AI能读到数据，但读不懂业务：这个“翻译层”，90%的企业没有

“我们IT做的那些AI没啥用”

Kyligence韩卿：没有语义层，AI连门都摸不到

这是韩卿（Kyligence联合创始人&CEO）从一个银行业务老总那里听来的原话。IT部门花了大价钱搞AI系统，结果业务部门取个简单数据还得走人工工单。AI连门都没摸到。这话刺耳，但韩卿说他在一线见过太多。

问题出在哪？不是钱没花到位，也不是模型不够大。说穿了，没有语义层，安全、质量、权限这些"企业级"要求全是空中楼阁。AI连你在说什么都听不懂，你跟它谈权限分级有什么意义？

韩卿跟我打了个比方：现在很多企业建AI系统，是被纯技术团队带偏的。一上来就提数据安全、权限管控、质量治理——这些东西"听上去正确"，而且"没人敢担责"。你敢说安全不重要吗？你敢说权限不用管吗？但问题是，真正业务关心的东西——AI能不能理解我的报表、知不知道我这个部门怎么算业绩——往往在项目快收尾时被略过了。结果就是那个银行老总的感受：IT做的AI，业务部门根本用不起来。

什么是语义层？说白了，AI需要一个中间层来获取数据和业务上下文。它不是直接连数据库，而是先理解"这个表里的'客户'指的是签约客户还是意向客户""这个'收入'是含税还是不含税"。Kyligence过去十年就在做这个，行业现在叫它语义层（Semantic View），往大了说叫本体（Ontology）。

真正理解业务是什么？是知道企业关注什么指标、如何衡量业绩、哪些因素相关、什么变化值得行动。韩卿举了个保险客户的例子：这家保险公司有1000多人的团队长队伍，每人要管将近20个代理，加起来近2万人。以前团队长要看业绩，得专门登录一套报表系统，翻三四张表才能摸清自己团队的排名和缺口。大部分人看不懂复杂的交叉表，也没时间研究。现在Kyligence的AI系统直接推送业绩进展、横向对比、改进建议，团队长早上打开手机就能看到"你排名第几位、落后多少、该找谁谈"。管理半径提升近一倍。这背后的关键不是AI多聪明，而是AI先搞懂了保险业务里"业绩"怎么算、"好的表现"是什么标准、"改进"该往哪个方向走。

说到这儿，韩卿补充了一句："过去使用数据是一种特权，主要是管理者尤其是决策者在使用。"这句话点出了一个很多人没意识到的现实——数据门槛之高，把大部分一线人员挡在了外面。语义层这件事也不是Kyligence一家在说。Snowflake今年推了Snowflake Intelligence，核心就是在数据仓库之上加一层语义理解；Databricks的Unity Catalog也在往这个方向走；连Claude最近都在强调"结构化数据理解"。整个行业在往同一个方向走——让AI先听懂业务语言，再谈能做什么。

好，语义层的重要性说清楚了。但当你真正落地，会发现一个更扎心的问题。同一个"活跃客户数"，销售、运营、市场、财务四个部门拉出来，大概率是四个不同的数字。销售算的可能是"近30天有签约行为的"，运营算的是"登录过APP的"，市场算的是"留资的"，财务可能只认"已经付款的"。这事儿平时没人较真，各用各的，相安无事。但一旦AI开始参与决策，最先要标准化的不是数据，是指标。数据标准化解决"能不能用"，指标标准化解决"我们是不是真的在讨论同一件事"。

自然语言解决的是"怎么问"，指标体系决定的是"依据什么回答"。说白了，指标体系不会被AI取代。它跟AI的关系更像是地基和上面的建筑——AI越强大，越需要稳固的地基。否则你问得越花哨，塌得越精彩。未来的图景大概是：稳定的经营共识加上AI的动态分析能力。企业用指标体系守住"什么是对的"，用AI去探索"为什么变了、该怎么办"。数据与上下文将成为企业级AI的基础设施——不是可选项，是必选项。

那个银行老总的话其实还没说完。他说完"IT做的AI没啥用"之后，补了一句："我要的很简单，就是我张嘴问一个数，它能给我对的。"听起来要求很低。但在这个行业里混过的人都知道——这恰恰是最难的那件事。

