苗治勇：AI问数要精准，语义平台该如何搭建
AI问数正逐步演变为数据消费领域的基础能力，但行业普遍存在一个难题：大模型在直接回应业务数据查询时，经常产生幻觉、结果不稳定、置信度偏低等问题。尤其在Text2SQL场景里，仅依赖模型训练知识或文本召回方式，很难保证结果的精准与一致。模型并不了解"营收"在贵司的统计口径，不清楚"活跃用户"的统计周期是7天还是30天，也不知道两张表该以哪个字段进行关联——它只是在猜，而猜错了用户甚至无法察觉。语义层的价值，正是在大模型与底层数据资产之间注入一层强约束的知识体系。它把指标、维度、实体、业务流程、物理实现、SQ
AI 的瓶颈不在智力而在上下文：企业缺失的恰恰是本体层
不妨先抛出一个问题：向你公司的 AI 助手提问，“上个季度 B 产品线的利润率是多少？”若系统不止一套，大概率会冒出两个结果。一个源自财务报表，另一个取自销售报表，而“B 产品线”在两边口径压根不同。模型照搬照套——自信满满、对答如流、却谬以千里。不少人归咎于模型不够机敏，或数据太过杂乱。Databricks 掌门人 Ali Ghodsi 却另有一番见解：AI 不存在智能层面的难题，AI 真正的难题是 Context。先认清一个事实：当下的大模型已然足够聪明。编程、翻译、逻辑推演，皆是手到擒来。然而一旦踏
AI越强，数据越乱？别让智能变成风险
前言当你的 AI 智能体不再仅仅满足于回答问题，而是开始替你做决策、谈生意时，它最畏惧什么？并非算力匮乏，也非算法低劣，真正的问题在于——它无法理解你手中那些“各自为政”的数据。AI越智慧，数据的“歧义”就越致命绝大多数企业已解决了“数据获取”难题，但“数据理解”正演变成新的噩梦：同一个“销售额”，销售、财务、运营部门的定义是否统一？当 AI 需为客户制定方案时，该采纳谁的指令？若 AI 决策出错，你能追溯是哪条数据“误导”了它吗？随着 AI 从“仪表盘”进化为“数字员工”，数据理解的误差已不再是小麻烦，
AI愈发强大,SaaS将陷入危机还是迎来升值？
软件层级通俗类比代表公司Agent蕴含的契机Agent引发的隐忧席位制应用层按人头计费的办公桌模式Salesforce、SAP、Atlassian借助现有数据资产与客户通路推广AgentAgent压缩人力参与与席位用量，客户也可能自行搭建消费级基础设施提供水电管网与仓储服务Datadog、Snowflake、CloudflareAgent推升查询、运维日志、网络流量与运算需求Agent同样会精简代码、压缩日志并缓存请求数据提炼与语义层级将原始素材加工为即用型预制件Atlassian、Palantir、Sa
智能时代，企业亟需的不只是图谱，更是理解业务的数据基石
一位顾客来到酒店前台，说道：“我上次入住体验很好，这次想订一间类似的，但需要更安静，离电梯远一些，最好还能看到点风景。另外，我太太明天早上七点要用车去机场，麻烦帮我安排一下。”这句话并不复杂。普通人听了，大致能明白顾客的需求。但一位真正出色的前台，理解的不仅仅是几个关键词，而是背后一整套业务逻辑。他需要弄清楚：这位顾客是谁？上次住的是哪间房？“类似房间”是指面积、楼层、价格，还是床型？哪些房间更安静？哪些离电梯远？哪些能看到风景？顾客的会员等级如何？是否有升级资格？太太是否也在订单中？明天早上七点是否有车
当大模型趋于同质化，语义层才是企业AI的核心底座
直播推荐如今我们重新审视企业 AI，焦点已不再是"要不要引入"，而是"为何多数企业仍难以做好"。过去两年，大量企业走完了从"零接触"到"试点遍地"的初级阶段。然而当 PoC 真正迈向生产、融入流程、嵌入经营时，一系列结构性问题集中爆发：模型能力持续提升，业务效果却难以保持稳定；Demo 愈发惊艳，组织却愈发不安；技术叙事愈发宏大，价值落地却愈发艰难。这些问题的根源并非模型，而是企业是否具备承载 AI 的完整基础架构。这正是 2026 年全球数
AI数据治理核心内容解析
近期众多企业提及AI，首先想到的是部署大模型、搭建智能体、构建知识库。说实话，这个方向是正确的。但经过多年数据工作，目睹众多项目后，我愈发确认一点：AI项目最终能否落地，表面取决于模型，底层则依赖于数据治理。那么，问题来了。AI数据治理究竟要治理什么？并非简单清洗数据，也不是建几个数据表，更不是购买一个平台就了事。它真正治理的是五个方面。过去进行数据治理，通常是为了报表、指标、监管、经营分析。现在情况不同了。AI需要利用数据，不仅仅是“能查到”就行。它还要具备理解能力。例如，企业拥有一堆制度文档、项目材料
智能问数实战路径：治理与AI协同演进落地手册
自大模型掀起智能问数风潮以来，行业已历经四轮技术革新。从RAG、模型微调，到Agent自主探索、多智能体流水线，再到语义层深度融合，技术方案持续加速演进。然而，真正扎根业务日常、被高频使用的智能问数系统，却寥寥无几。针对这一困局，业内逐渐形成两种诊断思路。一种将失败归咎于大模型本身的能力瓶颈。另一种则指出，问题核心在于项目定位的错配——许多团队将智能问数当成纯粹的AI工具来开发，忽视了它本质上是一场对数据基础的重塑工程。作为管理咨询从业者，我们的角色并非在两种声音之间选边站队。而是设计一条既能直面治理现实
