318| 企业级AGI：AI的真正战场

全文概览

当整个AI行业还在为"通用人工智能（AGI）何时到来"争论不休时，一场更安静却更实际的竞赛已经打响。SiliconANGLE的Breaking Analysis团队提出了一个尖锐的判断：前沿模型供应商追逐的"弥赛亚AGI"可能跑错了方向——真正的经济奖赏不在于一个无所不能的通用模型，而在于每家企业独有的、可治理的智能系统。

这篇文章以Databricks最新发布的Genie Ontology为切入点，系统拆解了"企业级AGI"的架构逻辑：数据不再只是被存储和查询的资产，而是需要被组织成一张动态的"企业地图"——连接业务术语、指标、流程规则和隐性知识，让智能体能够在其上安全地推理和行动。文章进一步提出了一个对存储与基础设施从业者尤为关键的判断：数据层正在"冰面化"——它依然必不可少，但价值重心正在向上迁移至智能系统层。

这对存储行业意味着什么？当数据基础设施逐渐标准化、公用事业化，差异化从哪里来？企业AI堆栈的重构将如何重塑整个IT供应链的价值分配？带着这些问题阅读本文，或许能帮你找到属于自己的答案。

阅读收获

• 理解"数据层冰面化"趋势——当数据基础设施日益标准化（Delta/Iceberg格式趋同、对象存储协议统一），价值向智能系统层迁移。这直接影响存储产品的定位策略：是继续深耕性能与成本，还是向上构建语义与治理能力？
• 获得评估AI平台公司的新框架：不再仅看模型能力或数据规模，而是考察其"本体成熟度"——能否将企业专有数据、流程和隐性知识转化为可复合的治理资产。这决定了护城河的深度与转换成本。
• 文章提供了区别于主流AGI叙事的替代研究框架：企业级AGI的核心不是通用推理能力，而是将组织知识编码为可执行本体的系统工程。本体成熟度模型（1-9级）可作为进一步研究的分析工具。

👉 划线高亮 观点批注

BREAKING ANALYSIS 作者：Dave Vellante 和 George Gilbert

我们认为，人工智能行业的大部分力量都追逐错了目标。像 Anthropic PBC 和 OpenAI Group PBC 这样的前沿模型供应商，虽然可能已经将商业重心转向了企业客户，但他们并没有改变其根本架构。

具体来说，他们仍然试图将越来越多的智能集中在一个通用模型中。我们同意 Databricks Inc. 首席执行官 Ali Ghodsi 的观点，即通用人工智能（AGI）的实际定义实际上已经实现。将目标转向超级智能——或者我们在之前的 Breaking Analysis 中所称的“弥赛亚 AGI”（Messiah AGI）——对于为企业客户创造差异化几乎没有帮助。

在我们看来，真正的奖赏是我们所称的企业级 AGI（Enterprise AGI）。我们指的是什么？具体来说，我们谈论的是每家企业所独有并拥有的智能。

企业级 AGI 的核心在于协调专有数据、业务流程、政策以及我们在 Breaking Analysis 中经常讨论的隐性人类知识。其理念是将这些要素转化为持久的资产，模型和智能体（Agent）可以在此基础上进行推理，并最终采取行动。前沿模型是这个等式中的一个重要组成部分，但企业智能系统（我们称之为 SoI，可以理解为企业本体或数字孪生）才是实现企业级 AGI 的关键。这是企业获得真正商业价值的地方。这与我们之前介绍过的“数据共产主义”（Data Communism）截然不同。数据共产主义是指每个人基本上都在消费相同的嵌入式智能。相反，我们倡导“数据资本主义”（Data Capitalism），即每家公司控制、治理并推进其自身差异化的智能。

在本周的 Breaking Analysis 中，我们将基于之前的研究，进一步讨论我们在 Databricks 最近的 Data + AI Summit 上所听到的内容的影响，并将这些发现置于我们的 SoI 框架背景下进行分析。

真正的奖赏是企业级 AGI

我们的开篇视觉图使用了 George 的“威利狼”（Wile E. Coyote）隐喻来构建核心论点。图中显示 OpenAI 首席执行官 Sam Altman 冲过了企业级机会，冲下了超级智能的悬崖，而 Ali Ghodsi 和微软首席执行官 Satya Nadella 则在边缘冷眼旁观。这个笑话背后有一个更严肃的观点：Databricks、微软和其他企业平台正在参加一场不同的竞赛——一场以拥有连接企业数据、业务含义和智能体行动的智能系统层为核心的竞赛。

关键点

• AI 行业在商业上已转向企业市场，但并非所有供应商都在架构上进行了转型。
• 虽然越来越关注企业市场，但前沿模型供应商主要仍在构建越来越聪明的通用模型。
• 企业级 AGI 不仅仅是模型加上企业数据——它是将专有数据、业务流程和隐性知识转化为受治理资产的能力。
• 这些资产成为允许模型进行推理、让智能体在企业特定背景下采取行动的基础。
• 智能系统是企业级 AGI 的关键，因为它捕捉了个体企业实际运作的方式。
• Databricks、微软、Snowflake Inc.、谷歌、亚马逊云科技（AWS）、Palantir Technologies Inc.、Salesforce Inc.、SAP SE 等公司正从不同的起点向这一机会靠拢。
• 本期节目将利用 Databricks 的最新公告，特别是 Genie Ontology，来评估市场的发展方向以及仍缺失的内容。

本期 Breaking Analysis 的前提是，AI 行业的大部分力量都聚焦在了错误的终点线上。过去几年，主导叙事是 AGI，然后是超级智能（弥赛亚 AGI）。在我们看来，那场竞赛已经超出了实际的企业相关性。真正的经济奖赏不是抽象的通用智能——而是企业级 AGI。

这种区别很重要。许多前沿模型供应商显然已经转向企业市场，因为那里有钱可赚。但正如我们经常强调的那样，这并不意味着他们已经转向了赢得企业市场所需的架构。向公司销售更聪明的模型与构建企业智能不是一回事。前沿实验室在很大程度上仍然试图将更多的智能集中在模型内部。

在我们看来，企业级 AGI 需要不同的东西。具体来说，是将公司的专有数据、业务流程和隐性知识捕捉为受治理的资产，模型可以对其进行推理，智能体可以据此采取行动。

这就是开篇视觉图的意义所在。Altman 被描绘成威利狼，冲过了企业级机会，冲下了超级智能的悬崖。Ghodsi 和 Nadella 的站位就像“跑路鸟”（Road Runner），站在边缘冷笑，因为他们明白真正的战斗不仅仅在于拥有最聪明的前沿模型。它在于拥有企业智能层——这一层协调数据、编码业务含义、整合隐性知识，并为智能体安全有效地运作提供护栏。

传统的企业供应商和现代数据平台越来越明白，通往持久优势的途径是将数据、流程和机构知识转化为资产。这些资产成为 AI 的背景和控制平面。它们允许智能体对业务进行推理，在企业特定的约束条件下采取行动，并与人类协调以实现集体成果。仅靠孤立的模型是无法做到这一点的。

Palantir 通过将专有数据、运营流程和领域知识连接成企业运作的模型，开创了这项艰苦工作的先河。现在，更广泛的市场正在向同一个目的地靠拢。前沿模型供应商想要统治企业。软件即服务（SaaS）供应商面临着超越记录系统的压力。超大规模云厂商看到了在基础设施之上形成的控制点。而以 Databricks 和 Snowflake 为代表的现代数据平台，正试图将受治理的数据基础转化为智能系统。

本期 Breaking Analysis 将定义企业级 AGI，通过我们的智能系统框架审视 Databricks 的最新举措，评估 Databricks Genie Ontology 的成熟度，并展示这种新兴架构如何重塑企业软件。我们将解决的一个重要问题是：哪些供应商能够帮助企业将其独特的专有数据、流程和隐性知识转化为复合的、受治理的智能资产。

关键结论： 企业 AI 的奖赏不会仅由通用智能赢得。它将由那些能够将每家企业的专有数据、流程和隐性知识转化为智能系统的平台赢得，智能体可以在此基础上进行推理并采取行动。这意味着通用人工智能已经经过了祛魅的阶段，开始大步向企业级 AI 使用场景前进。在这个过程中，会有更多的创业公司或者实体为企业场景提供价值。

方法 1：数据共产主义

下图介绍了构建企业智能的第一种方法——我们称之为数据共产主义。该视觉图特意将前沿模型的全球观与马克思主义隐喻相结合——世界上最聪明的人将他们的推理轨迹贡献给前沿模型，产生的智能被打包进模型并分发回给每个人。其承诺是一个强大的通用智能层。问题在于，每个人得到的基本上都是相同的内置智能。

关键点

• 前沿模型供应商已转向企业客户，但其核心架构仍将智能集中在模型内部。
• 第一代模型主要学习自广泛可用的互联网数据。
• 下一阶段需要更专业的推理轨迹——例如，投资银行分析师如何评估收购。
• 这些轨迹昂贵、狭窄且特定于领域，但一旦装入模型，它们就变成了所有人可用的共享智能。
• 这创造了一个通用的能力层，而不是企业特定的差异化。
• 向企业销售更聪明的前沿模型与创造企业智能不是一回事。
• 企业级 AGI 的奖赏需要特定于每家企业的智能——植根于其数据、流程和隐性知识。

企业智能的第一种架构是我们所称的数据共产主义。这个词很吸引人，但它捕捉到了一个重要的市场动态。前沿模型的观点假设世界上最好的智能应该被吸收到越来越聪明的模型中，然后广泛分发给用户和企业。理论上，这创造了一个强大的共享智能层。实际上，这意味着每家企业都能获得基本上相同的嵌入式智能。