语义层和指标体系解决了AI"听懂"的问题。但接下来一个更尖锐的问题来了：如果AI真的能直接回答问题了，BI这个行业还有存在的必要吗？韩卿被问到"AI会不会让BI消失"这个观点时，回答分两半。BI的专业性和深度分析能力，AI短期内替代不了。复杂的归因分析、多维度的交叉钻取、面向监管合规的固定报表——这些需要专业工程师投入的东西，BI会一直在。但BI作为独立工具的存在感，会快速下降。过去为了分析，你得专门进入一个BI系统，查看几张甚至上百张报表。现在，分析能力正在嵌入到CRM、经营系统、办公入口和Agent工作流里，自然发生，甚至无感。

过去，使用数据本质上是一种"特权"。主要是管理者，尤其是决策者在用。企业为此构建了海量的报表系统和Dashboard，层层叠叠，越来越复杂。但大部分人看到这些东西根本无从理解——你需要专业知识、业务经验，甚至得有一个分析师站在旁边给你解读"这个数字什么意思""为什么涨了""该不该担心"。韩卿说，AI数据分析真正该服务的是企业里70%以上的非技术人员。区域经理、一线运营、销售负责人、门店店长——这些人以前很少直接触碰数据，不是不想，是门槛太高。现在他们可以像对话一样向AI提问，相当于给每个人都配了一个专业数据助理。

更深层的变化在管理层。过去，决策者拿到的数据经过了层层汇总。区域经理报给大区总监，大区总监报给VP，VP再报给CEO。每经过一层人的加工，信息就衰减一次，甚至被刻意粉饰。CEO最后看到的，和一线真实发生的情况，可能已经是两回事。AI把这个链条打断了。决策者可以直接追问AI，穿透到任何一层细节。不需要等下周一的例会，不需要让秘书去要数据——凌晨三点想到一个问题，打开对话窗口就能得到答案。而且你问得越细，AI越不会烦。这会带来什么？人的角色开始两极分化。你要么成为决策的制定者——给AI系统提供业务know-how，制定策略和行动方向；要么成为决策的执行者——基于AI给出的行动方案去落地。夹在中间的"信息传递者"和"报表加工者"，空间会越来越小。

如果你觉得这些还太远，韩卿认为未来三年最大的变化其实已经开始了——Agent化。BI到AI分析，是工具的变化。分析到自动决策，是能力的变化。但更深层的变化，是企业数据能力的重新分布。过去依赖专业数据团队完成的基础分析——取数、做表、对口径——会逐步普惠到业务一线。更复杂的分析和判断，由人和AI共同完成。数据平台正在从"存储历史"变成"企业AI的认知底座"。这里面有个关键的区别。传统数仓主要回答一个问题：企业有什么数据？未来的数据平台还要回答另外两个：这些数据意味着什么？应该如何使用？这意味着数据平台里沉淀的不只是数据，还有指标共识、业务关系、分析逻辑和权限边界。如果AI能持续理解和调用这些能力，数据平台就不再只是存储过去发生了什么的仓库。它沉淀的是企业如何认识业务、如何形成判断、如何做出决策——说白了，这是企业的大脑。

韩卿：一句话，我们是在为 AI 提供企业级可信的数据和上下文。现在的 AI 非常强大，但它要真正理解企业业务，中间还缺一层准确的"翻译"。AI 需要一个中间层，来获取企业的数据，以及这些数据背后的业务上下文。这其实就是我们过去 10 年一直在做的产品和核心技术。现在行业里会把它叫做语义层，也就是 Semantic View；如果说得更宏大一点，也可以叫本体，Ontology。

韩卿：我认为最本质的变化，是使用对象变了。这里有两个变化。第一，是从管理层使用，变成基层也开始使用。第二，是从人使用，变成 Agent 也开始使用。过去使用数据是一种特权，主要是管理者，尤其是决策者在使用。所以企业构建了大量报表系统、Dashboard。但问题是，大部分人看到这些报表并不能直接理解，往往还需要专业知识、经验，甚至需要分析师来解读。今天，这个"解读"的工作已经可以由 Agent 完成，而且知识面更全，成本更低，效率更高。人类只需要通过 Skill 或知识库补充一部分信息。比如我们服务的一个保险客户，1000 多人的团队长团队管理着近 2 万人的代理团队。以前他们看到报表是很头疼的，因为很多人看不懂，也没有时间研究。但今天，Kyligence AI 系统可以直接给他们推送业绩进展、对比情况，以及如何改进。这个变化非常明显，基层管理半径几乎提升了一倍。

