企业AI应用最大的痛点并非上周所说的那三个，而是今天我们要讨论的这个。虽然很多企业都把AI当成战略来提，不过这种提法仅仅限于主席台上，而实际上，目前绝大多数企业的领导脑子里并没有真正的AI时代企业的新蓝图，而仅仅把AI当成一个工具，把推行AI技术当成项目来做，就像当年很多企业做数字孪生一样。
在前几期里我提到了企业AI应用落地需要数据治理，需要对业务做数字化建模，构建企业业务的“语义层”定义。目前哪怕数据治理做得很好的企业（虽然我 还没见到是否存在，假设是存在的），拥有高质量的数据，但是缺乏让人一看就懂的理解数据的语义化描述，一些复杂的业务，师傅带徒弟的情况下，徒弟要搞明白也不是三两个月就能完成的。在这种情况下，我们怎么去教会"AI"这个徒弟如何理解数据和业务呢？
想让企业实现AI转型，首先在顶层必须构建起企业级的战略蓝图，用以指导未来十年二十年的建设。而在基层需要慢慢完成业务语义层的描述，先跑通一些点状的业务，然后慢慢铺开，随着数年的努力逐步连接成网，最终达成目标。我这一说都是三五年起步的，领导可能等不了这么长时间，因为领导的领导可能希望马上就启动，年内就见效，任内就结项。
这是一种不太符合客观规律的项目为导向的AI建设方案。其工程依据是经过科学分析，觉得AI能把那么麻烦的年终报告都写得滴水不漏了，再加上这一年多时间里层出不穷的AI技术，以及AI大模型能力的快速提升，再加上自己的企业愿意真金白银往下投，做个把AI项目还不是手拿把攥的。
实际上这些想法还都过于“项目化”了，AI大模型技术的发展确实十分迅速，从去年Deepseek开源开始，再到阿里的qwq、Qwen3，基础模型的能力确实提升很快，在通识领域的应用效果也十分不错。不过在专业领域上，AI大模型很难理解你的行业，以及个性化管理特征差异极大的企业个体的管理流程，因此你必须在上下文中有十分严格的描述，才能让 AI充分理解业务，实现精准的输出。
最近我们团队测试了最新的Qwen3.5,虽然在通识领域，Qwen3.5开源模型的进步巨大，Qwen3.5-27b在综合能力上远超Qwen3-32b，Qwen3.5-35b-a3b对比Qwen3-30b-a3b也进步巨大。不过测试的结果是，我们决定暂时继续使用原来的 Qwen3-32b。显然在AIOPS这种对于推理准确性要求很高的领域，MOE模型对于大量具有复杂逻辑关联度的数据的综合分析方面与密集模型差距甚大，目前还不堪使用，而Qwen3.5-27b则因为目前各种工具的适配还不够完善，我们决定暂时不在生产上使用，未来成熟后，可能会作为目前Qwen3-32b的替代，不过这种替代无论从推理速度还是从资源开销上，更重要的是准确性上，并没有带来本质的提升。对于AIOPS这个业务领域而言，这一年时间里，AI大模型进化的摩尔定律似乎按下了暂停键，AI应用暂时无法从模型能力的提升中受益了。基于此，某些领导指望的等待模型成熟后自行解决AI应用问题的想法可能会落空了 。
可能有些朋友会说，不仅是模型在进步，AI技术进步也是很快的，AI Agent、RAG、上下文工程、MCP、Skills等一系列技术的出现，难道不会让AI应用变得更简单吗？确实，AI应用技术发展也很快，不过这些技术都是让AI应用变得更简单的，并没有解决AI理解企业数据和企业业务的问题。
很多企业虽然拥有数据，但是缺少对于理解数据的规则的描述。因此企业无法直接把数据交给AI，让AI去完成业务操作。前些年，我和一些企业的领导谈起AI应用的时候，他们都希望我们帮他们做一个NL2SQL的工具，他们觉得只要这个工具能跑得靠谱了，企业数字化的AI转型就没有技术障碍了。其实这些领导对于数据的理解并不十分准确，企业数字化并不是体现在企业信息系统的数据库表上。一套系统可能有数千张甚至上万张表，其实这些表中的大部分都不是用正确的方式去描述业务的，而是ISV为了完成系统功能设计出来的，这些表很难与“企业语义层”直接映射。
拿我们做DBAIOPS举例，传统的数据库监控工具中的指标集、仪表盘、基线、告警规则、分析巡检工具等都只是为了实现以前的白屏运维目标的，与AI所需要理解的“数据库内核语义”并不完全兼容。因此想要真正实现数据库的AIOPS，必须换一个角度，从“本体论”的视角去重新组织数据，构建数据库运维的业务语义层，才能有好的效果。要想做好数据库的 AIOPS，无法指望框架提升，AI模型能力提升，必须踏踏实实地一个个地标注语义数据。过去的一年里，我们已经完成了2万多条语义的标注，目前这个工作还在继续，估计还要持续数年。而且这个过程很难加速，因为只有少量的几个专家具备标注的能力，指望多投点钱，多招几个人来提速，难度极大。
因此，要想在企业业务里真正实现AI赋能，构建企业语义层以及梳理出企业语义层所需要的数据层是必须要做的事情，是无法通过AI大模型或者AI应用框架的提升就直接解决掉的。企业想要全面AI转型，这一步总是绕不过去的。而这一步是最为耗时的，与领导的短期见效的期望完全违背。
想要尽快走出企业拥有数据，但是无法真正理解数据，因此也无法让AI真正实现全面的业务赋能这个怪圈，首先企业的领导要能够理解AI应用的真实特征，真正以务实的态度来对待AI转型，甚至转过头去重新审视数字化转型、数字孪生等以前做得完全脱了像的烂摊子，企业信息化方面的 AI转型才算是走上了正轨。关键问题又来了，领导愿意这样做吗？