我们认为市场低估了这一细微差别。一个前沿模型可以变得非常强大，但仍然无法理解特定企业是如何运作的。该模型可能了解通用金融、通用销售、通用软件工程、通用医疗工作流程和通用客户支持模式。但通用智能与特定的企业智能不是一回事。

前沿模型的前几代主要是在广泛可用的互联网数据上训练的。这种方法产生了卓越的通用能力，因为模型吸收了海量的公开知识。但随着前沿模型供应商深入企业用例，下一阶段的训练数据变得更加专业化。仅从公共网络学习是不够的。模型需要来自专家工作的推理轨迹。

投资银行的例子说明了这一点。为了自动化或增强分析师评估收购的工作，模型需要的不仅仅是通用的金融知识。它需要分析师的工作流程、假设、判断、数据源、中间推理和首选输出的示例。这种推理轨迹生成成本高昂、范围狭窄且深度专业化。同样的模式也适用于其他领域——保险承保、供应链规划、欺诈调查、临床运营、现场服务、采购和无数其他企业工作流程。

但问题在于：一旦这些专业知识被捕捉并装入前沿模型，它就成为了共享模型能力的一部分。它可能会为所有人改进模型，但它不会为任何一家企业创造专有优势。每个人都得到了相同的内置智能。模型变得更聪明了，但企业并不一定变得更具差异化。

这就是为什么我们认为“所有智能集中在一个模型中”的架构对于企业级 AGI 来说是不够的。它可以创造一个强大的基准，但它无法完全编码公司运作的独特方式——其专有数据、内部流程、决策权、风险控制、客户定义、定价逻辑、审批流程、部落知识和运营约束。这些不是通用资产。它们是企业特定的资产。

关键的区别在于，前沿模型可以提供通用推理，但企业级 AGI 要求每家公司将自己的运营知识作为数据捕捉——并将这些知识视为受治理的、可重用的、复合的资产。没有这一企业特定层，公司只是在租用竞争对手也能获得的通用智能。

这就是数据共产主义的局限性。它提高了所有人的底线，但并没有提高特定企业的上限。真正的奖赏不仅仅是一个更聪明的模型。它是一个学习每家企业实际运作方式的系统。

关键结论： 数据共产主义创造了一个通用智能层，但通用智能不是竞争优势。企业级 AGI 要求每个组织将其自身的数据、流程和隐性知识转化为专有的智能资产。

方法 2：数据资本主义：作为专有资产的企业智能

下图展示了数据共产主义的替代方案：数据资本主义。前沿模型仍然是基础，但通用智能将广泛可用。差异化属性是特定于每家企业的智能——其专有数据、业务流程、政策、隐性知识和运营模式。下方的堆栈展示了这些资产如何从数据平台和记录系统流向智能系统，然后流向代理系统和参与系统。

关键点

• 通用智能提高了所有人的底线，但它不能创造独特的企业优势。
• 竞争优势来自专有数据、业务流程、公司规则和隐性知识。
• 智能系统是关键层，因为它成为了企业实际运作方式的数字表示。
• 数据平台和记录系统告诉我们发生了什么；智能系统解释了为什么发生、可能发生什么以及接下来应该做什么。
• 代理系统允许智能体通过该智能采取行动，而不是绕过它。
• 参与系统成为人、智能体、意图和成果汇聚的新工作界面。
• 更深刻的洞察是，参与系统和智能系统必须协同设计——客户端教导后端，后端改进客户端。
• 企业规模的下一个时代将不再仅仅围绕物理资产或劳动等级制度组织，而是围绕作为受治理企业资产的智能组织。

数据共产主义的替代方案是我们所称的数据资本主义。在这种模式下，智能不仅仅被吸收到通用的前沿模型中并重新分发给每个人。相反，每家企业捕捉自己的数据、流程、政策和隐性知识，根据其自身的公司要求对其进行治理，并将它们转化为模型和智能体可以进行推理的持久资产。

这种区别很重要。前沿模型仍然是基础。它们提供通用推理、语言理解、代码生成和多模态能力，这些能力将变得越来越强大。但如果这种通用智能广泛可用，它就不能成为可持续企业差异化的基础。优势的来源转向了独特的东西——公司的客户、产品、工作流程、运营规则、机构记忆、监管约束、决策权和文化。

幻灯片上的堆栈展示了价值集中的地方。在底层，数据平台和记录系统仍然必不可少。它们告诉企业发生了什么。它们存储交易、事件、记录、文档和业务快照。但它们本身并不能解释业务。它们不知道为什么发生某事，接下来可能发生什么，或者应该采取什么行动。

这就是智能系统的角色。我们认为这是新兴企业 AI 软件堆栈中的关键层。它是企业的数字表示——业务状态的实时模型。它将受治理的数据与业务含义、指标、政策、流程、关系和隐性知识连接起来。在工业时代，公司围绕铁路、仓库、工厂和装配线等物理资产组织。在 AI 时代，我们认为公司将越来越多地围绕智能资产组织——即企业运作方式的模型化表示，特别是其流程。

这就是为什么管理类比在我们看来如此相关。当前的辩论往往设想一个由一个人和一支智能体大军运营的十亿美元公司的未来。该框架捕捉到了个人生产力，但它错过了更大的组织机会。智能体不会仅仅让个人更有效率。

当植根于智能系统时，智能体将拥有支持规划、控制、协调、资源分配和组织对齐的专业知识。这些是管理的核心功能。底层智能层越完整，人类和智能体就越能在规模上进行协调。

在我们看来，这指向了一个更大、更复杂的经济组织形式的未来，而不仅仅是人员更少的小公司。亚马逊等公司的经验教训是，规模优势越来越多地来自一个运营平台，该平台允许人类、软件和数据跨多个领域进行协调。企业级 AGI 通过增加能够通过企业模型进行推理和行动的智能体，扩展了这一逻辑。

堆栈的顶部展示了代理系统。在这里，智能体使用智能系统来回答问题、分析选项、规划行动并使决策可操作化。关键在于智能体不应脱离企业背景独立行动。它们应该通过智能系统采取行动，其中规则、约束、指标和受信任的数据提供了护栏。

堆栈的左侧展示了参与系统——人类和智能体交互的新工作界面。在这里，用户表达意图、提出问题、解决歧义、批准行动并与洞察、决策和数据进行交互。参与系统不仅仅是一个前端。它成为了一个学习界面。它捕捉了帮助智能系统理解企业实际运作方式的语言、问题、纠正和决策。

参与系统和智能系统之间的协同设计是该架构中最重要的洞察之一。智能客户端和智能后端必须相互加强。参与层收集用户意图和行为信号。智能层将这些信号转化为受治理的背景。代理层随后以越来越高的信心采取行动，因为它是在更丰富的企业模型上运行的。

还有一个值得注意的关键设计张力。纯粹的自上而下的企业模型构建可能需要太长时间，并且在完成之前可能就已经过时了。纯粹的自下而上的模型可以从用户、查询、工作流程和行为信号中快速学习，但它有产生孤岛和不一致的风险。最有前途的架构将结合两者。它将从自下而上推断它能推断的内容，从自上而下治理必须标准化的内容，并持续协调两者。

这就是为什么数据资本主义不仅仅是关于拥有数据。它是关于拥有智能生产系统。企业将通过将其专有数据、流程和隐性知识转化为受治理的、可重用的和复合的资产来创造优势。这些资产被使用、细化并连接到决策的次数越多，它们就越有价值。

关键结论： 数据资本主义将企业知识视为专有资产。智能系统成为公司新的组织层——连接数据、流程、政策和隐性知识，以便人类和智能体能够以企业规模协调行动。

Databricks 向上移动企业智能堆栈

幻灯片设置： 下图将我们的企业智能软件框架映射到 Databricks 堆栈上。虽然 Databricks 在其用户大会（3 万多名与会者）上发布了一长串重要的公告，但真正的故事是 Databricks 从数据基础设施向上移动到新兴 AI 堆栈的高价值层——参与系统、智能系统和代理系统。Genie 是智能体客户端层，Genie Ontology 是新兴的智能后端，Agent Bricks 加上 Unity AI Gateway 开始使智能体工作可操作化并受治理。

关键点

• Databricks 不再仅仅定位为数据基础设施——它正在向上移动到企业智能领域。
• Genie 和更广泛的 Genie 系列代表了参与系统——针对不同角色的智能客户端。
• Genie One 针对业务用户，并将体验锚定在业务数据、仪表板、应用程序和受治理资产中。
• 其他 Genie——如 Code、ZeroOps、Agents、App Builder 和 Flow——是理解 Databricks 环境的角色特定同事。
• Genie Ontology 位于堆栈中间，作为 Databricks 新兴的智能系统——企业数据和业务含义的地图。
• Agent Bricks、Omnigent、Unity Catalog 和 Unity AI Gateway 构成了代理系统和治理层的基础。
• 关键问题是这些部分是否以及如何在一个闭环中相互加强——从用户、应用程序、受治理数据和智能体活动中学习。
• 数据层仍然必不可少，但看起来越来越像基础设施。新平台是企业本体或数字孪生，新应用程序是智能体。

Databricks 的 Data + AI Summit 一如既往地发布了许多产品公告。在我们看来，更重要的故事是架构上的。Databricks 正在从数据基础设施向上移动到企业 AI 堆栈中，进入下一个价值捕获时代可能发生的层级——参与、智能和代理。

