夜雨聆风试着问一个问题：问你们公司的 AI 助手，“上季度 A 产品线的毛利率是多少？”
如果有两套系统，你很可能会得到两个答案。一个从财务报表取数，一个从销售报表取数，偏偏“A 产品线”在两边的定义还不一样。模型照单全收——自信地、流畅地、错误地端给你。
多数人把锅甩给模型不够聪明，或者数据太乱。Databricks CEO Ali Ghodsi 给出的判断不一样：AI 没有智能问题，AI 有 Context 问题。
先承认一件事：今天的大模型足够聪明。写代码、翻译、推理，都不在话下。但它一进企业，就像一个天才新员工——智商在线，却对你的业务一无所知。
语义层厂商 OntoRoot 列举过企业里的典型失败模式：AI Agent 在原始数据库结构上推理，会得到不一致的答案、重复的实体，越推理越漂移。问题根源在于，表格存的是数据，不是含义。
36 氪的一篇分析说得更狠：AI 不懂企业数据含义，导致答案不可信。问题不在模型，也不在数据，而在于“AI 根本不知道你的数据究竟意味着什么”。
往深了想，这其实是信息化多年的老毛病。过去十几年，企业建了数据仓库、数据湖、数据中台，解决了“数据放在哪”，却一直没解决“数据指什么”。同一个“客户”，在 CRM、ERP、财务系统里各是一个意思。大模型只是把这个老账，放大成了新瓶颈。
那么 Context 从哪来？Palantir 的答案是一个词：Ontology。
官方文档的说法是：Ontology 是组织的操作层，位于数据集和模型等数字资产之上，把它们与真实世界的对应物连接起来。说得抽象，翻译一下：把企业里的设备、订单、客户变成机器能识别的“对象”，再建起“关系”——哪个订单属于哪个客户，哪台设备生产哪个产品，哪个工序依赖哪种物料。
CSDN 上有一份技术拆解值得参考。Palantir 的 Ontology 分四层：物理数据层整合多源异构数据，本体映射层建立虚拟语义视图，语义层做实体消歧和权限控制，应用层支持业务分析与 AI 推理。
拿“订单”走一遍：物理层把 ERP、CRM、财务的表接进来；映射层把这些分散字段绑定成统一的“订单”对象；语义层规定什么算“已付款订单”、谁能看；到应用层，AI 回答订单问题时，用的就是这套统一定义。
有两个细节值得单独说。一是实体消歧——“A 产品线”两个定义的问题，在这里被解决；二是权限继承——AI 通过本体访问数据，自动继承原有的数据权限，大模型接入核心数据也不破坏合规。配合上一篇讲的私有化部署路线，正好凑齐“数据不出域，还能用得好”的闭环。
知乎上有人总结得更直白：Palantir 的本体远不是一个简单的数据目录或语义层，它是一个动态的、可操作的企业数字孪生。数据目录只告诉你“有这个数据”，本体让你直接操作业务对象。
如果说过去语义层还是锦上添花，2026 年，风向明显变了。
3 月，语义数据公司 Fluree 给出判断：语义层已经从可有可无的分析优化项，变成任何企业 AI 的必备基础设施。6 月，Gartner 的趋势报告把 AI Agent、语义、融合数据分析平台，列为 AI 优先企业的三大关键驱动。
巨头全部下场。Databricks 在 6 月发布自己的 Ontology 产品，CEO 那句“AI 没有智能问题，AI 有 Context 问题”，几乎是冲着 Palantir 喊话。Palantir 自己则踩着这波趋势——收入增速 93% 的曲线上。国内，蚂蚁集团开源的语义增强可编程图谱 SPG，也磨了多年同一件事：大模型时代，怎么建一套机器能理解的语义框架。
那企业该做什么？三个可带走的东西。
创业思路：语义层是刚打开的空白市场。模型厂商卖通用智能，数据平台卖存储计算，中间这层“把业务翻译成机器语言”的活儿，几乎没有成熟玩家。谁最懂某个行业的业务对象，谁就拥有这个行业的本体。
公司模式：数据团队的 KPI 要改写。过去考核报表时效、数据质量，现在要加一条——多少核心数据被治理成了 AI 可用的语义资产。从客户、产品、订单三个对象做起，先把关系建起来，再谈接 AI。
盈利模式：采购 AI 项目时，别只问“你用什么模型”，问“你怎么处理我的业务语义”。谁能解决上下文这一层，谁就配挣这份钱——定价的锚是决策质量，不是 Token 数。
再问一次那个问题：上季度 A 产品线的毛利率是多少？
在完成本体建设的企业里，答案是唯一的、可追溯的——来自哪张表、用了哪个定义、谁有权限看，一清二楚。这时候，AI 才真正走进了业务。智能不再稀缺。稀缺的是有人把你的业务，整理成机器读得懂的地图。
