這個(gè)問題其實(shí)是兩個(gè)問題。先答第一個(gè)。
一、需要哪幾層？
5 層能力 + 1 層橫向貫穿的治理。
自下而上：
L5 執(zhí)行層 讓 AI 把活干完（調(diào)度 + 審批 + 回寫）
L4 語義層 這些數(shù)據(jù)和知識(shí)在業(yè)務(wù)上意味著什么（本體）
L3 知識(shí)層 企業(yè)過去沉淀了什么（制度/規(guī)范/案例）
L2 數(shù)據(jù)層 企業(yè)現(xiàn)在發(fā)生了什么（訂單/庫存/資金）
L1 模型層 通用智能底座
─────── 治理層：橫向貫穿全部 5 層 ───────
很多人以為企業(yè) AI = 模型層 + 知識(shí)層，做完 RAG 就完事了。但真正卡住"進(jìn)不了業(yè)務(wù)流程"的，是 L4 和 L5。
二、怎么判斷缺哪層？看癥狀，別看買了什么
這是我更想強(qiáng)調(diào)的部分。企業(yè)最容易犯的錯(cuò)，是拿"我們買了什么"去倒推"我們?nèi)笔裁?。正確的方式是看癥狀：
| 缺哪一層 | 你會(huì)看到什么 |
|---|
| 缺數(shù)據(jù)層 | AI 能聊，但查不到企業(yè)真實(shí)數(shù)據(jù)，答案沒法核實(shí) |
| 缺知識(shí)層 | 制度、規(guī)范、歷史案例檢索不到，回答給不出引用出處 |
| 缺語義層 | 同一個(gè)指標(biāo)各部門口徑不一；跨系統(tǒng)對象對不上；能做檢索，但做不了歸因和推導(dǎo) |
| 缺執(zhí)行層 | 只能給建議，審批、下單、回寫還是得人去點(diǎn) |
| 缺治理層 | 不知道 AI 調(diào)了什么數(shù)據(jù)、做了什么動(dòng)作、花了多少錢，出事沒法追溯 |
最常見的投入錯(cuò)位：模型層砸錢最多，語義層和執(zhí)行層投入最少。 而決定 AI 能不能進(jìn)業(yè)務(wù)流程的，恰恰是后兩層。
三、五問自測：第一個(gè)答不上來的那層就是瓶頸
按順序問，別跳（因?yàn)樯蠈右蕾囅聦樱?/p>
- 有沒有穩(wěn)定可用的模型接入，且明確了哪些數(shù)據(jù)可以發(fā)給哪些模型？
- AI 能不能查到企業(yè)真實(shí)業(yè)務(wù)數(shù)據(jù)，并說清數(shù)據(jù)來源和時(shí)間范圍？
- AI 回答問題時(shí)，能不能給出引用出處？
- 同一個(gè)指標(biāo)（比如"收入""毛利"）在各部門各系統(tǒng)里口徑是否一致？AI 能不能判斷跨系統(tǒng)對象是不是同一個(gè)？
- AI 給完建議之后，能不能自己觸發(fā)審批、寫入系統(tǒng)、把結(jié)果回寫？
卡在第 4 題 = 語義層缺失?？ㄔ诘?5 題 = 執(zhí)行層缺失。
這兩種情況，繼續(xù)加大模型投入都解決不了。這不是我的判斷，是很多團(tuán)隊(duì)返工兩個(gè)月才明白的事。
四、多說兩句語義層，因?yàn)檫@層最容易被跳過
語義層回答的是：這些數(shù)據(jù)和知識(shí)在業(yè)務(wù)上意味著什么。
舉個(gè)能說明差別的例子：
- 只有數(shù)據(jù)層：AI 知道這家供應(yīng)商交付質(zhì)量評(píng)分是 B；
- 加上知識(shí)層：AI 知道制度里 B 級(jí)供應(yīng)商觸發(fā)什么處置流程；
- 加上語義層：AI 才知道這家供應(yīng)商供的物料影響哪幾條生產(chǎn)計(jì)劃、有沒有替代供應(yīng)商、該通知哪些部門。
第三層，是"能決策"和"只會(huì)報(bào)警"的分界線。