这种模式并非 Databricks 所独有。我们看到了 Snowflake 的类似动作，但 Databricks 的愿景似乎更完整。现代数据平台明白，数据基础设施虽然必要，但还不够。更高价值的机会是将受治理的数据转化为业务背景，然后将该背景转化为智能体行动。这需要一个前端体验，用户可以在其中表达意图；一个理解企业含义的智能后端；以及一个控制智能体如何行动的治理结构。

在 Databricks 堆栈中，参与系统由 Genie 和更广泛的 Genie 系列代表。Genie One 是业务用户客户端。它不仅仅是另一个仪表板界面。它是一个数据感知型同事，旨在将业务用户连接到整个企业可用的资产——仪表板、应用程序、Genie Spaces、表格、受治理指标和其他分析资产。重点是体验锚定在业务数据中。这意味着用户界面成为了关于人们如何提出问题、解决歧义和消费洞察的信号源。

Databricks 也在将 Genie 概念扩展到其他角色。Code、ZeroOps、Agents、App Builder 和 Flow 是角色特定智能客户端的示例。这些产品不是放入企业环境中的定制Copilot。它们是围绕 Databricks 世界进行后训练或调整的，这意味着它们理解 Databricks 资产、工作流程和运营模式。一个理解如何在 Databricks 中构建数据管道的编码助手，或者一个理解如何管理 Databricks 基础设施的 ZeroOps 助手，可以比更通用的工具以更少的监督和更少的手动调整进行操作。

这种角色特定的设计是通往更广泛的企业级 AGI 架构的线索。正如 Databricks 可以在其自身环境上对智能体进行后训练一样，企业也可以构建自己的智能系统，以便其业务智能体理解公司的环境。 企业需要一张地图——其数据、实体、关系、政策、指标和工作流程的表示。这就是 Genie Ontology 变得具有战略重要性的地方。

Genie Ontology 贯穿 Databricks 堆栈的中间，因为它是新兴的智能系统层。在我们的框架中，智能系统是企业的地图。它允许智能体客户端导航业务背景，并允许智能体自信地采取行动。目前，Genie Ontology 是迈向数字孪生的一小步——还不是一个完整的企业运营模型，但它是迈向企业数据和业务含义的受治理表示的审慎举措。

在本体之上是代理系统。Databricks 在这里有几个部分。Agent Bricks 正在演变为一个用于构建、部署、优化和治理智能体的智能体开发平台。Omnigent 是一个开源工具，可以将智能体客户端和编码助手连接到 Databricks 治理层中。Unity Catalog 和 Unity AI Gateway 提供了随着智能体工作负载扩展，企业将需要的政策、访问控制、路由、模型治理、追踪和成本管理能力。

这就是堆栈开始融合的地方。智能系统提供了地图。Genie 使用该地图帮助用户与企业数据和业务背景进行交互。Agent Bricks 和相关的代理工具允许智能体使决策可操作化。Unity Catalog 和 Unity AI Gateway 治理允许的内容。这些层相互加强的程度越高，Databricks 就越能从数据平台转向企业智能平台。

仍有待解决的关键问题

仍有一些需要进一步研究的开放性问题。首先是参与系统和智能系统协同设计的深度。智能客户端不仅必须查询本体。它还应该帮助教导它。用户的问题、纠正、澄清、接受的答案和拒绝的答案可以成为改进企业地图的信号。当 Databricks 控制客户端体验时，该学习循环要强大得多。当第三方客户端——如编码助手、企业Copilot或其他智能体工作界面——位于 Databricks 后端之前时，情况会变得更加复杂。

第二个问题是 Genie Ontology 能进化到什么程度。今天，它作为受治理数据之上的语义和上下文层表现最强。这很有价值，但企业级 AGI 需要的不仅仅是语义协调。它需要一个关于业务如何运作的受治理的、可执行的模型——包括行动、前提条件、效果、政策、工作流程和实时状态。Databricks 有重要的成分，但完整的智能系统仍在涌现。

第三个问题是价值线划在哪里。Databricks 和其他人正试图使数据格式和数据基础设施对客户不可见。正如 Ryan Blue 在第一天主题演讲中与 Ghodsi 的简短台上互动所见，这是令人鼓舞的进展。客户不应该关心底层格式是 Delta、Iceberg 还是其他什么。基础设施应该直接工作。但这也意味着基础设施变得更像硬件——必要、强大且昂贵，但日益标准化。差异化平台是本体或数字孪生。之上的应用程序是智能体。

这是 Databricks 正在尝试的战略飞跃。它正试图将其受治理的数据基础转化为企业智能平台，然后将智能体用作其之上的应用程序层。如果成功，Databricks 将不仅仅帮助企业存储、治理和分析数据。它将帮助他们建模业务运作方式，并让个人和智能体通过该模型采取行动。

关键结论： Databricks 正试图从数据平台转向企业智能平台。关键测试是 Genie、Genie Ontology、Agent Bricks 和 Unity 治理是否成为一个相互加强的系统，学习每家企业如何运作，并将这些知识转化为智能体行动。

Genie One：针对业务用户的智能体客户端

下一张幻灯片放大了参与系统。Genie One 是 Databricks 的业务用户智能体客户端——一个数据感知型 AI 同事，将仪表板、Genie Spaces、应用程序和受治理数据带入一个共同的体验中。它看起来可能是一个新的分析工作区，但我们认为其意图更深。具体来说，这是业务用户表达意图、提出问题、澄清歧义并创建可以使智能后端更聪明的信号的地方。

关键点

• Genie One 是 Databricks 面向业务用户的“前门”——一个数据感知型 AI 同事，而不是另一个 BI 界面。
• 该体验汇集了仪表板、Genie Spaces、Databricks 应用程序、受治理数据资产、指标、语义对象、笔记本和查询。
• 最初的重点是原生 Databricks 资产，但雄心延伸到了外部文件、文档、非结构化内容和 SaaS 数据。
• 关键的架构优势是将体验锚定在受信任的、经过验证的“黄金”数据资产中。
• 事实来源（Ground truth）为本体提供了连接其他资产的权威点。
• 连接器是必要的，但还不够——艰苦的工作是跨系统映射含义。
• 拥有用户体验的战略原因是用户的问题、纠正和澄清可以教导智能系统。

Genie One 最好的理解是 Databricks 的业务用户智能体客户端。 它是一个数据感知型 AI 同事，旨在为业务用户提供一个单一的地方来处理数据、分析、应用程序和 AI。从表面上看，它看起来像是与商业智能和分析资产交互的一种更现代的方式。在我们看来，它的重要性要大得多，因为它成为了捕捉意图、背景和反馈的企业工作界面。

一年前，Genie 主要是一种访问仪表板等 BI 资产的方式。范围现在正在扩大。Genie One 汇集了 AI/BI 仪表板和可视化、Genie Spaces、Databricks 应用程序、受治理的表格、视图和数据集、指标和语义对象、笔记本、查询和其他工作区资产。换句话说，它正在从仪表板前端转向智能业务工作区。

这意味着参与系统不仅仅是一个用户界面。它是用户用商业语言提出问题、解决模糊定义、在可能的答案中进行选择并验证响应是否有用的地方。这些交互创建了行为信号。随着时间的推移，这些信号可以帮助构建和细化智能系统。

下一阶段是将 Genie One 连接到更广泛的企业资产领域。这包括上传到 Genie Spaces 的本地文件——如 Excel 或 CSV 文件——并将这些文件与 Unity Catalog 受治理数据混合。它还包括来自 SharePoint、Google Drive、Confluence 和 Glean 等系统的文档和非结构化内容。此外，Databricks 强调了 80 多个连接到 SaaS 和企业应用程序的连接器，包括 CRM、支持、生产力和文件存储中的常见系统。

但连接器只是第一步。困难的部分是映射含义。连接到 Salesforce 或 SAP 是一回事。Genie One 知道一个系统中的“客户”映射到另一个系统中的“账户”，客户在某些信用条件下应受到不同对待，或者收入指标必须在多个运营系统中一致计算，则是另一回事。

这就是 Databricks 拥有潜在重要优势的地方——在事实来源（Ground truth）方面。该公司从受治理的、经过验证的数据资产开始——即所谓的“黄金”数据。经过认证的仪表板、受治理的指标或受信任的表格提供了一个权威的立足点。这为本体提供了连接其他资产的东西。没有这个锚点，企业图谱将变得更难构建，因为对于什么是受信任的参考点没有共识。

因此，Genie One 的战略意义超越了为业务用户提供更好的前端。更重要的是，在我们看来，Databricks 正试图为企业创建一个学习界面。每一个查询、接受的答案、拒绝的答案、澄清和纠正都可以成为智能后端的输入。参与系统教导智能系统，而智能系统使参与层更有用。

该反馈循环是企业级 AGI 的核心。企业不仅仅需要一个仪表板之上的聊天机器人。它需要一个能够学习公司语言、资产、定义和工作流程的智能客户端。Genie One 是该架构的早期表达。它的成功将取决于 Databricks 能否从原生分析资产扩展到文件、文档、SaaS 应用程序和跨系统业务含义的更混乱的世界。

关键结论： Genie One 不仅仅是一个业务用户界面。它是 Databricks 试图拥有捕捉企业意图并将其反馈回智能系统的参与层的尝试。其长期价值取决于将用户交互转化为受治理的企业背景。

Databricks 的众多 Genie：构建在共享企业地图上的角色特定同事

下图将 Genie 概念扩展到了业务用户界面之外。Genie One 是业务用户的“前门”，但 Databricks 更广泛的雄心是为许多角色——开发人员、数据工程师、数据科学家、分析师、智能体构建者和业务用户——创建数据感知型 AI 同事。幻灯片的信息是 “每个人。到处。一切。” 战略要点是，这些角色特定的体验可以通过 Unity Catalog 和 Genie Ontology 从相同的受治理企业背景中提取，并贡献回相同的背景。

