开发者的承诺。员工可以用自然语言描述一个工作流,然后拿回一个可用的原型,这意味着好点子可以来自任何地方。这是机会所在。 “如果销售、财务和运营从同一个 AI 对同一个问题各得到不同答案,你构建的不是智能,而是一场争论。” 风险在于:帮助一个人的工具是便利,而同一个工具在未经验证、治理或无人负责的情况下部署到各部门,就是负债。组织需要一条从实验走向企业资产的路径。我把它想成一座毕业工厂:找出有潜力的原型,测试它们,施加治理,然后提拔那些真正合格的项目。创新应该容易启动,但不应被轻率规模化。 同样的基础原则在这里适用。只有 12% 的组织表示他们的数据已为 AI 就绪,只有 31% 能把 AI 举措与明确的 KPI 挂钩。语义和治理正是缩小这一差距的方法。

我会从哪里开始

你不需要一个多年计划才能取得进展。从小处开始,并证明有效:

  • 挑出高管们争论最多的五个术语,并给它们下定义。
  • 为每个定义指定一位业务负责人。
  • 通过受治理的层把这些定义暴露给你的 agent,然后衡量答案是否改善。 语义和数据一样,必须被管理。必须有人对它负责。

结论

把 AI 连接到你的数据只是入场券。人人都会做,所以它不会让你与众不同。可信数据是前提。共享语义是乘数。把 agent 连接到一切,你只是建好了访问能力。教会它们你的业务如何思考,你才建立起优势。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →