企業AI應用痛點（四）-長期建設與決策層的項目預期不符

　　企業AI應用最大的痛點并非上周所說的那三個，而是今天我們要討論的這個。雖然很多企業都把AI當成戰略來提，不過這種提法僅僅限于主席臺上，而實際上，目前絕大多數企業的領導腦子里并沒有真正的AI時代企業的新藍圖，而僅僅把AI當成一個工具，把推行AI技術當成項目來做，就像當年很多企業做數字孿生一樣。

　　在前幾期里我提到了企業AI應用落地需要數據治理，需要對業務做數字化建模，構建企業業務的“語義層”定義。目前哪怕數據治理做得很好的企業（雖然我 還沒見到是否存在，假設是存在的），擁有高質量的數據，但是缺乏讓人一看就懂的理解數據的語義化描述，一些復雜的業務，師傅帶徒弟的情況下，徒弟要搞明白也不是三兩個月就能完成的。在這種情況下，我們怎么去教會"AI"這個徒弟如何理解數據和業務呢？

　　想讓企業實現AI轉型，首先在頂層必須構建起企業級的戰略藍圖，用以指導未來十年二十年的建設。而在基層需要慢慢完成業務語義層的描述，先跑通一些點狀的業務，然后慢慢鋪開，隨著數年的努力逐步連接成網，最終達成目標。我這一說都是三五年起步的，領導可能等不了這么長時間，因為領導的領導可能希望馬上就啟動，年內就見效，任內就結項。

　　這是一種不太符合客觀規律的項目為導向的AI建設方案。其工程依據是經過科學分析，覺得AI能把那么麻煩的年終報告都寫得滴水不漏了，再加上這一年多時間里層出不窮的AI技術，以及AI大模型能力的快速提升，再加上自己的企業愿意真金白銀往下投，做個把AI項目還不是手拿把攥的。

　　實際上這些想法還都過于“項目化”了，AI大模型技術的發展確實十分迅速，從去年Deepseek開源開始，再到阿里的qwq、Qwen3，基礎模型的能力確實提升很快，在通識領域的應用效果也十分不錯。不過在專業領域上，AI大模型很難理解你的行業，以及個性化管理特征差異極大的企業個體的管理流程，因此你必須在上下文中有十分嚴格的描述，才能讓 AI充分理解業務，實現精準的輸出。

　　最近我們團隊測試了最新的Qwen3.5,雖然在通識領域，Qwen3.5開源模型的進步巨大，Qwen3.5-27b在綜合能力上遠超Qwen3-32b，Qwen3.5-35b-a3b對比Qwen3-30b-a3b也進步巨大。不過測試的結果是，我們決定暫時繼續使用原來的 Qwen3-32b。顯然在AIOPS這種對于推理準確性要求很高的領域，MOE模型對于大量具有復雜邏輯關聯度的數據的綜合分析方面與密集模型差距甚大，目前還不堪使用，而Qwen3.5-27b則因為目前各種工具的適配還不夠完善，我們決定暫時不在生產上使用，未來成熟后，可能會作為目前Qwen3-32b的替代，不過這種替代無論從推理速度還是從資源開銷上，更重要的是準確性上，并沒有帶來本質的提升。對于AIOPS這個業務領域而言，這一年時間里，AI大模型進化的摩爾定律似乎按下了暫停鍵，AI應用暫時無法從模型能力的提升中受益了。基于此，某些領導指望的等待模型成熟后自行解決AI應用問題的想法可能會落空了 。

　　可能有些朋友會說，不僅是模型在進步，AI技術進步也是很快的，AI Agent、RAG、上下文工程、MCP、Skills等一系列技術的出現，難道不會讓AI應用變得更簡單嗎？確實，AI應用技術發展也很快，不過這些技術都是讓AI應用變得更簡單的，并沒有解決AI理解企業數據和企業業務的問題。

　　很多企業雖然擁有數據，但是缺少對于理解數據的規則的描述。因此企業無法直接把數據交給AI，讓AI去完成業務操作。前些年，我和一些企業的領導談起AI應用的時候，他們都希望我們幫他們做一個NL2SQL的工具，他們覺得只要這個工具能跑得靠譜了，企業數字化的AI轉型就沒有技術障礙了。其實這些領導對于數據的理解并不十分準確，企業數字化并不是體現在企業信息系統的數據庫表上。一套系統可能有數千張甚至上萬張表，其實這些表中的大部分都不是用正確的方式去描述業務的，而是ISV為了完成系統功能設計出來的，這些表很難與“企業語義層”直接映射。

　　拿我們做DBAIOPS舉例，傳統的數據庫監控工具中的指標集、儀表盤、基線、告警規則、分析巡檢工具等都只是為了實現以前的白屏運維目標的，與AI所需要理解的“數據庫內核語義”并不完全兼容。因此想要真正實現數據庫的AIOPS，必須換一個角度，從“本體論”的視角去重新組織數據，構建數據庫運維的業務語義層，才能有好的效果。要想做好數據庫的 AIOPS，無法指望框架提升，AI模型能力提升，必須踏踏實實地一個個地標注語義數據。過去的一年里，我們已經完成了2萬多條語義的標注，目前這個工作還在繼續，估計還要持續數年。而且這個過程很難加速，因為只有少量的幾個專家具備標注的能力，指望多投點錢，多招幾個人來提速，難度極大。

　　因此，要想在企業業務里真正實現AI賦能，構建企業語義層以及梳理出企業語義層所需要的數據層是必須要做的事情，是無法通過AI大模型或者AI應用框架的提升就直接解決掉的。企業想要全面AI轉型，這一步總是繞不過去的。而這一步是最為耗時的，與領導的短期見效的期望完全違背。

　　想要盡快走出企業擁有數據，但是無法真正理解數據，因此也無法讓AI真正實現全面的業務賦能這個怪圈，首先企業的領導要能夠理解AI應用的真實特征，真正以務實的態度來對待AI轉型，甚至轉過頭去重新審視數字化轉型、數字孿生等以前做得完全脫了像的爛攤子，企業信息化方面的 AI轉型才算是走上了正軌。關鍵問題又來了，領導愿意這樣做嗎？