关键点

• 市场上不乏智能体、Copilot和智能体开发工具。
• 差异化来自将这些智能体与公司特定的数据和行动空间集成。
• Genie Ontology 和 Unity Catalog 构成了新兴的企业地图和治理层。
• 角色特定的 Genie 可以理解 Databricks 环境并以更少的监督进行操作。
• Genie Code 可以帮助构建 Databricks 应用程序和数据管道。
• ZeroOps 可以理解 Databricks 环境、诊断问题并建议或执行补救措施。
• 数据科学和分析师体验可以基于受治理的指标和预定义的语义对象进行操作。
• Databricks 的雄心有三个向量：将 Genie 给每个人，将其连接到一切，并让用户在任何地方访问它。
• 参与界面越普及，用户与智能后端之间的学习循环就越强。
• 风险在于，如果第三方客户端拥有过多的参与层，Databricks 可能会丢失改进本体所需的一些交互信号。

Genie One 是业务用户界面，但在我们的评估中，Databricks 的雄心要广泛得多。该公司正在将 Genie 扩展到各个角色和工作流程，为开发人员、数据工程师、数据科学家、分析师、应用程序构建者、智能体构建者和业务用户创建数据感知型 AI 同事。在我们看来，这是正确的架构方向，因为企业级 AGI 不会通过单一的通用聊天机器人来交付。它将需要理解企业工具、数据、权限、工作流程和商业语言的角色特定体验。

市场上已经挤满了Copilot和智能体工具。智能体很多，而且还会更多。真正的问题是什么使它们与众不同。我们认为答案不仅仅是界面，也不仅仅是模型。差异化因素在于智能体是否与公司特定的数据和行动空间集成。

这就是 Genie Ontology 和 Unity Catalog 变得重要的地方。它们共同开始创建一个公司特定的环境——一张企业地图和围绕它的治理层。如果该地图足够丰富，角色特定的智能体就可以理解公司如何运作、哪些数据资产是受信任的、哪些指标最重要、哪些权限适用以及哪些行动是允许的。

这就是为什么基于角色的方法如此相关。Genie Code 可以帮助开发人员构建 Databricks 应用程序或数据管道，因为它理解 Databricks 环境。ZeroOps 可以帮助诊断和补救运营问题，因为它理解基础设施和管道背景。数据科学和分析师体验可以使用受治理的指标和语义对象，从而更容易从受信任的企业定义中构建模型和分析。业务用户通过 Genie One 进行交互，但更广泛的模式是相同的，即每个角色都获得一个植根于相同智能后端的专业同事。

上图围绕三个向量构建了战略。

• 首先，Databricks 希望将 Genie 给每个人——业务用户、开发人员、分析师、数据工程师和智能体创建者。
• 其次，它希望将 Genie 连接到一切——湖仓、受治理指标、联邦应用程序、查询、搜索、工具、行动以及通过 MCP 等机制的非结构化数据。
• 第三，它希望用户在任何地方访问 Genie——桌面、移动、Slack、Teams、AI 生产力工具、智能体编码工具，并最终通过用户自己的智能体。

那种“到处”的雄心是值得注意的。参与系统不仅仅是一个消费层。它也是一个学习界面。每一个用户问题、纠正、澄清、接受的答案、拒绝的答案和工作流程交互都成为智能系统的潜在信号。Databricks 控制或观察的表面积越大，它改进本体的机会就越多。本体越好，角色特定的 Genie 就越有用。这就是良性循环。

这也解释了为什么参与系统正成为企业 AI 中竞争最激烈的层级之一。微软、Snowflake、谷歌、亚马逊、前沿模型供应商和 SaaS 玩家都希望他们自己的智能体客户端变得无处不在。谁拥有参与层，谁就拥有了教导智能后端企业实际运作方式的行为排气（behavioral exhaust）的特权访问权。

Databricks 的优势在于其参与层锚定在受治理的数据中。其挑战在于分发。微软拥有生产力界面。SaaS 供应商拥有应用程序工作流程。前沿模型供应商拥有最广泛的 AI 思想份额。Databricks 必须使 Genie 足够普及，以便能够捕获改进 Genie Ontology 所需的交互信号，同时仍然容纳企业不可避免地会使用的第三方客户端。

因此，“众多 Genie”战略不能是关于产品蔓延。它必须是关于将角色特定的参与转化为共享学习系统。如果 Genie 仍然连接到相同的受治理企业地图，它们就可以相互加强。如果它们分裂成断开连接的Copilot，该架构就会失去其飞轮优势。

关键结论： Databricks 的“众多 Genie”战略与其他Copilot不同。其重点是创建共享一个受治理企业地图的角色特定参与界面——并不断教导智能后端业务如何运作。

Genie Ontology：智能后端的内核

下一张幻灯片移动到了智能后端的内核：Genie Ontology。这是 Databricks 开始通过连接业务术语、指标、权威数据源、语义定义和专业知识，将受治理的数据转化为共享企业含义的地方。当前的能力最好理解为语义协调——帮助组织就其数据实际含义达成一致。这是迈向智能系统的重要一步，但它还不是企业运作方式的完整数字模型。

关键点

• Genie Ontology 是 Databricks 新兴的智能系统层。
• 其目的是创建企业数据和业务含义的地图。
• 本体从表格、查询、仪表板、文档、指标视图、管道和连接的应用程序中提取并组织知识“片段”。
• 示例包括指标定义、权威数据源、实体关系和规则类业务语义。
• 其当前优势是语义协调——定义术语、指标和实体在整个企业中的含义。
• 这种自下而上的学习方法是与主要自上而下编写的旧语义层的重大转变。
• 主要优势是事实来源（Ground truth）——将推断出的知识与经过认证的、受治理的“黄金”数据资产联系起来。
• 困难的部分是编码业务流程逻辑、政策、前提条件、效果和运营规则。
• 谁拥有业务定义，谁就可能能够生成仪表板、应用程序和智能体体验。
• 这就是为什么本体所有权可能成为企业软件的主要控制点。

在我们看来，Genie Ontology 是 Databricks 企业智能战略中最重要的部分，因为它开始回答企业级 AGI 中的核心问题：系统如何知道业务实际意味着什么？

行和列中的元数据和数据是不够的。表格可以存储收入、客户、机会、订单或发票，但它不会自动知道哪个收入数字是权威的，“活跃客户”应该如何定义，指标应该如何计算，哪个来源是受信任的，或者哪个业务流程规则管理决策。企业级 AGI 要求这些含义被捕捉、治理并提供给智能体。

这就是 Genie Ontology 设计的目的。它通过从表格、查询、仪表板、管道、指标视图、文档和连接的应用程序等资产中提取知识，构建企业数据和业务背景的地图。这些知识片段可以包括指标定义、权威来源指针、实体关系、同义词、业务术语、SQL 表达式、连接关系、格式规则和领域特定指令。然后，本体根据来源、权威性、使用频率和新鲜度等信号对这些片段进行排名和使用，同时执行 Unity Catalog 权限。

实际上，Genie Ontology 可以编码诸如以下示例的语句：收入应来自特定的认证财务表格；活跃用户是跨平台去重的不同用户；特定的指标（如 NRR）是使用批准的公式计算的；或者特定的仪表板是唯一的权威事实来源。这些示例并非微不足道。它们是决定 AI 系统产生受信任答案还是仅仅产生合理答案的语义管道。

我们的评估是，Databricks 当前的优势是语义协调。它正在帮助企业就不同用户、仪表板、指标和领域的数据含义达成一致。这是一个巨大的进步，因为大多数企业仍然在与不一致的定义、重复的指标、断开连接的报告和相互竞争的事实版本作斗争。

架构上的细微差别在于其中有多少可以自下而上地学习或推断。历史上，企业语义层和本体大多是自上而下编写的。专家定义模型、治理术语并手动策划含义。这种方法可以产生一致性，但它缓慢、脆弱，并且往往无法跟上企业变化的方式。Databricks 和 Snowflake 正在表明，至少部分企业地图可以从实际使用模式中学习——查询、仪表板、指标定义、文档、用户行为和接受的答案。

这并不意味着自下而上的学习解决了整个问题。它适用于许多实体、关系、度量、定义和分析结果。当系统必须理解业务流程逻辑时，它要困难得多。例如，“合格潜在客户”可能只有在预订演示后才计算。信用额度扩展可能取决于客户层级、付款历史、地区、产品类型和风险政策。收入确认可能取决于合同条款、交付里程碑和当地法规。这些不仅仅是定义——它们是运营规则。有些可以推断甚至硬编码。但随着情况的变化，这些必须在整个企业中明确教导、批准和治理。

这就是描述性本体与可执行本体之间的区别变得重要的地方。Genie Ontology 今天作为受治理数据之上的描述性或读取背景层表现最强。它通过将智能体植根于企业语义中来帮助它们准确回答。但完整的智能系统最终必须走得更远。它必须表示类型化对象、行动、前提条件、效果、工作流程、实时状态和政策约束。这就是允许智能体不仅回答问题，而且自信地采取行动的原因。

战略含义是，谁拥有本体，谁就拥有业务定义。 在 AI 时代，我们认为拥有定义比拥有仪表板更重要。如果系统知道权威指标、实体和关系，那么它就可以动态生成可视化、叙述、应用程序或智能体工作流程。仪表板成为输出，而不是控制点。