AI 浪潮迫使企业重构语义层
提及语义层，过往常被视为数据分析领域的陈旧议题。大众脑海中浮现的，往往是统一指标口径、消除报表冲突。然而置于当下，这般认知已显局限。真正将语义层再次推向舞台中央的，并非传统 BI，而是人工智能。缘由在于，当 AI 开始深度介入分析、问答及决策辅助时，其面临的挑战不再局限于“数据是否存在”，更核心的是“这些数据在企业语境下究竟是何含义”。收入如何确认，客户怎样界定，订单完成以何系统为基准，此类事项昔日可隐匿于经验之中、固化在报表之内，或依赖各系统间心照不宣的默契。如今却行不通了。一旦系统直接调用这些数据，过
逻辑数据管理厂商Denodo斩获年度大奖，大中华区掌门人何巍揭秘企业AI可信数据底座构建之道
2026年5月30日，备受瞩目的"人工智能+与行业变革机遇"第十二届中国行业数智化大会暨CIO时代21周年庆典在历史文化名城洛阳拉开帷幕。本次峰会以"人工智能+"战略在各个领域的规模化落地为核心议题，汇集了来自汽车、能源、制造、公共服务等多个行业的权威专家与企业高管，共同研讨AI技术驱动下的产业升级新路径。作为国际领先的逻辑数据管理解决方案提供商，丹诺德软件（Denodo）受邀参与本次行业盛会。丹诺德全球销售副总裁兼大中华区掌门人何巍先生发表了深度主题演讲。大会颁奖典礼环节，丹诺德凭借其在技术创新与行业实
AI时代下，企业架构将何去何从
关于"AI对企业架构的影响"，近期业界热议不断。有观点指出，AI不过是人的延伸工具，企业架构作为经过实践检验的知识框架依然有效。也有声音表示，AI将重塑应用形态，甚至可能导致传统应用架构逐步退出历史舞台。还有看法认为，架构本身不会消亡，但交付模式、管控方式以及架构师职能都将发生深刻变革。这些论断看似相互矛盾，但在我看来，许多分歧并非根本立场相左，而是因为各方讨论的"架构"根本不在同一层次。先给出基本结论：AI不会使企业架构走向消亡，但会削弱"以系统为核心"的架构模式，促使企业架构向"以能力为核心"的管控体
拒绝AI沦为摆设：本体技术是企业智能的核心引擎
企业AI应用深陷“高投入低产出”困境，症结不在算法，而在于AI不懂业务逻辑。破局之道在于利用“本体”为AI构建理解业务的“大脑”，通过数据治理与业务逻辑双轮驱动，实现从单纯“问数”到实际“做事”的跨越。一、企业AI的“三道坎”：从“工具”进阶为“伙伴”的艰难历程过去十八个月，企业对AI的认知起伏跌宕，历经三个典型阶段，本质是从“玩弄模型”到“深耕业务”的认知飞跃。1.0 阶段：技术自娱期（工具人）彼时，AI仅是CIO手中的“玩具”。比拼的是模型参数规模与算力强弱。AI角色局限于高级搜索引擎，能回答“报销规
AI原生架构与外挂AI的差距：无底层支撑的智能化从一开始就是输家
在印刷包装行业，越来越多的ERP厂商声称已“集成大模型”“具备AI功能”。但残酷的现实是：缺乏AI融合技术底座的支持，所谓“智能化”可能从起步就已落后。这，正是这个时代的特征。关键不在于我提供什么功能，而在于你想解决什么问题——你完全可以成为数字化系统的赋能者、建设者、掌控者。本期，我们以前BAT技术专家、迅越技术负责人黎总的视角，深入对比AI原生架构与ERP+AI外挂模式的根本差异，揭示什么才是真正面向未来的AI原生架构ERP。黎总直言不讳地指出：“AI原生架构与ERP+AI外挂，最根本的区别在于我们对
当AI隐入业务深处：企业智能迈入“无感”新阶段
从不确定性到确定性，为何交互式AI逐渐式微，而深度融合业务的“静默AI”正成为趋势市场部的王磊近来有些困扰。公司上月投入不菲引进了一套AI对话助手，宣传称“通过自然语言交流即可分析数据”。客观地说，处理简单询问时确实高效——诸如“上月销售总额多少”、“A产品库存剩余情况”，提问后立刻回应，数据也基本准确。王磊起初也觉得颇为便利。然而问题出现在他希望进行更深层次探究时。那天他尝试做一个稍复杂的分析：“请帮我对比华东区域新产品与旧产品上个季度的毛利率变动，分析新产品是否拉低了整体利润。”第一次提问，AI给出一
AI浪潮下企业数据语义体系的再思考
数据语义层的问题，曾几何时被视作数据分析领域的老生常谈。很多人提到它，脑海中浮现的便是统一指标定义、避免报表冲突之类的话题。放在当下，这个认知已经落伍了。真正把语义层推至风口浪尖的，并非传统BI工具，而是人工智能。原因在于，AI一旦介入分析、问答与决策支撑环节，它所面对的不仅是“是否存在数据”这类基础问题，更深层的是“这些数据在企业语境中究竟代表什么”。营收如何认定，客户如何界定，订单完成时间以哪套系统为准，这些细节以往可以藏身于业务经验中、流散于各类报表里、隐没在系统间心照不宣的惯例中。如今行不通了。只