上周我们撰文介绍了过去几个月海外数据基础设施市场的一系列动作Gartner 在 2026 年 5 月的伦敦 DA 峰会上明确指出缺少语义和上下文会让 AI Agent 更容易出错、带来无效支出并增加 AI 治理风险。Snowflake 推出 Horizon Context 和 Cortex Sense把语义、血缘、BI 定义、查询历史等上下文放入平台Databricks 在 Unity Catalog 里强调 Glossary、Domains、Metrics 和 AI Gateway让 catalog 从记录资产的系统走向约束 Agent 行为的治理层Microsoft 也明确提出缺少语义上下文的 AI 只是一个“自信的猜测者”。这些动作清晰传递了同一个信号语义层和上下文层正在成为 Agentic 时代的战略级基础设施。再回到国内我们看到很多企业的数据团队并不缺少对语义层价值的理解但苦于缺乏组织共识和资源投入。技术团队知道指标口径不统一会出问题知道自然语言问数不能直接建立在裸表之上也知道没有可追溯证据的 AI 分析很难进入经营决策。但在预算讨论和项目规划里语义层、指标治理、数据上下文建设常常被当作“能不能省”“能省则省”的负担。今天我们撰文就是想针对这个误区帮助企业正视一个事实大模型的出现不仅不意味着数据治理的消失反而要求在既有数据治理的基础上进一步投入语义和上下文的治理。语义层一直都存在过去它是「人肉」的现在要变成「机器可读」的过去企业的数据消费主要由人完成。数据平台负责加工数据BI 负责交付看板理解业务含义的是分析师、财务 BP、运营负责人、数据产品经理和各个部门的业务专家。报表里的数据口径分析需求的上下文某个字段为什么不能直接相加一个地区为什么要排除某类门店……这些都靠人来解释和兜底。但这些隐性知识 Agent 不会天然继承。当 AI Agent 开始成为新的数据消费者它要查询数据、组合指标、解释变化、生成报告、发起追问甚至进入销售、财务、供应链、客服、经营管理等具体业务流程销售 Agent 需要理解客户、合同、商机和回款供应链 Agent 需要理解库存、履约、预测和异常财务 Agent 需要理解收入、成本、预算和经营口径运营 Agent 需要理解活动、人群、转化和渠道归因。这些 Agent 要工作企业就必须把过去依赖人来补全的语义和上下文沉淀成机器可以读取、调用、校验和更新的资产。所以语义层在本质上是一项新的治理投入。如果企业希望 AI 能准确问数、自动归因、生成经营报告、支持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、评测集和纠错机制。没有这些投入AI 只能在不完整的上下文里猜测。猜得像不等于答得对答得顺不等于能进决策。这也是海外厂商和分析机构正在共同塑造的市场共识AI-Ready Data是指把数据变成可理解、可治理、可追溯、可被 Agent 使用的资产。语义治理天然容易获得业务参与但这也不是说企业要回到那种漫长、沉重、容易失去业务支持的数据治理工程。语义治理有一个重要变化它可以从业务使用中生长出来。传统数据治理对象是物理表、字段、ETL 任务和技术元数据。治理动作容易变成事后补文档、补标准、补流程。业务方感受不到短期收益参与度自然有限。时间一长治理就变成技术团队的单向负担。语义层则把治理对象变成了业务能理解的指标、度量、维度、限定条件和分析口径。一个分析口径定义一次就可以被报表、问数、下钻、归因、Agent 报告反复调用。这类治理更容易获得业务参与因为它直接关系到业务能不能问清楚、用明白。在 Aloudata Agent 和 Aloudata CAN 的语义层架构里指标和维度的定义过程本身就是核心业务实体和术语标准化的过程也是分析视角的组装过程即我们过去常讲的“管、研、用一体”。业务需求变化了直接调整语义不用反复重写底层 ETL 和报表 SQL。查询由语义引擎做确定性编译分析结果可以回溯到指标查询、SQL 这些证据来源上。因此语义治理的组织感受是不同的它不再只服务于“合规”而是为了让业务更快、更准地使用数据而治理。治理成果能直接被业务看见。务实的方案边用边治以用促治当然语义资产也不可能一天建成。务实的路径一定是渐进式的。就像我们反复说的先选一个高价值业务域治理一组最常被问、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、样例问题和标准答案。让业务先在真实场景中使用起来再根据 Agent 的回答错误、业务追问、报告反馈持续补语义、补上下文、补评测集。这就是“边用边治以用促治”。这要比一次性规划全域数据治理更现实也更符合 Agentic 应用的演进方式。Agent 用得越多暴露的语义缺口越具体缺口越具体治理就越容易形成优先级。治理成果一旦回到高频业务场景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但我们在实践中最常看到的是企业期待 AI 成为数字员工却不愿意为语义和上下文建设投入资源。这种情况下浅层 AI 应用可以做比如知识问答、文案生成、辅助查询、低风险办公自动化。但深水区的 Agentic 分析和业务决策自动化要谨慎推进因为企业还没有给 AI 准备好正式工作的条件。对管理层来说这里有一个朴素判断如果 AI 只是帮人写得快一点模型预算可能是主预算。如果 AI 要替人使用企业数据解释业务变化支持经营动作语义和上下文治理就要进入主预算。这笔投入不能被藏起来也不能被误解成技术团队的额外要求。它是企业把 AI 从演示环境推向生产环境时必须投入的基础设施成本。好消息是这个成本正在被技术持续降低。无论是 Snowflake 用自动化方式从查询历史、BI 定义和元数据中补上下文还是 dbt/Fivetran 把指标定义、语义模型、血缘和业务文档沉淀成 Agent 可用的共享上下文方向都很明确语义和上下文治理不会永远依赖人工从零录入。未来AI 会更多参与语义生成和定义补全的工作。Aloudata Agent 的语义层方案也会沿着这个方向继续演进。我们会进一步降低语义生成和治理的门槛让企业能从已有报表和真实业务问答中提炼语义资产。模型平权之后语义层会成为竞争壁垒但无论工具怎么进化企业需要承认语义和上下文是 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。企业自己的指标口径、业务语言、组织经验、决策规则和数据使用边界只能在自己的业务现场里长出来。AI 时代的竞争可能要看谁先把自己的业务语义治理成 AI 可以可靠使用的基础设施。