本体模型，让AI更理解业务，更可信
DOM·本体模型与系统
DOM是面向企业数据与语义一体化的本体建模与数据智能系统，从传统数据管理方式升级为以本体模型为核心的统一语义表达与治理体系。通过本体建模能力，对企业数据对象、业务概念与关系规则进行统一抽象与结构化表达，实现数据与语义的深度融合。结合智能体能力，DOM支持数据的自动理解、关联与推理，让数据从“结构化管理”走向“语义化智能”，为企业数据治理与AI应用提供统一的数据智能底座。
Datablau Data Intelligence
Datablau以统一建模为核心，打通数据模型与本体语义体系，构建面向AI的数据智能底座，驱动企业数据治理与AI智能应用的双轮效应。
统一建模，赋能企业数据智能
DDM AI·统一建模智能体工具
DDM从经典数据模型工具升级为企业级统一建模平台，覆盖数据模型、语义模型与本体模型，贯通标准落标、模型设计、管控与协作全流程。通过一体化建模能力，打通数据与语义之间的壁垒，让数据从“可建、可管”走向“可理解、可智能”，为企业数据治理与AI应用提供统一基础。
300+
TOP企业的共同选择
让数据治理真正改变企业数据应用能力
立即部署专属 DDM / DAM AI 独立沙箱测试仓，开启您十万张物理级表结构的智能映射与自诊断。
Datablau 动态
扫码关注更多资讯
加入官方微信公众号、数据官沙龙，与上万名首席数据官（CDO）、架构总监直通、共享数据合规标准。
北京站招募｜企业本体实战加速营即将开营！
理论看了不少，，却不知道本体到底该怎么落地?领导一直在问:""本体到底能解决什么业务问题?AI 为什么需要本体?做了知识图谱、语义模型，却始终跑不通真实业务场景?缺少专家指导，不知道如何迈出企业本体建设的第一步?3 天，让你的企业本体真正跑起来。Ontology Bootcamp 是一场为期3天的企业本体实战加速营，不讲概念，不做演示，只解决一个问题:让你的企业本体真正落地。
出海｜Datablau亮相WEB SUMMIT Rio，输出AI基础设施中国方案
里约热内卢，2026年6月——6月8日至11日，全球科技盛会Web Summit Rio在里约Riocentro盛大开幕，汇聚了来自全球3,000多位顶尖创始人、投资人与AI产业力量。Datablau作为AI基础建设领域的先行者，携最新AI原生数据治理产品受邀亮相本次峰会。凭借服务超60家财富全球500强公司，以及在金融、制造、能源等十余个行业的300余家国内外大型企业的深厚积累，Datablau正为企业构建从数据到AI的可信基础设施，致力于成为连接亚洲与拉丁美洲AI发展的重要桥梁。作为Web Summit Rio期间最受关注的边会之一，GO SUMMIT Rio：Transforme Ideias em Produtos 由AGI Villa（中国最大AI初创社区）与字节跳动旗下AI编程IDE——TRAE联合主办，并获巴西软件协会（ABES）全力支持，旨在打通亚洲与拉丁美洲的AI科技生态。创始人兼CEO王琤先生受邀出席Go SUMMIT Rio并发表《Data governance - AI fundamental》主题演讲，并与来自拉丁美洲的AI创业者、投资人及技术领袖深入交流，现场展示的AI原生的数据治理产品引发与会嘉宾与媒体的高度关注。王琤先生在演讲中表示，企业私有化大模型的最大挑战在于数据治理——LLM幻觉、知识过时、上下文缺失等问题的根源均是数据基础薄弱。过去18个月，许多企业盲目要求“用AI”，却缺乏策略与权责分工，导致价值难见。他指出，通过本体模型（Ontology）为AI提供完整数据上下文，可将问答准确率从76%提升至95%以上。同时，Datablau智能数据治理平台以AI Agent实现元数据补全、业务术语自动创建、数据分类与血缘链路追踪，形成“Data Governance for AI”与“Data Governance by AI”双轮驱动，让AI真正成为企业可信赖的副驾驶。此次Web Summit Rio之行，不仅展示了Datablau在AI原生数据治理领域的前沿成果，也标志着中国企业正积极输出AI基础设施建设方案，深度参与全球AI生态共建。未来，Datablau将持续打磨“Data Governance for AI”与“Data Governance by AI”双轮驱动的产品体系，进一步深化与亚洲、拉丁美洲及全球市场的生态合作，助力更多企业构建可信、可进化、可落地的人工智能基础设施，为全球AI生态的繁荣贡献中国智慧与力量。
