跳转至

本体这件事，技术早就不是问题——企业AI非技术困境的对话

Ch01.670 本体这件事，技术早就不是问题——企业AI非技术困境的对话

📊 Level ⭐⭐ | 9.2KB | entities/本体这件事-技术早就不是问题-企业ai非技术困境的对话.md

本体这件事，技术早就不是问题——企业AI非技术困境的对话

v×c=64 | value=8 confidence=8 stars=4 | 2026-07-05

摘要

2026 年 6 月 15 日，DataFunTalk 举办了一场围绕「跨越企业 AI 落地鸿沟——本体驱动 Agent 与知识治理的实战对话」的圆桌直播。主持人郑岩（华为集团数字底座技术负责人）与张森森（平安科技）、马金龙（启明致远）三位嘉宾，围绕本体建模、知识治理、企业 AI 转型与组织变革等核心议题展开深度讨论。核心结论是：本体建模的技术问题已基本解决，真正的挑战在于管理——谁来定义、谁来维护、谁来仲裁、谁来担责。

核心要点

  • 本体是「新瓶装老酒」：本质上是分层建模的另一种展现形式，与过去结构化数据的维度表、码表、主数据管理在逻辑上一脉相承，只是大模型对语言的理解使语义部分得以加入
  • 管理大于技术：本体真正的难点不是如何建类和属性，而是谁有权利定义、谁来维护、冲突如何仲裁、大模型出错谁来承担——这些全是管理问题
  • 企业 AI 转型的两种病：一是业务遇到瓶颈期望吃 AI 的药治愈；二是看到竞争对手用 AI 加速就盲目跟进。本质都是把 AI 当成工具而非改变流程的契机
  • 亮点工程的技术债更大：前端做得很漂亮，后端「一团淋雨」。AI 亮点工程的技术债比软件工程和数据治理的技术债更难填补，因为涉及大量不可控的非结构化数据
  • 蒸汽机到电动机的教训：英国工厂在电气化时代只是把蒸汽机换成电动机，而福特通过生产线彻底重构了生产方式。企业 AI 转型同样需要组织重塑，而非仅仅替换工具

深度分析

本体建模的「管理大于技术」命题

张森森在对话中提出了整场最核心的判断：本体在技术层面甚至「都不是一个问题」——建类、属性和关系在工程上是有成熟方法的。真正的难点在于组织内部的治理机制：谁有权定义某个实体类？业务部门和 IT 部门如何对齐定义？定义产生冲突时由谁来仲裁？大模型基于本体推理出错误结论时，谁来承担后果？

这一判断揭示了企业 AI 落地中的一个深层矛盾：技术团队往往认为「建模方法论」是瓶颈，但实际制约因素来自组织治理结构。不同部门的实体定义可能完全不同——「大家聊的都是实体，但每个人认知里面的实体其实不一样」——而跨部门对齐需要的是管理层的推动和仲裁机制，而不是更先进的建模工具。这与 AI Native 组织转型 中强调的组织变革优先于技术选型的观点一致。

建模悖论：业务最痛，IT 反而没那么痛

郑岩的观察揭示了另一个反直觉的现象：建模本身并非最难的部分，真正的硬骨头是数据基础设施。AI 大模型消费数据的方式与传统系统存在巨大 gap，但存算引擎、面向对象的存储体系、多模态数据平面等基础设施问题，大模型并不能直接解决。数据治理——去噪、去重、OCR、图表解析——无论使用多么先进的建模方法论，都是绕不开的必修课。

这一结论与 企业知识库建设 中的实践经验高度吻合：「只要业务想明白了，模就能建出来」，但底层数据工程的质量决定了 AI 应用的上限。

企业 AI 转型的两条路径

对话描述了两种典型的 AI 转型误区： 1. 「许愿式」AI：企业遇到经营问题，希望 AI 能直接治愈，本质是将 AI 视为「药丸」而非系统工程 2. 「跟风式」AI：看到竞争对手在使用 AI，盲目跟进，本质是在同质竞争中对差异化的焦虑

张森森尖锐地指出，大部分公司把 AI 当成已有工作流中某个环节的替代品，核心效果就是裁员。「如果那个流程不发生改变，不是 AI Native 的流程，你这家公司的竞争力就消失。」这与蒸汽机到电动机的历史教训完美呼应——英国工厂只是替换动力源，而福特通过重构生产方式获得了真正的竞争优势。

AI Native 组织的「baby 状态」实验

马金龙的团队从大公司独立出来后，创建了一个从零开始的 AI Native 组织。三个关键设计原则：

  1. 信息以 AI 能看懂为主：所有文档格式至少是 Markdown，不使用 PDF/Word。AI 是核心生产力，人是帮助 AI 成长的辅助角色
  2. 承认不可变领域：财务、法务、政府关系等领域明确需要人工处理，不在这些领域强推 AI Native
  3. 动态进化：不锁死架构，随着模型能力变化（如 Vivo 5 发布可能消灭某些 Agent 类型）持续调整

在实践中，团队不再区分前端、后端、测试、算法的分工——「一个人借助 AI 的能力变成一个六面体，能够承接更多的开发任务。一个项目可能就一个人，甚至一个半人就要完成。」

这种组织模式与 Harness Engineering 的 1 人团队模式 相互印证，代表了一种去分工化的工程组织演化方向。

从工具替代到流程重构

对话的核心叙事线索是从「工具替代」到「流程重构」的认知跃迁。三位嘉宾虽然来自不同规模的组织，但共同指向同一个结论：当 AI 让「造东西」变简单之后，最难的反而是「找对问题」。正如马金龙所言：「现在其实不缺解决方案，缺的是问题，缺的是痛点。」这一判断可能比任何技术洞察都具有更长远的指导意义——企业的 AI 价值创造瓶颈，已经从技术能力转向问题定义能力。

实践启示

  1. 本体治理先行：在启动本体建模前，先建立跨部门的实体定义治理机制。明确谁有权定义、谁维护、冲突如何仲裁。如果用 YAML 定义本体，同时也要定义变更流程。
  2. 数据工程投入不可省：无论 AI 模型多强大，数据治理（去噪、去重、结构化提取）始终是 AI 应用的基础。在算力预算中至少预留 30% 给数据基础设施。
  3. 从新业务开始试验：大规模组织的 AI Native 转型阻力巨大。从全新业务线或独立小团队开始试验，积累经验后再横向推广——马金龙的「baby 状态」模式是最低成本的转型路径。
  4. 流程重构优先于工具替换：不要问「AI 能替代当前哪个环节」，而要问「如果从零开始设计 AI Native 流程，应该长什么样」。后者的回报率远高于前者。
  5. 文档格式规范化：所有知识文档统一为 Markdown 格式，让 AI 可以直接读取和理解。PDF/Word 等封闭格式会阻断 AI 的直接参与，形成信息断层。

相关实体

→ 原文存档