这就解释了为什么语义层正成为竞争的战场。微软据报道阻止 Databricks Unity 指标在 Power BI 中被消费，这凸显了利害关系。陈述的理由可能是为了保持一致性，但更深层的问题是控制。如果 Power BI 拥有定义，微软就可以将这些定义推送到 Fabric 中并使其成为权威。如果 Databricks 通过 Unity Catalog 和 Genie Ontology 拥有定义，那么 Power BI 的中心地位就会降低，因为可视化可以从 Databricks 的受治理语义层生成。

在我们看来，这是下一个主要的平台之战。记录系统捕捉交易。BI 层捕捉报告。数据平台捕捉存储、治理和分析。智能系统旨在捕捉企业含义本身。这是一个更高价值的控制点，因为它成为了智能体、应用程序和业务行动的基础。

Genie Ontology 还不是一个完整的企业数字孪生。它还没有完全实时建模业务运作方式。但它是迈向智能后端的重要一步，它为 Databricks 提供了一条从受治理数据平台到企业智能平台的可靠路径。

关键结论： Genie Ontology 将受治理的数据转化为业务含义。其当前优势是语义协调，但战略奖赏更大。它是拥有智能体进行推理、决策和行动所需的业务定义、规则和背景。

Genie Ontology 如何学习：动态背景图谱

这张幻灯片解释了 Genie Ontology 是如何构建并保持最新的。Databricks 并没有仅仅依赖传统的自上而下的语义建模练习，而是试图自下而上地推断企业含义——从 KPI、SQL 查询、商业词汇、用户交互、纠正、接受的答案、Unity Catalog 模式、Lakeflow 管道和非结构化工作场所内容中推断。结果是一个动态背景图谱，它在利用知识来植根智能体响应之前，根据来源、权威性、频率和新鲜度对知识进行排名。

关键点

• 传统的语义层（例如 AtScale、GoodData）大多是自上而下编写的；Genie Ontology 设计为更多地自下而上学习。
• 系统摄取“人类信号”，如 KPI、SQL 查询、商业词汇和用户定义的背景。
• 它还从 Unity Catalog 模式、Lakeflow 管道和非结构化工作场所内容中收集系统信号。
• 用户交互成为行为排气——问题、接受的答案、纠正和澄清都可以改进本体。
• Databricks 使用一种他们称为 OntoRank（不确定为什么他们不直接称之为“OntologyRank”）的机制，根据来源、权威性、使用频率、新鲜度以及与认证资产的链接来权衡知识。
• 关键优势是植根（Grounding）——将推断出的背景与受信任的、受治理的“黄金”数据资产联系起来。
• 这种方法可以减少手动策划，并有助于解决企业背景问题。
• 自下而上的学习最适用于实体、关系、度量、词汇和 BI 风格的语义。
• 对于业务流程规则——必须发生什么、不能发生什么以及为什么——它要困难得多。
• 参与系统不仅仅是一个客户端——它是智能系统的教学界面。

对于任何企业本体来说，关键问题不仅仅是它今天知道什么。而是它是如何学习的，它是如何保持最新的，以及当企业发生变化时它是如何解决冲突的。Genie Ontology 很重要，因为 Databricks 并没有试图将其主要构建为静态的、自上而下的语义层。设计中心是一个自下而上的学习循环。

这是一个重大转变。历史上，企业语义层是由专家编写的。业务分析师、数据团队和治理委员会定义指标、维度、层次结构、连接和业务术语。该模型可以产生一致性，但它缓慢且难以保持最新。当自上而下的企业模型完成时，业务往往已经向前发展了。

Genie Ontology 采取了不同的路径。它从人类工件和系统行为的组合中学习。上图显示了三个主要输入流。第一个是 Genie Space 工作室，用户在其中定义或公开 KPI、SQL 查询和商业词汇。第二个是实时交互循环，成功的聊天响应、用户反馈和澄清可以被捕捉为永久知识。第三个是自动化生态系统收集器，它扫描 Unity Catalog 模式、Lakeflow 管道和非结构化工作场所内容（如 Slack 消息和文档）。

目的是从人和系统实际使用企业对象的方式中推断其含义。本体查看来自表格、查询、仪表板、管道、指标视图、文档和连接的应用程序的片段。然后，它使用更复杂的 Google PageRank 风格过滤器对这些片段进行排名，该过滤器权衡来源、权威性、使用频率、新鲜度和与认证资产的连接。目标是确定哪些定义、关系和来源最有可能代表事实来源（Ground truth）。

事实来源是关键优势。许多企业知识图谱失败是因为它们可以收集信息但无法确定什么是权威的。Databricks 有一个更强的起点，因为它可以将推断出的知识锚定到 Unity Catalog 中的受治理资产——认证仪表板、批准的指标视图、受信任的表格和受权限控制的数据。这为本体提供了一个参考层，可以根据该层评估其他信号。

这就是为什么参与如此关键。Genie 不仅仅是一个用户界面。它是学习系统的一部分。用户用自然语言表达意图。他们使用公司特定的词汇提出问题。他们接受或拒绝答案。他们纠正模糊的定义。他们澄清系统不理解的术语。随着时间的推移，这些交互成为可以教导智能后端的行为排气。

该架构的力量在于它可以在没有大量手动策划的情况下解决部分背景问题。它可以学习到某些人是某些领域的专家。它可以推断出两个字段经常连接在一起。它可以学习到某个指标是给定业务问题的首选度量。它可以发现词汇、使用模式、权威仪表板和常见的分析路径。对于 BI、分析、实体解析和语义协调，这种自下而上的方法可以走得非常远。

但它也有上限。行为信号显示人们做了什么。它们并不总是揭示业务需要什么。查询日志可以暴露类型、粒度、连接和词汇。它们可以显示用户经常以某种方式计算指标。但它们不能可靠地执行政策、义务、禁止或意图。它们不能总是告诉系统必须发生什么、不能发生什么、哪个规则具有优先级，或者为什么存在一个流程。

企业级 AGI 需要的不仅仅是数据含义的描述性地图。它需要业务的运营模型。它必须不仅理解“白金客户”意味着收入超过某个阈值的账户，还必须理解允许这些客户采取什么行动、需要什么批准、什么政策约束该行动以及该行动产生什么下游效果。

这就是为什么上图既令人鼓舞又揭示了其局限性。动态背景图谱是迈向智能系统的重要一步，因为它让企业从使用中学习，而不是完全依赖自上而下的建模。但要达到更高水平的本体成熟度，学习机制必须进化。自下而上的推断必须与明确的教学、治理以及将业务逻辑提升为共享企业资产相结合。

关键结论： Genie Ontology 的自下而上学习循环是语义协调的突破。但行为只能显示发生了什么——它不能完全定义需要什么。要成为企业级 AGI，本体必须将推断出的背景与受治理的业务规则和明确教导的运营逻辑相结合。

澄清循环：客户端如何教导本体

下一张幻灯片以简单的形式展示了学习循环。业务用户使用公司特定的语言提出问题：“向我展示白金客户群的流失收入。” Genie 没有猜测，而是识别出“白金客户群”是模糊的，并要求澄清。用户提供了定义——白金客户是任何给定月份产生超过 1 万美元收入的账户——该澄清可以成为未来用户和智能体的可重用企业背景。

关键点

• 该示例看起来很简单，但它捕捉到了为什么参与系统在战略上至关重要。
• Genie 不仅仅回答问题——当本体缺乏信心时，它可以提出澄清问题。
• 用户澄清成为可以教导智能系统的行为排气。
• 公司特定的语言是企业背景的主要来源——像“白金客户”这样的术语通常具有本地含义。
• 拥有业务用户客户端是关键，因为这是模糊性被浮现、澄清和捕捉的地方。
• 澄清循环适用于业务定义、指标、语义意图和常见的企业词汇。
• 当澄清暗示政策、权限、流程规则或跨职能治理时，循环变得更加困难。
• 每个主要供应商都想要这个参与层，因为它成为了智能后端的新工作界面和训练界面。
• 没有客户端，供应商可能拥有数据或模型，但会错过改进本体所需的交互信号。

白金客户的例子看起来几乎微不足道，但它揭示了企业级 AGI 中最重要的设计原则之一，即智能客户端必须教导智能后端。

用户要求 Genie 展示白金客户群的流失收入。“白金客户群”这个词并不自明。它可能意味着按年收入划分的顶级账户、超过终身价值阈值的客户、忠诚度计划中的客户、拥有高级支持的客户，或任何数量的公司特定定义。通用模型可能会猜测。受治理的企业系统不应该。

在此示例中，Genie 识别出模糊性并要求澄清：应该如何定义“白金客户群”？用户回答说，白金客户是任何给定月份产生超过 1 万美元收入的账户。该答案不仅仅是一个静态的一次性指令。它可以成为企业背景——一个有助于未来用户和智能体一致解释同一术语的可重用含义片段。

这就是为什么参与系统在我们的模型中如此关键。前端客户端不仅仅是用户消费答案的地方。它是企业表达意图的地方。它是模糊术语被浮现的地方。它是相互竞争的定义被协调的地方。它是用户确认、拒绝、纠正和细化系统所相信的内容的地方。换句话说，客户端是一个教学工具。

该教学功能取决于参与系统和智能系统之间的紧密协同设计。本体必须能够识别其知识中的空白，将澄清问题路由给用户，捕捉响应，附加来源和权威性，然后确定新定义是应该保持本地、路由审批还是提升为更广泛的企业背景。

这也是为什么拥有业务用户体验在战略上是有价值的。如果供应商拥有客户端，它就可以捕捉自然语言查询、模糊性、澄清和随后的使用模式。如果另一个供应商拥有客户端，这些信号可能是不完整或不可用的。后端可能仍然回答问题，但它丢失了改进本体所需的一些行为排气。