兩個(gè)常見誤解要澄清：
誤解一：本體就是知識(shí)圖譜換了個(gè)名字。
不是。本體定義業(yè)務(wù)概念及關(guān)系，知識(shí)圖譜承載具體實(shí)體和關(guān)聯(lián)數(shù)據(jù)，兩者經(jīng)常配合使用。本體還強(qiáng)調(diào)把對象、規(guī)則、事件和動(dòng)作結(jié)合起來，讓智能體能理解并調(diào)用業(yè)務(wù)能力。
誤解二：既然有 RAG 了就不用本體了。
看場景。簡單文檔問答，RAG 就夠。但只要任務(wù)涉及跨系統(tǒng)語義、規(guī)則和業(yè)務(wù)動(dòng)作，就需要本體——這也是業(yè)內(nèi)從 RAG 走向 OAG（Ontology-Augmented Generation，本體增強(qiáng)生成）的分界。
有個(gè)數(shù)據(jù)可以參考：Gartner 在 2026 年 5 月 11 日發(fā)布的研究預(yù)測，到 2027 年，在 AI-ready 數(shù)據(jù)中優(yōu)先采用語義的組織，其智能體 AI 準(zhǔn)確率可提升高達(dá) 80%、成本可降低高達(dá) 60%。報(bào)告里還有一句很扎心的話：僅靠基于 schema 的數(shù)據(jù)模型已經(jīng)不夠了，因?yàn)樗狈I(yè)務(wù)上下文和數(shù)據(jù)含義。
五、執(zhí)行層：最容易被忽略的兩步
執(zhí)行層要做的是：意圖理解 → 任務(wù)拆解 → 智能體與 Skill 選型 → 多智能體分工調(diào)度 → 業(yè)務(wù)執(zhí)行 → 人工確認(rèn)（如需） → 結(jié)果回寫企業(yè)系統(tǒng)。
其中"人工確認(rèn)"和"結(jié)果回寫"，是"AI 助手"和"AI 執(zhí)行系統(tǒng)"的分界線。
很多團(tuán)隊(duì)做 AI 助手，demo 階段大家都在夸"回答挺準(zhǔn)"，一上線就廢——因?yàn)閷徟鬟€得人去點(diǎn)，跨法人數(shù)據(jù)調(diào)不到，結(jié)果也沒地方回寫。說白了：它什么都能聊，核心的事一件辦不了。
六、一個(gè)現(xiàn)實(shí)選擇：智能雙模
不是所有軟件都該變成智能體。
比較務(wù)實(shí)的做法是"智能雙模"：讓智能體軟件（自主執(zhí)行、概率計(jì)算、非確定性）和流程執(zhí)行型軟件（按規(guī)則執(zhí)行、精確計(jì)算、確定性）協(xié)同跑。
核算、結(jié)算這類必須精確的事交給規(guī)則；分析、建議、任務(wù)規(guī)劃交給模型。這樣既穩(wěn)又靈。
七、最后，三句提醒
- AI 不能保證百分之百準(zhǔn)確。 檢索、語義建模、規(guī)則校驗(yàn)和人工監(jiān)督只能降低風(fēng)險(xiǎn)。重要環(huán)節(jié)一定要留人工確認(rèn)。
- 別為了"補(bǔ)全層數(shù)"而建設(shè)。 簡單問答場景，模型層 + 知識(shí)層就夠了，硬上完整棧是浪費(fèi)。
- 從一個(gè)高頻、規(guī)則明確、結(jié)果可復(fù)核的任務(wù)切入。 合同審核、經(jīng)營分析、財(cái)務(wù)風(fēng)險(xiǎn)調(diào)查都是不錯(cuò)的起點(diǎn)。別一上來就想建"大而全"。
回到最初的問題：企業(yè) AI 需要哪幾層能力？
答案是 5 層加 1 層治理。但更重要的是——先搞清楚你卡在哪一層，別在錯(cuò)誤的那層上加碼。
