从＂新瓶装老酒＂到＂AI Native 组织＂:关于本体治理与组织变革在企业落地真相

01

本体是什么：一场“新瓶装老酒”的认知对齐

直播开场，张森森率先抛出了一个看似简单却直击要害的判断：“本体这个东西，讲真话，其实是一个新瓶装老酒。”他做数据做了很多年，在他看来，本体本质上就是分层建模的另一种展现形式——过去结构化数据的维度表、码表、主数据管理，做的事情跟今天本体做的事情在逻辑上一脉相承。“只不过因为大模型本身对语言的理解更在行一些，所以我们把语义的部分添加到了过去那个数据模型里面。”

但真正让张森森在意的是另一件事。“本体这个东西，在我这个理解里面，我觉得它不单单是一个技术问题。甚至我觉得可能在技术层面上，它都不是一个问题。”他停顿了一下，给出了整场对话中最核心的判断之一：“它可能更大层面上在企业内部其实是个管理性问题。技术本身只是把这个管理的共识结构化和可执行化。你本体真正的难的东西，不是怎么建这个类、这个属性和关系，而是到底这个类是由谁有权利来定义、谁来维护这个属性。最后如果出现了冲突，谁来仲裁？如果大模型出现了错误的结果，谁来承担？”

这段话引发了郑岩的共鸣。郑岩补充说，他跟业界很多公司交流后发现，大家对“本体”的理解千差万别——“头一次做一行，怎么大家说的东西都不一样？”他说，本体说是数据的工作，但实际上更偏 AI 一些，现在搞数据的和搞 AI 的都在聊本体，“也挺有意思的”。

马金龙则从实践的角度给出了一个更务实的框架。他将本体建模的工作归纳为三大块：第一块是本体定义与治理机制的构建——什么是本体、本体静态与动态的边界怎么划；第二块是如何借助大模型去做本体的构建和提取，实现效率跃升；第三块是质量保障——“无论你是人工的还是大模型去做的，如何去保障你本体的质量，如何去评价你整个本体建模的效果，这一块其实是很重的一个工作。”

这段开场讨论揭示了一个关键事实：在 2026 年的今天，“本体”早已不是学术界那个干净的哲学概念，它在企业落地的过程中，被不同角色、不同场景、不同历史包袱揉捏成了截然不同的形态。而这场对话的核心张力——技术与管理、理想与现实、大公司与小团队的抉择——从第一分钟起就已经浮出水面。

02

建模的悖论：业务最痛，IT 反而没那么痛

当话题转向具体的落地实践时，郑岩分享了一个让他困惑了很久的发现。

“建模这件事情反而是业务最痛的，但是实际上在 IT 侧其实没有那么痛。”他解释道，IT 花了很大的精力去把模型做出来，分了各种方法去构建。在早期没有统一建模方法的时候，大家用各种方案去凑——类似 LangChain 的、类似 Plugin 的，用一堆 Skill 加各种方案硬拼。但逐渐地，他发现了一个更本质的变化：AI 大模型消费模型的方式，跟十年前 Palantir 做 Ontology 产品时相比，已经有了巨大的 gap。“建模的方式可能变得越来越多样了。”

然而接下来他说的话，让讨论的焦点迅速转向了另一个方向。郑岩的语气里带着一种恍然：“我发现还是有很多传统数据工程的事情是依然很 tough 的。”他说，怎么在海量图数据里快速检索、传统数据处理的匹配怎么做、实时做还是做“物化视图”、非结构化数据怎么装载——“数据工程的东西还是依然是现在非常重的一个事儿”。他坦言自己一开始“有点恍惚”：没做之前觉得建模最重要，其他都不重要；做完才发现，只要业务想明白了，模就能建出来，但 AI 大模型解决不了的那些基础设施问题，才是真正的硬骨头——“存算引擎怎么做、面向对象的存储体系怎么做、多模态数据平面怎么搞，都是很硬的活。”

马金龙对此深有同感。他补充了一个非常具体的例子：无论你用多么先进的建模方法论，第一步永远是数据治理——海量多模态数据进来以后，怎么去噪、去重、提取有用的信息。OCR 要做，图表解析要做，“只是从原来的一些工具或者流程上面可能发生了变化。”以前依赖传统 OCR 和结构化表格提取，现在有了多模态模型，能从同一张图表里解读出隐含的语义信息，进一步丰富本体建模的素材。“但是做这个事情本身是必须的，无论你怎么做，你都绕不开。”

他还指出一个更棘手的问题：同一个实体、同一个属性，不同部门的定义和计算口径可能完全不同。“大家聊的都是实体，但每个人认知里面的实体其实不一样。”他认为这有利有弊——有利的一面是大家都在多维度地思考和求解，有弊的一面则是“不同的部门和不同的体系之间的对接，其实是一个鸿沟，是一个很大的概念。”