这也解释了为什么这么多供应商在争夺新的智能体工作界面。Snowflake 需要一个业务用户客户端，因为当用户教导它时，其智能后端会得到改进。微软正在大力投资 Microsoft 365 Copilot，因为生产力界面是表达许多企业意图的地方。AWS、谷歌、OpenAI、Anthropic、Salesforce 和其他人都有相同雄心的版本。奖赏不仅仅是用户界面资产。奖赏是学习循环。

有一个更深层的平台含义。随着智能体客户端成为重心，传统应用程序面临着成为新界面调用的工具，而不是用户直接访问的目的地的风险。Office 文档、仪表板、BI 报告、客户关系管理屏幕和工作流程应用程序可能越来越多地成为更广泛智能体体验中的可编辑工件或工具端点。拥有客户端的供应商可以塑造这些工具如何被调用——并可以捕捉训练智能后端的反馈。

澄清循环特别适用于公司特定的英语、指标定义、实体标签和语义模糊性。它可以学习到“白金客户”有本地定义，特定的仪表板是权威的，或者某个指标应该以特定方式计算。但它也有局限性。当澄清跨越到政策、权限、合规性或运营规则时，系统需要治理。单个用户的答案不能自动成为每个背景下的企业真理。

这就是学习与治理之间的界限。系统应该向用户学习，但它也必须知道何时询问、何时路由审批、何时保持本地背景以及何时将知识提升为企业本体。这就是自下而上的学习开始满足自上而下的控制的方式。

关键结论： 智能体客户端不仅仅是企业级 AGI 的前端。它是教学界面。谁拥有澄清循环，谁就能捕捉使智能系统随着时间推移变得更聪明的公司特定语言、定义和意图。

本体成熟度：从语义背景到智能体协调

下一张视觉图将 Genie Ontology 放在了我们的成熟度曲线上。我们的评估是，Databricks 目前处于 5 到 6 级左右——从诊断智能向智能体协调过渡。核心原则是，企业模型越丰富、越忠实，分析就越复杂，智能体行动的范围和信心就越大。

关键点

• Databricks Genie Ontology 很有意义，但它还不是一个完全可执行的企业本体。
• 我们将其大致置于成熟度模型的 5 级和 6 级之间。
• 1 到 5 级主要是诊断性的——它们改进了报告、相关性、行为分析和预测。
• 6 级开始通过在企业知识图谱中连接人、资源、实体和关系，向智能体协调迈进。
• 7 级需要语义行动层——行动成为模型化数据，具有前提条件、效果和护栏。
• 8 级是实时数字孪生——业务的实时状态成为共享的事实来源。
• 9 级是自主运营平台——工作流程本身成为可编辑数据，人类设定目标。
• 从 5-6 级到 7 级及以上的跳跃不能仅通过自下而上的推断来实现。
• 为了进步，本体必须结合更多的明确教学、业务流程建模、治理和人在回路（human-in-the-loop）验证。
• 前沿部署的 AI 工程成为从描述性本体到可执行运营的桥梁的一部分。

本体成熟度模型有助于澄清 Databricks 今天所处的位置以及接下来必须发生的事情。在我们的评估中，Genie Ontology 大致位于 5 级和 6 级之间。相对于大多数企业数据环境所处的位置，这是一个强大的位置，但它还不是企业级 AGI 的高端。

该模型的指导原则是，随着企业表示变得越丰富，分析就越复杂，智能体就可以以更广泛的范围和更大的信心采取行动。在模型的底部，孤立的报告只能回答来自单个系统的狭窄问题。企业可能在 CRM、信用、了解你的客户（KYC）和支持系统中拥有多个客户记录，但没有客户的统一表示。输出是人类阅读并据此采取行动的报告。

随着成熟度的提高，企业从孤立的报告转向数据仓库、事件中心、行为分析和预测分析。到 5 级，系统可以开始更准确地回答诸如“该客户的流失风险是什么，为什么？”之类的问题。系统可以通知推荐的行动——例如，转移销售覆盖范围以减少流失或增加预期收入——但人类仍然做出决定。这就是我们认为 Databricks Genie Ontology 越来越相关的地方。

6 级是企业知识图谱。在此级别，系统开始以更结构化的方式连接人、资源、账户、产品、交易和关系。系统不再仅仅计算流失分数，而是可以对路径进行推理。例如，谁可以联系到这位投资者，哪个账户与哪个关系挂钩，哪个业务部门拥有哪个资源，以及哪个受治理规则约束决策。智能体可以根据意图采取行动，但只能在狭窄的、受治理的通道内。

这就是为什么我们将 Databricks 描述为处于 5 到 6 级左右。Genie Ontology 不仅仅是一个 BI 语义层，因为它从受治理的数据和使用信号中学习业务术语、指标、实体、权威来源和关系。但如果期望类型化关系作为跨企业的首类声明性对象存在，它还没有完全满足 6 级的更严格定义。它也没有将模型的更高层级实现为本体本身。

更高层级是架构真正变得可操作的地方。7 级是语义行动层。在这里，诸如“提交信用备忘录”、“批准折扣”、“更改装运优先级”或“重新分配销售覆盖范围”之类的行动成为模型化数据。系统理解每个行动的前提条件、效果、权限和护栏。智能体不再仅仅推荐可以做什么——它们可以在受治理的边界内选择并运行行动。

8 级是实时数字孪生。在该模型中，本体不仅仅是查询运营系统以获取业务的实时状态。数字孪生成为企业运营状态的共享事实来源。分析等同于运营，因为系统可以回答现在什么是真实的，智能体可以在共享的实时状态下进行协调，而不是通过断开连接的应用程序传递消息。

9 级是自主运营平台。此时，工作流程本身成为可编辑数据。智能体可以规划、优化和调整运营，而人类设定目标、约束和目的。这是企业级 AGI 的完全运营版本——不是一个了解通用业务概念的模型，而是一个理解并可以帮助运营特定企业的系统。

关键点是，从 5-6 级移动到更高层级需要不同的学习机制。自下而上的推断可以使企业走得很远。它可以学习类型、纹理、连接、词汇、常见指标、使用模式甚至一些规则类语义。但行为显示了发生了什么。它不能可靠地指定需要什么。

细微差别在于，系统可能推断出用户经常以某种方式计算流失，但它无法仅从行为中知道允许哪些补救行动、哪些批准是强制性的、哪个政策优先，或者为什么存在一个流程。这些高阶规则必须被教导、编写、治理和验证。这就是人在回路设计变得更重要，而不是更不重要的地方。

我们预计前沿部署的 AI 工程将成为这座桥梁的一部分，这是 Ali Ghodsi 在第一天主题演讲中提到的（显然 Databricks 现在拥有这种能力）。从描述性本体到可执行本体的转变需要能够帮助客户捕捉运营逻辑、澄清业务规则、将流程连接到受治理数据并将本地知识提升为企业资产的人类。自动化将减少所需的手动建模量，但成熟度模型的更高层级需要明确的业务流程含义。

这意味着 Databricks 拥有重要的成分，但向上的路径不是自动的。为了拥有 SoI，Genie Ontology 必须从语义知识层进化为受治理的运营模型。它必须从理解指标和实体进化为理解行动、政策、状态、工作流程和决策权。Agent Bricks、MCP 工具、Lakebase 和 Unity AI Gateway 等相邻产品可能会有所帮助，但关键问题是这些能力是否汇聚成一个统一的智能系统，而不是保持为单独的产品孤岛。

关键结论： Databricks 处于成熟度曲线上的一个有意义的点——大约 5 到 6 级——但下一次跳跃更难。为了达到企业级 AGI 的更高层级，Genie Ontology 必须从描述性语义层进化为业务行动、政策、工作流程和实时状态的受治理的、可执行的模型。

构建受治理的、可执行的本体

这张幻灯片展示了从描述性本体到可执行本体的桥梁。自下而上的学习可以揭示结构、企业词汇和反复出现的工作模式。但仅靠行为无法告诉系统必须发生什么、不能发生什么、哪个政策具有优先级或为什么存在规则。为了超越 5 级和 6 级，本体必须将自下而上的技能收集与自上而下的治理相结合。

关键点

• 自下而上的推断适用于结构——业务对象、关系、粒度、共享命名和常用指标。
• 推断运营逻辑要困难得多——每个流程步骤、其条件、其结果以及团队如何实际执行工作。
• 推断权威性更难——公司政策、法规、合同、要求的行动、截止日期和禁止事项。
• 下一步是从本地工作中收集用户编写的智能体技能，并将其转换为可重用的企业资产。
• 这些技能必须被抽象、检查冲突、按风险路由、治理并提升到本体中。
• 纯粹的自下而上的模型有成为巴别塔的风险——大量的本地自动化，没有共享的企业逻辑。
• 纯粹的自上而下的模型有太慢和脆弱的风险。
• 获胜的架构在中间相遇——自下而上的贡献、自上而下的批准以及共享逻辑的持续提升或降级。
• 如果 Genie Ontology 要从语义协调进化为可执行的智能系统，Databricks 将需要这种混合模型。
• 这种转变需要时间，因为它需要人在回路、治理委员会和明确教导业务流程含义。

本体成熟度的下一步比语义协调更难。Genie Ontology 可以从使用模式、查询、仪表板、指标定义和最终用户澄清中学习很多东西。那种自下而上的方法可以暴露结构、共享词汇和反复出现的工作模式。但它无法完全捕捉企业需要什么。

上图将问题构建为三层。

第 1 层是结构。这是基础。它包括关键业务对象——客户、订单、发票、产品、账户、机会、供应商和资产。它还包括这些对象如何连接、详细程度、数据的粒度以及共享命名约定。这是自下而上的学习最强的地方。查询日志、仪表板、模式、连接和用户词汇可以揭示很多关于企业如何描述自己的信息。

