Agentic AI预算不应仅用于模型

上周我们刚探讨过海外数据基础设施领域的一系列最新动态——Gartner在2026年5月的伦敦D&A峰会上明确指出：缺乏语义与上下文支持，AI Agent 更容易产生错误的判断，导致无效支出增加，并放大治理风险。紧接着，Snowflake 推出了 Horizon Context 和 Cortex Sense，将语义信息、数据血缘、BI定义、查询历史等全面整合进平台；Databricks 则在 Unity Catalog 中强化了 Glossary、Domains、Metrics 和 AI Gateway，使 catalog 从单纯的资产记录系统，转变为约束 Agent 行为的治理层；Microsoft 也发出警告，没有语义上下文的 AI 只是一个“自信的猜测者”。

这一系列信号清晰地表明：语义层与上下文层，正在成为 Agentic 时代不可或缺的战略级基础设施。

将目光转回国内，许多企业的数据团队其实并不缺乏对语义层价值的理解，真正的瓶颈往往在于组织共识的凝聚与资源投入的决心。技术团队心知肚明：指标口径不统一迟早会引发问题，自然语言查询不能直接架设在裸表之上，缺乏可追溯证据的 AI 分析根本无法进入经营决策。然而，一旦进入预算讨论与项目规划阶段，语义层、指标治理、数据上下文建设这些环节，就常常被视为“能省就省”的负担，被边缘化。本文的目的正是要打破这一误区，让企业正视一个事实：大模型的兴起，非但不应让数据治理松懈，反而要求我们在既有数据治理的基础上，进一步加码语义与上下文的治理力度。

语义层一直存在，过去依赖「人肉」记忆，如今需要转化为「机器可读」的资产

过去，企业的数据消费主要依赖人力。数据平台负责加工数据，BI 系统负责交付看板，而理解业务含义的则是分析师、财务 BP、运营负责人、数据产品经理以及各类业务专家。报表中的数据口径、分析需求的上下文、某个字段为何不能直接相加、某个地区为何需要排除特定门店类型……这些隐性知识全部依赖人来解释和兜底。然而，AI Agent 并不能天然继承这些隐性知识。

当 AI Agent 开始扮演新的数据消费者角色时，它需要查询数据、组合指标、解释变化、生成报告、发起追问，甚至直接嵌入到销售、财务、供应链、客服、经营管理等具体业务场景中——销售 Agent 需要理解客户、合同、商机与回款；供应链 Agent 需要理解库存、履约、预测与异常；财务 Agent 需要理解收入、成本、预算与经营口径；运营 Agent 需要理解活动、人群、转化与渠道归因。要让这些 Agent 顺利工作，企业就必须将过去依赖人力补全的语义和上下文，沉淀为机器可以读取、调用、校验和更新的数据资产。

因此，语义层本质上是一项全新的治理投入。如果企业希望 AI 能够精准地查询数据、自动归因、生成经营报告、辅助业务决策，就必须投入资源建设指标口径、维度体系、权威数据源、业务术语、权限规则、样例问题、评测集以及纠错机制。缺乏这些投入，AI 只能在残缺的上下文中进行盲目猜测。猜得像，不代表答得对；答得顺，不代表能进入决策。这也是海外厂商与分析机构正在共同塑造的市场共识：AI-Ready Data，就是将数据转化为可理解、可治理、可追溯、可被 Agent 使用的核心资产。

语义治理天然容易获得业务方的深度参与

然而，这并不意味着企业要回到那种漫长、沉重、容易失去业务支持的传统数据治理老路。语义治理存在一个重要的结构性变化：它可以从实际业务使用中自然生长出来。

传统数据治理的对象是物理表、字段、ETL 任务与技术元数据。治理动作往往成为事后补文档、补标准、补流程的任务，业务方难以感受到短期收益，参与度自然有限，久而久之，治理就演变成了技术团队的单向负担。而语义层将治理对象转换为业务方能理解的指标、度量、维度、限定条件与分析口径。一个分析口径一旦定义完成，便能在报表、自然语言查询、下钻分析、归因分析、Agent 报告等场景中被反复调用。这类治理更容易赢得业务方的参与，因为它直接关系到业务能否问清楚、用明白。

在 Aloudata Agent 与 Aloudata CAN 的语义层架构中，指标与维度的定义过程，本身就是核心业务实体与术语标准化的过程，也是分析视角的组装过程（即我们常说的“管、研、用一体”）。当业务需求发生变化时，直接调整语义层即可，无需反复重写底层 ETL 与报表 SQL。查询由语义引擎进行确定性编译，分析结果可以回溯到指标查询、SQL 等证据来源。因此，语义治理带来的组织体验截然不同——它不再仅仅服务于“合规”目标，而是为了让业务更快、更准地使用数据而治理，治理成果能够直接被业务方看见。

务实方案：边用边治，以用促治

当然，语义资产的构建不可能一蹴而就。务实的路径必然是渐进式的。正如我们反复强调的，首先应选择一个高价值的业务领域，治理一组最常被查询、最容易出错、最影响决策的核心指标。围绕这些指标，整理基础度量、维度、口径、权限、样例问题与标准答案。让业务部门先在真实场景中实际使用，再根据 Agent 的回答错误、业务追问与报告反馈，持续补充语义、上下文与评测集。这就是“边用边治，以用促治”的实践理念。

这一路径比一次性规划全域数据治理更加现实可行，也更贴合 Agentic 应用的演进逻辑。Agent 被使用得越多，暴露出的语义缺口就越具体；缺口越具体，治理就越容易形成清晰的优先级。当治理成果回归到高频业务场景时，其价值也更容易被管理层看见。

Agentic 深水区：预算不能只花在模型上

不过，我们在实践中发现，最常见的情形是企业期待 AI 成为数字员工，却不愿意为语义与上下文建设投入资源。在这种情境下，浅层 AI 应用可以开展——诸如知识问答、文案生成、辅助查询、低风险办公自动化等——但对于深水区的 Agentic 分析与业务决策自动化，则需要谨慎推进，因为企业尚未为 AI 准备好正式工作的基础设施条件。

对于管理层而言，存在一个朴素判断：如果 AI 仅仅用于辅助人们写得更快，那么模型预算或许是主预算；但如果 AI 需要替代人使用企业数据、解释业务变化、支持经营动作，那么语义与上下文治理就必须进入主预算。这笔投入不能被隐藏起来，更不应被误解为技术团队的额外要求。它是企业将 AI 从演示环境推向生产环境时，必须承担的基础设施成本。

好消息是，这一成本正在被技术持续降低。无论是 Snowflake 通过自动化方式从查询历史、BI 定义与元数据中补全上下文，还是 dbt/Fivetran 将指标定义、语义模型、血缘与业务文档沉淀为 Agent 可用的共享上下文，方向都很明确：语义与上下文治理不会永远依赖人工从零录入。未来，AI 将更多地参与语义生成与定义补全的工作。Aloudata Agent 的语义层方案也将沿着这一方向持续演进，进一步降低语义生成与治理的门槛，让企业能够从已有报表与真实业务问答中提炼出语义资产。

模型平权之后：语义层将成为企业的竞争壁垒

无论工具如何进化，企业需要认识到：语义与上下文是 AI 时代的新型数据资产。模型可以购买，算力可以租用，工具可以接入。然而，企业自己的指标口径、业务语言、组织经验、决策规则以及数据使用边界，只能在自身的业务现场中逐步生长出来。AI 时代的竞争，或许要看谁先把自己的业务语义治理成 AI 能够可靠使用的基础设施。