未来已来，数语科技数据治理超级智能体来了
十年了，我们一直在做一件事：帮企业把数据管好。从最早给银行建模、搭建数据标准，到后来为制造、能源、运营商做全域数据治理，Datablau数语科技不知不觉已服务了国内超过60%的行业头部客户。说起来，我们在数据治理这个圈子里算得上一个“老兵”。但说实话，十年做下来，我们心里一直有个坎儿过不去。传统的数据治理太累了，累到我们自己都不好意思跟客户说“这是最先进的”。因为这活儿本质上就是在用人去对抗复杂度，而复杂度的增长是没有上限的。一、传统治理的三个“坎儿”，我们一个也没绕过去干过数据治理的人都清楚，这里面有三个迈不过去的坎儿。第一个坎：不规模化。人力的投入几乎线性增长，很难享受到边际成本递减的甜头。比如给一个几十万字段的应用系统补全中文名称、描述、打业务标签，一两个数据管理员根本忙不过来，加人吧，成本飙升；不加人吧，元数据清一色的全拼英文字段、光秃秃的表结构，无权属、无管家，打标更是“一千个人眼中有一千个哈姆雷特”，认知永远统一不了。曾经一家大行做数据资产盘点，靠几十人手工整理了三个月，结果业务部门一看，说“这标签打的我没法用”。那种挫败感，我们和客户一样深。第二个坎：不持续。数据治理常常被当成项目来搞，项目一验收，治理基本就停了。人员一旦变动，前任的经验和判断全部带走，治理成果出现断层，没过多久系统里的数据又是一团乱麻。我们见过太多这样的场景：验收时大屏上资产完好、质量得高分，一年后回访，发现新的报表又没人管了，标准也长荒了。这不是客户不努力，是机制没跟上。第三个坎：不智能。所有的检查和规则都是人预先写死的，系统只能识别显式的格式错误，比如“字段非空”“长度超限”，但根本看不懂隐式的语义。一张表里存着“月收入200000”，你知道它可能缺了个小数点，但规则引擎只觉得格式没问题。更别提主动告诉你“下周业务高峰期，这张表很可能出现超时风险”——传统治理从来都是被动响应，事后灭火。所以有时候我们内部也在自嘲：传统数据治理的本质，就是拿人肉堆，用人去对抗复杂度，结果注定失败。数据越多，治理越乱，人越累，效果越差。二、我们开始认真思考：能不能让机器自己治理数据2024年，大模型开始大量落地，我们发现机器终于能“读懂”语义了。这对数据治理的冲击是根本性的。我们敏锐地意识到，不能再给老平台打AI补丁，而是要重新审视治理的底层逻辑。于是那一年，数语科技开始全面拥抱AI，把大模型能力引入数据治理。 （图：Datablau AIC）2025年，我们基于MCP协议和自研RAG技术，推出了AIC智能数据治理服务。那是一个初步的尝试，可以用自然语言去探查数据、生成规则、问血缘，甚至做一些自动打标。客户的反响让我们确信，这条路走对了。但AIC还不够——它仍然更像一个能力增强的工具，你说一句，它动一下，依然缺少一种“主动性”。我们一直在琢磨，有没有可能让治理工作不再靠人驱动，而是变成一个会呼吸、会思考、会自己干活的系统？一个24小时在线的数字化治理专家。到了2026年的今天，数语科技觉得是时候交出这份答卷了。DIG （数据智能治理）主动数据治理超级智能体，正式发布。 （图：DIG技术架构）它不是一个加了AI对话的治理平台，而是一个能理解、能执行、能持续进化的超级系统。用一句话说就是：数据治理的终局，不是一套软件，而是一个持续运行的智能体。三、DIG超级智能体，从“你管它”变成“它帮你管”既然叫超级智能体，它跟传统平台有什么区别？我们用四个变化就能讲清楚。1. 对话即治理：菜单消失了以前做数据治理，你得在一层层的菜单里找功能入口，质量规则在哪里配，数据标准怎么落标，没培训过的业务人员根本找不到北。现在你只需要用自然语言说出意图，系统自动执行。 比如你直接对着DIG说：“帮我检查一下订单表最近一周的数据质量”“分析用户表变更会影响哪些下游报表”。DIG马上理解语义，调用元数据、质量、血缘等底层能力，把结果和行动建议推到你面前。这种体验，像在和一个资深的数据架构师对话，你不用关心它调了什么模块，菜单真的消失了。2. 一体化治理：一个大脑调度所有能力原来跨模块治理门槛极高，元数据、数据标准、质量、安全分级，这些事儿分散在不同角色手里，协同起来费时费力。DIG厉害的地方在于，它底层自动调度这些能力，你一次对话就能完成闭环。 