03

企业 AI 转型的两种“病”

当讨论进行到中段，张森森话锋一转，语气里带着一丝无奈。他开始剖析一个更宏观也更扎心的问题：企业做 AI 的动机本身就有问题。

他描述了两种典型的企业画像。“第一种，企业遇到了一些经营性的问题，或者说业务上遇到了瓶颈，他就希望吃一颗 AI 的药能治他这个病。”他停顿了一下，“第二种，自己也没什么病，跑得也挺开心的，突然间发现周围有一家公司开始服用 AI 这个大力丸了，开始加速了，也不管那个公司有没有效果，但很着急——所以我必须也得吃这个 AI 增速丸。”

他说完，直播间里的气氛明显凝重了一拍。郑岩接过话茬，用了一个更形象的比喻：“许愿式的 AI——反正我就许愿了，许了之后成不成呢？靠 AI 来帮你达成。”

张森森继续深挖这个问题的根源。他的语速不快，但每一句话都很扎实：“大部分公司怎么看 AI？把 AI 当成一个工具，或者说当成某个业务环节的替代品。本质上就是在他已有的工作流里面，踢掉某个环节。所以最终产出的效果是什么呢？就是裁员。”他说，在 2025 到 2026 年，裁员确实能产生一定效果——原来人多，裁掉 30% 到 40% 的数字很好看。“但谈到最后，你会发现一个最大的点在于：如果你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。每家公司都在同质竞争，干同样的事情。”

这番话像一盆冷水。他继续追问了一个更根本的问题：“我们本体建模本身，我觉得就是建立条业务流程。但是现在我感觉最困难的事情是——业务根本不知道 AI 来了之后，它的业务流程应该长成什么样。他还是按照他的老方法在说，我的实体一到实体二，实体二到实体三，底下有各种各样的属性。”

04

亮点工程背后：一团淋雨的后端

张森森的观察并没有停留在批判层面。他切入了一个很多技术人都心知肚明却很少公开讨论的问题——“亮点工程”的代价。

“AI 就是要快产出效果，那么快产生效果之后，就会出现很多亮点工程。”他的语气变得严肃，“亮点工程跟软件工程一样，有大量的技术债。这个技术债要去补的话，我觉得它甚至比我们做软件工程的技术债、比过去做数据治理的技术债还要大，还要难。因为你面对的是大量的不可控的非结构化数据，需要在背后去做治理，那个治理的成本是非常高的。”

他用了一句非常形象的比喻来形容当下很多企业的 AI 落地状态：“在前端那一侧其实很漂亮，非常多的公司做了非常多漂亮的前端。但是在后端这一侧，反而现在是一团淋雨，特别的差。”

他举了一个来自汽车行业朋友的例子：领导要求“快点上 AI”，但团队根本不知道该怎么办。问他们有什么数据？“结构化数据有一些，非结构化数据也有一些，但是好像也不多。”在这种数据和治理基础都很薄弱的情况下，领导依然要求快速上 AI，团队只能找最容易出效果的切口——比如上 AI Coding，用程序员替代来做文章。

郑岩对此的评价带着一种黑色幽默：“AI Coding 这个事儿，我觉得这应该是程序员最后的高光时刻吧——把自己给卷没了，然后这个事儿就结束了。”但他立刻补充了一个更冷静的判断：coding 这件事的反馈信号太清晰了，所以这个回路确实能玩通。但企业里大部分工作不是 coding——“你大部分的东西你没办法直接就 AI take 就搞完了。你真正的上到手上去操作电脑、跟数字世界产生交互的人是极少的。大部分是沟通。”

05

蒸汽机到电动机：组织不变，换什么引擎都没用

在讨论企业 AI 转型为什么总是“雷声大雨点小”时，郑岩抛出了一个经典的技术史类比，让整个讨论的格局陡然提升。

“蒸汽机发明以后，它其实是一个大的蒸汽机，有一个主轴架在厂房上面，然后通过皮带驱动底下的机器。后来电器时代来了，英国那些蒸汽机用得最好的工厂，做了什么？就是把蒸汽机换成一个电动机，别的东西没动。”他停顿了一下，话锋一转，“所以最后这件事还是在美国、在福特开始做成了生产线。”

这个类比精准地击中了问题的要害。郑岩进一步解释，他们公司也一直在提“面向 AI 做组织重塑”，但这件事的阻力“比搓一个 AI 应用或者拿 Copilot 去写点东西，要大得多”。阻力不在于有人不愿意变——“我跟很多高管去沟通，我发现大家是愿意变的。只是说大家不太清楚说我怎么从零开始搞起。旧的业务还要跑。”