第 2 层是运营逻辑。这是问题变得更困难的地方。运营逻辑包括指标计算、每个步骤的条件和结果、团队工作流程以及流程今天实际运行的方式。这不仅仅是“白金客户意味着什么？” 而是“白金客户错过付款后会发生什么？” 或者“在什么条件下应该建议更改销售覆盖范围？” 或者“当风险超过阈值时应该触发什么工作流程？”

第 3 层是权威和跨领域规范。这是最高且最难的一层。它包括全公司范围的政策、监管义务、合同约束、要求的行动、截止日期、禁止事项以及每条规则背后的基本原理。这些规则不能仅从行为中安全地学习，因为行为可能是不完整的、不一致的或错误的。系统需要明确的治理来确定允许什么、要求什么以及必须防止什么。

这就是技能收集变得重要的地方。关键发现是智能体首先通过个人生产力出现。用户将编写本地技能、提示、工作流程和自动化来帮助他们完成工作。这些技能包含关于工作实际如何完成的有价值的隐性知识。但如果每个用户都独立构建技能，企业就会出现碎片化。它会得到大量有用的本地自动化，但没有共享的智能系统。

方法不应该是抑制本地编写。理念是创建一个提升管道。上图列出了该管道：本地编写、抽象、按风险路由、治理并提升。用户或团队创建一个有用的技能。LLM 或工具层对其进行抽象，识别重复和冲突，并使其可读。系统根据风险对其进行路由。治理流程对其进行审查。如果批准，该技能将被提升为共享运营逻辑。如果证明是错误的、过时的或太狭窄，它可以被降级或重新碎片化。

这就是自下而上的贡献如何成为企业逻辑的方式。技能始于本地知识。它变得可读。它与其他技能和政策进行比较。它受到治理。然后它成为智能体可以依赖的可重用公司资产。

这是从行为信号到可执行本体的关键转变。行为排气可以显示人们做了什么。用户编写的技能可以揭示人们认为工作应该如何完成。治理决定了该逻辑是否应该成为企业真理。

我们认为这是许多企业级 AGI 战略要么成熟要么停滞的地方。纯粹的自下而上的系统会变成巴别塔。纯粹的自上而下的系统需要太长时间，并且无法跟上业务。获胜的架构在中间相遇——边缘的本地创新、中间的抽象和协调，以及顶部的政策、监管和治理。

对于 Databricks 来说，这是我们预计它将解决的下一个重大挑战。Genie Ontology 作为自下而上的、推断出的语义层有一条可靠的路径。但要进入 7、8 和 9 级，它必须支持对行动、规则、政策、实时状态和业务流程逻辑的更明确的教学。智能体开发、治理、Unity Catalog、Unity AI Gateway 和合作伙伴生态系统中的相邻能力可以提供帮助，但架构必须汇聚成一个受治理的、可执行的本体，而不是保持为一系列有用但单独的功能。

这也解释了为什么时间线很重要。企业不会在一夜之间完全达到这种模式。捕捉隐性知识、抽象本地技能、解决冲突、路由风险和治理共享逻辑是艰苦的组织工作。模型将变得更有能力，它们将自动化更多的翻译和抽象。但我们的研究表明，企业级 AGI 的更高层级仍然需要人在回路，因为系统不仅必须学习发生了什么，还必须学习应该发生什么。

我们的场景有两个警告：

1. 竞争、惯性和平台亲和力可能会产生智能孤岛，向新的企业运营模式注入摩擦；
2. 社区中的一些人认为这种方法对企业来说太复杂了，无法采用，并且系统将会出现——也许来自研究实验室或其他初创公司——简化这些复杂能力的采用。这种方法可能通过合作伙伴关系出现，由领先的 LLM 参与者领导，这可能包括跨越即将到来的孤岛的集成层。

关键结论： 从语义本体到可执行企业级 AGI 的路径需要混合架构。具体来说，自下而上的技能收集、自上而下的治理以及将本地知识转化为共享业务逻辑的提升管道。没有中间层，智能体可能会成为有用的个人工具，但它们不会成为企业的受治理操作系统。

Omnigent：治理异构智能体资产

下图从 Databricks 的原生 Genie 体验转向了企业 AI 的更广泛现实。具体来说，公司不会只有一个智能体客户端。它们会有很多。Omnigent 是 Databricks 的开源工具，用于将第三方参与系统——编码助手、企业Copilot和外部智能体——连接到 Unity AI Gateway 中，企业可以在其中跨模型、智能体、MCP 工具、技能和遥测应用通用治理。价值主张是带有控制的开放性。悬而未决的问题是第三方客户端是否能贡献原生 Genie 客户端用于改进 Genie Ontology 的同样丰富的语义反馈。

关键点

• Omnigent 旨在包装或连接第三方智能体客户端，并将其纳入 Databricks 治理。
• Unity AI Gateway 成为访问、政策、路由、预算、追踪和智能体注册的控制点。
• 这是 Databricks 试图治理异构 AI 资产，而不是假设所有工作都在 Genie 内部发生的尝试。
• 上行空间是开放性——企业可以使用外部智能体，同时应用通用政策和可观察性。
• 局限性是反馈质量——外部客户端可能不会暴露改进 Genie Ontology 所需的同样自然语言查询、澄清和用户交互。
• 智能体追踪变得具有战略重要性，因为它们是 AI 系统的新行为排气。
• 智能体的可观察性可能对 AI 时代变得像点击流对大数据时代一样重要。
• 执行质量是关键，因为长期运行的智能体需要恢复、回滚和推理状态的连续性。
• 智能体业务连续性将需要保护的不仅仅是数据，还有流程状态、意图和推理背景。
• 更广泛的行业风险是碎片化——多个客户端、多个本体和多个智能系统在企业内部竞争。

Omnigent 解决了企业 AI 中最实际的问题之一：智能体景观将是异构的。企业将使用 Databricks Genie、Microsoft 365 Copilot、Claude、ChatGPT、编码助手、SaaS 智能体、超大规模云厂商智能体和定制构建的智能体。没有任何单一供应商应该假设它将拥有每一个参与系统。

这产生了一个治理问题。如果每一个智能体客户端都独立连接到模型、工具、数据源和工作流程，企业就会得到碎片化、不一致的权限、不受控制的支出和薄弱的可观察性。Omnigent 是 Databricks 对该问题的回答。Omnigent 是一个开源的“工具的工具”，可以围绕或连接外部智能体工具，并将其路由到 Unity AI Gateway 和 Unity Catalog 治理中。

上图突出了核心治理功能，包括智能体注册、访问控制、上下文政策、预算、智能路由和智能体追踪。它还展示了 Databricks 想要治理的广度；具体来说是模型、智能体、MCP 工具、技能、外部智能体和 AI 编码工具。这是正确的方向，因为企业需要一个统一的 AI 资产控制平面，即使客户端和智能体来自许多供应商。

战略杠杆在于 Omnigent 让 Databricks 即使在不拥有前端的情况下也能参与。如果企业想要使用 Claude、ChatGPT/Codex、Microsoft 365 Copilot、Cursor、Replit、Salesforce、Amazon AgentCore 或其他智能体界面，Databricks 仍然可以通过 Unity AI Gateway 提供治理、路由、政策、权限、成本控制和可观察性。这为客户提供了开放性，而无需放弃企业控制。

但有一个重要的局限性。治理第三方客户端与将客户端与智能系统协同设计不是一回事。原生 Genie 体验可以在本体不确定时提出澄清问题。它可以捕捉用户的响应。它可以将该响应转换为持久的企业背景。这就是教导 Genie Ontology 的反馈循环。

目前尚不清楚 Omnigent 是否能完全为第三方客户端复制该循环。它可能能够治理智能体、追踪其活动并通过企业政策路由其访问。但如果本体需要将澄清问题推回第三方界面内的用户——例如，“你所说的白金客户是什么意思？”——这可能需要比治理工具本身提供的更深层的集成。我们的看法是，Omnigent 可以管理和观察外部智能体，但它可能无法捕捉 Databricks 从原生 Genie 客户端获得的同样丰富的语义反馈。

这种区别意味着下一个平台之战不仅仅是关于治理。它是关于学习。谁捕捉到了用户的意图、模糊性、纠正和澄清，谁就在改进智能系统方面拥有优势。治理让 Databricks 保持在第三方智能体使用的流程中。原生参与让 Databricks 更直接地学习。

可观察性点同样重要。智能体追踪正成为一类新的企业数据。在 Web 时代，点击流成为了驱动数字分析、个性化和大数据的行为信号。在 AI 时代，推理轨迹、工具调用、行动路径、失败、重试、提示、中间决策和人类覆盖可能成为等效信号。它们将帮助企业诊断智能体行为、改进智能体性能并训练更广泛的系统。

数据量可能非常巨大。智能体追踪的数据量可能比传统应用程序遥测大几个数量级，因为智能体在许多步骤中生成推理路径、工具交互和中间状态。这使得可观察性成为一种超越故障排除和警报的战略能力。

一致且持久的执行是另一个关键成分。随着智能体从短期任务转向在数小时或数天内展开的长期流程，企业需要一个智能体状态的事实来源。如果智能体在流程中途失败，系统必须知道它在哪里、它已经做了什么、它在追求什么意图、它遵循了什么推理路径以及如何安全地恢复或回滚。这不是一个简单的复选框。这是一个成熟度之旅，类似于数据库中事务性、恢复和一致性的长期演变。

