四位AI专家共识：企业竞争转向数据与语义层

在上海举行的一场闭门圆桌中，Snowflake全球产品总裁Christian Kleinerman、开源数据基础设施公司负责人郭炜、Snowflake亚太解决方案工程负责人杨扬，以及企业AI应用从业者霍太稳进行了45分钟全英文讨论。四人的工作分别覆盖数据管道、平台架构、客户交付和应用层，但现场没有出现明显争论，最终都将企业AI的瓶颈指向数据及其语义表达，而非模型本身。

郭炜提到，他走访美国企业后发现，客户谈得最多的并不是大模型，而是数据和语义层。模型可以低成本更换，数据却很难迁移。Christian将语义层称为连接自然语言与物理表结构的“胶水”，缺少准确语义，模型输出就只能依赖运气。服务过100多家大型企业的经验也显示，总部与区域无法统一数据口径，往往比技术问题更难解决；AI-ready数据、知识，以及人的判断力和审美同样不可缺少。

郭炜还分享了一个具有代表性的失败案例：一家主营数据集成和ETL的公司，想为自己搭建销售Agent，却因数据分散在Salesforce、Confluence、微信和Slack等系统中而无法推进。这说明即使专业团队理解数据基础设施，企业内部仍可能缺少统一底座。四位嘉宾由此形成共识：数据质量和语义一致性，正在成为跨平台、跨应用的共同难题。

这一共识并不意味着竞争结束，反而意味着“看得早”的红利消失。类似移动互联网在2010年前后从判断变成常识、云计算从少数人的预判进入普及阶段，方向公开确认后，行业会迅速涌入投入，竞争转为谁做得更深、更快。接下来至少要比三件事：行业纵深、把经验沉淀为系统资产的速度，以及最高管理者是否真正介入。

行业纵深无法用通用方案替代。零售要先统一“动销”等指标口径，银行必须保证结论可追溯到表和规则，制造业则常要先补齐设备、工艺、良率等尚未数字化的数据。企业做得越多，积累的口径库和异常案例越丰富；如果新客户首个场景从首次交付的三个月缩短到后续交付的三周，这段时间差就是难以复制的资产。

经验沉淀的速度往往相差十倍，关键不在技术，而在组织协作。业务专家缺少记录动力，数据团队又未必能判断业务逻辑，较有效的方式是把“为何如此决策、还考虑过什么”嵌入审批流程，而不是另行布置文档任务。与此同时，仍在岗位上的资深员工掌握着大量未书面化经验，若不及时记录，人员退休或转岗后将难以补回。

数据归拢、口径统一和权限治理的成本发生在当期，收益却可能要到一两年后才显现，且难以准确归因，因此项目不能只挂在信息部门名下。真正的一把手工程，还需要最高管理者在销售与财务、总部与区域口径冲突时作出最终裁决，并承担判断责任。方向一致后，行业才进入速度和深度的较量：一年之后，谁的行业积累更深、沉淀更快、管理层投入更真，差距将逐渐显现。