他的结论坦诚得有些残酷：“你真的要转型，可能还真的是从一个非常小的公司状态开始搞，他可能更容易能把这件事当当当地跑起来。像我们这种规模就已经是有点难了，有点麻烦。或者是全新的业务，我不清楚，反正我能看到这里面的阻力。”

06

AI Native 组织：从“baby 状态”开始的真实实验

郑岩的这番话恰好引出了马金龙正在做的事情。

“我们刚好就这个状态。”马金龙笑着接过了话头。他的团队从原来的公司独立出来，专门做 ToB 的 AI 业务，团队处于“baby”阶段。郑岩立刻来了兴趣：“马老师那你得多跟我们分享一下。”

马金龙分享的内容，可能是整场直播中最具实践参考价值的部分。他说，团队从第一天开始就在讨论一个问题：什么是一个 AI Native 的组织？他们跟原来母公司的状态做了系统性的对比，讨论出了三个关键结论。

“第一个点，以前的公司有历史包袱，你做什么事情都是在有限条件下去做，最终受制于各部门的利益关系，做了很多从 AI Native 角度看不应该做的工作。所以我们这个组织的核心认知是——信息以 AI 能看懂为主。沉淀下来的所有文档，格式至少是 Markdown 的，不应该是 PDF，不应该是 Word，不应该是其他格式。”他说到这里时语气很笃定，“AI 是我们这里的核心生产力，人是帮助 AI 去成长的。我们是辅助，AI 是主力。以前公司里人是主力，AI 是 Copilot。这是角色和认知上的根本变化。”

“第二个点，有些事情你就是变不了。”他列举了财务、法务、政府关系、知识产权申请等领域——“这一类内容必然要去承接。你不能说财务流程由 AI Agent 去搞定，这个好像不合适。我们讨论下来就是，这些事情已经明确知道必须人去做，那就不要在这里面花大力气做什么 AI Native 了，用 AI 工具提效就好。”

“第三个点，我们没有把这件事锁死。”他说，团队清醒地认识到，6 个月、12 个月或 18 个月后，随着模型能力的变化和智能体技术的演进，今天的很多判断可能就要推翻重来。“Vivo 5 发了以后，可能工作流层面的一些智能体就已经不复存在了，它自己就可以去做决策和链路调整。所以我们留了一个口——理清楚的就顺着走，没理清楚的就该人介入的介入，人搞不定的就调整。”

在实践层面，马金龙举了一个非常具体的例子：他们团队不再区分前端、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。”从商务对接、需求理解到最终交付，AI 覆盖了百分之七八十的工作，人更多是做判别和 check——“这个思路对了没有？有没有达成我们的目标？”

但他也坦率地说出了一个更深的困境：当 AI 让“造东西”这件事变简单之后，最难的反而变成了“找对问题”。“现在其实不缺解决方案，缺的是问题，缺的是痛点。你只要把这个需求理解准确了，并且能够关联到用户的痛点，解决需求本身这件事其实挺顺的。”

07

没有标准答案，但必须上路

这场 90 分钟的对话，没有给出任何“银弹”。三位嘉宾来自截然不同的组织背景——华为的巨舰、平安的航母、以及一个刚从母体剥离的小公司——他们对本体的定义不同，对 AI 落地路径的选择不同，对组织变革的信心程度也不同。但有一些共识是清晰而坚定的。

张森森始终在强调“管理大于技术”——本体真正的难点不在建模方法论，而在谁来定义、谁来维护、谁来担责。郑岩反复提醒“旧世界不是你换个引擎就能颠覆的”——蒸汽机换电动机的教训，在 AI 时代比任何时候都更有警示意义。马金龙则用他的初创企业实验，证明了从零开始构建 AI Native 组织是可能的，但也诚实地摊开了过程中的困惑——“不一定对，因为刚成立不久。”

在直播的最后，郑岩用一句话作了收束：“整个人工智能落地的路还是任重道远，但是你必须要做。你不做，肯定差得更远；做了，就能把这件事往前推一些。”

2026 年 7 月 24-25 日，Agentic AI Summit 超级智能体系统架构峰会·深圳站即将在深圳机场凯悦酒店举办！

除了两天的技术干货分享，大会现场还会组织闭门会、晚场圆桌交流，讲师们会围绕具体的技术点进行介绍，旨在丰富大家在参会体验，希望大家不虚此行，满载而归。

🔥 9 折优惠购票进行中.... 点击「阅读原文」即可报名参会，咨询更多购票详情可联系票务经理：13311343487。

点个在看你最好看

SPRING HAS ARRIVED