这也扩展了业务连续性和弹性的含义。历史上，业务连续性侧重于恢复系统和数据。在智能体企业中，弹性必须包括流程状态、推理状态和意图。企业必须能够恢复的不仅仅是数据，还有工作中运行的运营背景。随着时间的推移，我们预计围绕智能体状态、本体状态、流程状态和企业背景会出现一种新的数据保护和弹性形式。

更广泛的行业含义是碎片化。当多个强大的供应商试图捕获价值时，技术行业几乎总是碎片化。这种模式在 AI 中已经可见。SaaS 供应商正在将智能嵌入其应用程序中。LLM 供应商正在推动智能体客户端和插件生态系统。超大规模云厂商正在构建自己的智能体平台。数据平台正在构建本体和治理层。企业将在这些层中的几个层上进行投注，通常是在组织的不同部分。

Omnigent 没有消除碎片化。它管理它。它为 Databricks 提供了一种将第三方客户端和智能体带回受治理环境的方法。但它并没有完全解决在同一企业内部涌现多个智能系统的更深层问题。这是下一个重大挑战。换句话说，如何治理、协调并最终合理化相互竞争的智能层，以便企业不会最终得到新一代的 AI 孤岛。

关键结论： Omnigent 为 Databricks 提供了一种在碎片化的企业 AI 景观中治理第三方智能体的务实方法。但治理与学习不是一回事。关键问题是 Databricks 是否能从外部客户端捕获足够的追踪、反馈和澄清来改进 Genie Ontology——或者最丰富的学习循环是否仍然保留给原生 Genie 体验。

通往企业级 AGI 的竞赛

幻灯片设置： 这张幻灯片放大了 Databricks，并构建了通往企业级 AGI 的更广泛竞赛。主要的供应商阵营正从不同的位置进入：前沿实验室和Copilot通过参与系统；数据平台通过受治理的企业数据；SaaS 和流程供应商通过记录系统、工作流程和领域流程模型。但所有道路都通向同一个控制点——智能系统，业务逻辑、技能、规则、关系和隐性知识在这里成为受治理的公司资产。

关键点

• 新兴企业 AI 堆栈中价值最高的资产是智能系统——数字孪生或企业本体。
• 前沿实验室正通过智能体客户端和Copilot进入，但可能会试图进入智能系统。
• Databricks 和 Snowflake 等数据平台玩家正从基础设施向上移动到受治理的业务语义和企业背景。
• Salesforce、SAP、Palantir、Celonis、Blue Yonder 和 RelationalAI 等 SaaS 和流程供应商在业务流程和记录系统方面起点更近。
• 企业始于数千个孤岛——运营应用程序、打包应用程序、定制应用程序、分析系统和非结构化内容。
• 协调资产的一部分可以减少孤岛数量，并使更广泛的企业地图更容易构建。
• 连接器列表不是地图——对应用程序和数据的访问不等于对业务运作方式的理解。
• 传统的 BI 客户端正在被捕捉意图、澄清和人在回路语义的智能体客户端所取代。
• 前沿供应商可能会通过记忆和技能进化——记忆成为状态，技能成为逻辑。
• 个人记忆和个人技能最终必须成为受治理的工作组和企业资产。
• 企业级 AGI 需要来自 LLM 的自适应智能和来自业务规则、政策、状态和隐性知识的确定性智能。
• 规模、分发和品牌很重要——最好的架构并不总是获胜。

企业软件分为两类——冰面之下和冰面之上

这张幻灯片展示了架构与经济学相遇的地方。冰面之下是基础设施——数据平台、程序化应用程序和堆栈的较低层。这些层仍然必不可少，但它们越来越像管道，具有公用事业风格的定价。冰面之上是模型化企业居住的地方——智能系统、代理系统和参与系统协同工作以学习业务、协调人类和智能体，并将市场推向基于成果的经济学。

关键点

• 每个软件时代都有基础设施、平台和应用程序。
• 在 AI 时代，数据成为新的基础设施——重要，但未必是最高利润价值集中的地方。
• 新平台是业务流程模型——使数据可操作的智能系统。
• 数据告诉我们发生了什么以及谁参与了；智能系统解释了为什么发生、可能发生什么以及接下来应该做什么。
• 随着本体或数字孪生变得越丰富，智能体可以以更大的信心采取更广泛的行动。
• 智能系统成为人类和智能体的共享协调基质。
• 新的应用程序层是智能体化的——智能体通过智能系统和记录系统采取行动。
• 冰面之上的供应商可以转向基于价值或基于成果的定价。
• 冰面之下的供应商更容易受到公用事业定价、消费定价和利润压缩的影响。
• 成果定价将受到辩论，但衡量对业务成果贡献的能力提高了供应商的定价能力。
• 长期奖赏远远超出了存储数据，并进入了建模业务以改进可衡量成果的领域。

最终的含义是经济上的。企业 AI 堆栈正开始分为两大类：冰面之上和冰面之下，如上面的詹姆斯·邦德电影图像所示。

冰面之下是基础设施。这包括数据平台、存储、计算、格式、管道、程序化应用程序以及使企业运行所需的技术管道。这些能力至关重要。它们不会消失。但随着市场成熟，这一层的大部分变得更加标准化、更具互换性，并且更容易受到公用事业风格经济学的影响。

冰面之上是差异化发生的地方。在这里，智能系统、代理系统和参与系统汇聚在一起，通过模型化数据学习业务，编码企业运作方式，并使人类和智能体能够围绕共享成果进行协调。

老话是数据是新的石油。我们认为这个隐喻越来越不完整。数据本身未必是价值的来源。数据告诉我们发生了什么、谁参与了、发生了什么交易以及记录了什么状态。但当模型使其可操作时，数据就变得有价值了。在我们看来，数据更接近新的硬件——必须存在的基础设施，但其价值由其之上的平台解锁。

那个平台是业务流程模型——智能系统。它捕捉企业的运营逻辑、业务规则、隐性知识、关系、状态和决策背景。它允许企业从“发生了什么？”转向“为什么发生？”、“可能发生什么？”以及“我们接下来应该做什么？”

这直接连接到本体成熟度模型。随着越来越多的业务被捕捉到本体或数字孪生中，智能体可以以更大的信心和在更广泛的场景中采取行动。模型越丰富，系统对背景、约束、原因和结果的理解就越深。在较低层级，系统产生更好的报告和建议。在较高层级，智能体可以通过共享的实时业务表示相互协调并与人类协调。

那种共享表示是关键。企业级 AGI 不是关于单个智能体完成单个任务。它是关于为组织创建协调基质。人类和智能体需要共享信号、状态、目标、政策和运营背景。智能系统成为表示和治理这些要素的地方。那是集体成果被引导的地方。

这就是为什么经济模型在冰面之上发生变化的原因。如果供应商仅提供基础设施，它的定价通常像基础设施——消费、使用、公用事业、席位或容量。如果供应商能够建模业务并直接为业务成果做出贡献，它就对基于价值的定价拥有更强的要求。平台越接近可衡量的业务产出，它所能拥有的定价能力就越强。

成果定价不会简单。客户可能抵制向软件供应商支付他们认为是对自己业务结果的特许权使用费。他们可能不希望供应商嵌入到销售成本中，或者要求直接分享收入改进、利润扩张、风险降低或生产力收益。但即使市场没有完全转向纯粹的成果定价，衡量对成果贡献的能力也会改变谈判。

一个能够可靠地证明它帮助减少流失、提高胜率、优化库存、加速收款、降低欺诈、缩短周期时间或提高客户保留率的供应商，比销售通用使用单位的供应商处于更强的定价位置。价值对话从“你消费了多少？”变为“我们帮助产生了什么业务结果？”

这就是企业软件供应商的奖赏。仅有数据平台是不够的。仅有Copilot是不够的。仅有模型是不够的。价值在于模型化企业——将数据、流程和隐性知识转化为受治理的业务流程平台，然后让智能体通过该平台操作的系统。

这也解释了为什么行业正在超越关于表格格式、数据湖和仓库架构的辩论。那些重要性较低，且位于冰面之下。战略战斗正在向上移动。新平台层是智能系统。 新应用程序层是智能体。新定价前沿是业务成果。

对于客户来说，含义同样重要。问题不仅仅是哪个模型最聪明或哪个数据平台最快。问题是哪个平台可以帮助企业将其独特的运营知识作为资产捕捉。随着时间的推移，该资产变得更难迁移，因为它包含业务定义、政策、技能、流程逻辑、隐性知识和实时状态。转换成本是技术上的、运营上的和组织上的。

对于供应商来说，信息是价值在冰面之上累积。基础设施将保持庞大且重要，但最好的经济学将属于那些学习业务如何运作、改进可衡量成果并使自己成为企业运营模型一部分的平台。

关键结论： 企业软件价值正在移动到冰面之上。数据成为基础设施，业务流程模型成为平台，智能体成为应用程序。定价能力最强的供应商将是那些将企业知识转化为受治理的智能系统，并将该系统与可衡量业务成果挂钩的供应商。

给业务技术高管的行动项目

不要将 AI 视为模型选择练习。相反，将 AI 视为企业智能建设项目。在 90 天内，每个高管团队都应指派一名单一的负责所有者，开始构建其拥有的受治理智能系统——一张动态企业地图，捕捉数据、指标、业务规则、流程逻辑、技能和隐性知识作为智能体可以进行推理和采取行动的公司资产。

任务应该是选择一个高价值的业务领域，建模关键对象，定义权威指标，收集用户编写的技能，治理规则，并仅在企业有足够背景安全行动的地方连接智能体。这样做公司将复合专有智能；那些只是将前沿模型插入碎片化系统的人将租用通用智能并称之为转型。

图像：theCUBE Research