韩卿：成立。过去数据系统首先要把结果算得快、算得准，因为还要留出时间给"分析师"这种中间角色去解读、分析和总结。但现在，这些中间过程全部或者大部分都可以由 Agent 直接完成，甚至还可以继续追问、转换问题、处理临时问题。这在过去实现起来的代价非常高。比如销售下降 10%，算出这个数字只是起点。真正影响经营的是，能不能进一步识别问题到底来自区域、门店还是产品，并且结合 SOP 制定值得行动的方案。AI 带来的变化，是让数据分析从"给出数字"，继续走向"理解业务"，甚至"给出行动方案"。这会大大减少中间层，提升业务敏捷性。

韩卿：我非常认同。因为当越来越多业务人员、管理者和 Agent 都基于数据做判断时，数据系统承载的就不只是计算，而是企业如何定义问题、如何衡量经营、如何形成共识。通过知识的积累和 AI 的持续学习，这样的系统会直接成为企业的大脑，甚至能直接指挥其他系统和人类的行为。它不再只是一个数据提供层，而会成为企业决策和运营的基础设施。

韩卿：语义一致性非常重要，但更重要的是，这个"语义"到底意味着什么，对不同角色意味着什么。也就是业务上下文，这是最核心的。在大部分企业里，同一个"活跃客户数"，销售、运营、市场、财务等部门的理解和口径大概率是不一样的。尤其是这个 KPI 要用来计算业绩的时候，各种情况会非常复杂。所以，如果 AI 世界里不能解决这个问题，那么 AI 的结果就无法被认可，分歧反而会被更快放大。这里也不可能完全使用同一个口径，因为各部门视角本来就不一样。因此，如何确保语义的一致性和业务的灵活性，不只是数据治理问题，更是一个组织能否形成共同语言、共同认知，并基于同一套事实协同的问题。而这套体系，需要翻译给 AI，这也是语义层的核心价值。

韩卿：是在被显著增强。最近 Snowflake、Databricks，甚至 Claude 等都在推出各种语义层能力，这其实说明行业已经越来越重视这一层。而语义层是我们 10 年前就开始做的基础技术。而且，在过去语义层的基础上，AI 时代需要更多上下文。以前一个指标，只要定义维度，再加一些注释就可以了。但今天，我们的系统中已经支持各种标签、专家语义、知识库等能力。语义层增强的方向和方式越来越清晰。

韩卿：我认为反而会极其重要。自然语言解决的是"怎么问"，但指标体系决定的是"依据什么回答"。AI 可以动态生成分析路径，也可以帮助企业发现和重组指标，但核心经营指标不能每问一次就重新定义一次。收入、利润、客户、增长，这些指标背后，是企业长期形成的经营共识。所以未来不是指标体系被 AI 取代，而是稳定的经营共识与 AI 的动态分析能力结合在一起。数据与上下文会成为企业级 AI 的基础设施。

韩卿：读到数据不等于理解业务。真正的业务理解，是知道一家企业关注什么、如何衡量、哪些因素彼此相关、什么变化值得行动。所以 AI 要理解的不是一张表、一个数据点，而是一家企业如何认识、管理、衡量和经营自己的业务。

韩卿：如果一定要选一个起点，我会选指标。数据标准化解决的是"能不能用"，指标标准化解决的是"是不是在讨论同一件事"。AI 要参与判断，首先需要和组织使用同一套业务语言。人类自己之间其实就已经经常鸡同鸭讲了，如果 AI 应用不解决这个基础问题，只会给企业带来更大的混乱。比如，两份 AI 结论的数据结果不一致，企业应该如何核查？如何确定哪一份是对的，或者是不是全错了？如果不经过验证直接使用，带来的混乱是无法预测的。但指标不是终点。最终还是要进入流程，让发现问题、分析原因、形成判断和推动行动连接起来，形成业务闭环。

韩卿：我们认为，AI 数据分析首先应该服务企业中 70% 以上的非技术人员，也就是广大的业务人员和职能线同事。真正的结构性变化，不是让原来的分析师再快 20%，而是让过去很少直接使用数据的人开始用数据。一个区域经理、一线运营、销售负责人、门店店长，都可以直接从 AI 中获益。它就像给他们配了一个专业助理，可以和 Agent 交互，提出问题、追问原因、验证判断。未来还会再往前一步：AI Agent 本身也会成为数据系统的用户。所以数据系统最终要同时服务专业人员、普通业务人员和 AI。

韩卿：我不认为 BI 会消失，但 BI 作为独立工具的存在感会下降得很快。过去为了分析，用户要专门进入一个 BI 系统，查看几张甚至上百张报表。现在，分析会更自然地在 CRM、经营系统、办公入口和 Agent 工作流中实现，甚至是无感发生。业务人员不一定意识到自己"正在使用 BI"，但他实际上一直在使用数据能力。所以，消失的可能不是 BI，而是分析与业务之间那道明显的边界。

韩卿：肯定是语义。没有语义，谈安全、质量、权限这些，其实都是空谈。这也是当前企业构建企业级 AI 系统的通病：往往被纯技术团队带偏。事情还没开始做，上来一堆人就提各种"企业级"要求，尤其是安全、权限、质量，因为这些听上去都是正确的，也没人敢担责。结果企业花大量时间去解决这些问题，真正业务关心的东西反而被略过了。我最近碰到一个银行业务的老总，他直接跟我说："我们 IT 做的那些 AI 没啥用。"因为 IT 习惯先去搞这些对他们有价值的东西，但对业务来说，甚至连一个简单取数，依然走的是人工工单模式。数据质量、实时性、安全都有相对成熟的工程路径，但语义涉及一家企业如何定义客户、增长、风险和成功。更难的是，这些定义还分散在不同部门、系统和人的经验里，需要大量专业团队去构建。所以 AI 系统的构建一定要从业务出发，快速迭代。宁可抛弃一个系统再构建一次，也不要一开始就给企业内部真正的 AI 创新和使用套上一堆枷锁。

韩卿：我们接触很多企业后，一个很明显的感受是：很多企业沉淀了大量数据，却没有把"如何理解和使用这些数据"真正沉淀下来。分析师知道该查哪张表，业务负责人知道什么变化值得关注，管理者知道什么情况下需要行动。但这些知识大量存在于人的经验里。只要人一变化，这些知识就会隐没掉。所以 AI 应用做不深，往往不是因为缺数据、缺模型，而是缺少把数据、业务语义和分析逻辑连接起来的能力。当前对企业来说，最需要做的是把人脑中的经验蒸馏到 AI 系统中，同时把分散在各个系统中的信息和数据对接到 AI 系统中来。

韩卿：关键是让 AI 的判断有依据、有边界、可解释、可追溯。我们提出了"四个可信"来避免这里的风险。第一，可信的数据，数据结果一定要准确。第二，可信的权限，不同角色只能看到自己权限内的数据。第三，可信的过程，包括指标血缘、模型输入输出，以及可审计的记录。第四，可信的交付，结果一定可以被重新计算和人工验证。企业 AI 不能只追求"会回答"，更重要的是"可信任"。

韩卿：最大的变化是 Agent 化。从 BI 到 AI 分析，是工具变化；从分析到自动决策，是能力变化。但更深层的变化，是企业的数据能力开始重新分布。过去依赖专业团队完成的基础分析，会逐步普惠到业务一线。更复杂的分析和判断，则由人和 AI 共同完成。这改变的不只是数据系统，也包括企业的决策效率和组织运行方式。AI 一定会重塑企业的组织和管理模式。

韩卿：我认为会。数仓主要回答的是"企业有什么数据"。未来的数据平台还要回答："这些数据意味着什么，应该如何使用。"它需要沉淀的不只是数据，还有指标共识、业务关系、分析逻辑和权限边界。如果这些能力能够被 AI 持续理解和调用，数据平台就不再只是存储企业过去发生了什么，而是在沉淀企业如何认识业务、如何形成判断。这就是我理解的"企业 AI 认知底座"。