设想你要把“客户信息表”按照金融数据标准落标。以前需要标准管理员、数据拥有者、开发人员反复对齐，最少折腾好几天。现在你告诉DIG，它自己去识别字段映射关系，批量生成标准落标任务，自动核标，生产出一批清晰的改动建议，一并交给人工审核。一个需求，一镜到底。3. 主动治理：夜班它来值传统治理的最痛点就是被动。问题不暴露、没人投诉，系统就当什么都没发生。而DIG是7×24小时长驻留运行的，白天随叫随到，晚上自动巡检。 它能趁着夜深人静，扫描全量数据资产，去发现那些悄然出现的质量问题：某个接口字段空值率突然从1%飙到20%，某张核心报表的调度延迟异常，上游业务系统表结构变更导致下游血缘断裂……这些问题一旦被DIG嗅探到，分钟级生成预警和处置建议，第二天一早数据管理员能看到完整的夜巡报告。风险从“事后发现”提前到了“事前感知”。4. 人机协同进化：越用越聪明很多人担心AI搞治理，会变成一个黑盒，错都不知道怎么错的。我们在设计DIG之初就定下一个原则：可解释、可干预、可进化。机器执行治理任务，所有动作都会生成清晰的执行理由和审批页面，人工可以随时修改、通过或拒绝。你的一次次决策，都会沉淀成知识，反哺给智能体。就算组织内负责治理的同事轮岗了，智能体里已经存下了大量的治理经验和判断逻辑，新人进来很快就上手。治理不再因为人的变动而“推倒重来”，人和机器在协同中共同进化。四、六大场景落地，超级智能体到底能做什么讲完理念，我们落到具体场景里看一看。DIG在六个核心数据治理场景上，已经打磨出了非常实用的能力。选几个大家感受最深的说说。 （图：DIG v1.0功能列表）自动元数据补齐。这是脏活累活的老大难。DIG可以智能补全中文名称、业务标签，甚至推荐数据管家。多张表的相互关联，它从字段名注释、样本数据、上下游关系里推测业务含义，给“cust_id”打上“客户唯一标识”，给“amt”打上“交易金额”，准确率非常高，人只需要抽查确认。在一家DAM老客户的试点中，2天完成了过去需要三个人月才能干完的元数据补全工作，业务标签一致性和可用性反而更好。自动数据分级分类。数据安全法之下，分级分类成了必答题。可过去全靠人手去逐字段定义“敏感”“内部”“公开”，大企业上千张表搞一年都不稀奇。DIG凭借语义识别，能直接读懂字段里存的可能是身份证号、手机号、银行卡号，自动完成分类分级标记，并且给出定级依据。少数拿不准的，会标上“待确认”推到人工二审。安全合规的效率直接翻了几倍。自动质量规则生成。DIG不是死板地套用模板，它会先对数据做探查，推断业务规则和技术规则。看到一个“订单金额”字段，会联想到大于0、不为空、波动范围可控等规则；看到“订单状态”枚举值只有“已支付”“已取消”，就帮你生成有效性规则。还能持续监测数据模式，如果某一天突然多出一个“Pending”状态，它会主动提示：“发现新枚举值，请确认是否合法。”数据影响分析。利用血缘图谱，DIG做到了自动化变更预警。有人想修改一个上游字段的类型，DIG瞬间就能列出下游所有受影响的报表、接口、ETL任务，甚至估算出影响等级。这原本需要一个架构师画半天图才能搞清楚的事，现在几十秒完成，且不会遗漏。这些都是可以直接兑现业务价值的刚需场景。而更关键的，是这一切都发生在一个透明、可控的流程里。五、一个真实闭环：从一句对话到一张审批单我们拿一个典型的治理任务跑一遍，你会更清楚DIG是如何工作的，绝对不是黑盒。假设某制造企业想完善“供应链域”的数据标准。数据管理员打开DIG对话窗口，用标准化的提示词输入：“请根据供应链行业数据标准，为所有与采购订单相关的表推荐标准映射，并补齐缺失的业务定义。”提示词本身就是精心设计过的，能最大限度降低AI幻觉。 （图：预置治理提示词）DIG理解意图后，结合当前的治理上下文，会允许管理员通过一个“魔法棒”按钮精准触发AI治理任务。接着自动运行：它检索元数据，发现“采购订单头表”“采购订单行表”等五张核心表，然后逐一将字段映射到标准项，例如把“PO_NUMBER”映射到“采购订单编号”，把“VENDOR_NAME”映射到“供应商名称”；同时发现部分字段缺少中文名称，自动补全建议。 （图：魔法棒激活治理任务窗口）这些执行结果很快被拼装成一张清晰的结构化审批单，推送到界面。每一项改动都有“AI建议理由”一栏，比如“根据字段取值样例‘PO20231001001’及上下游参照，推断为采购订单编号”。管理员扫一眼，只需修改了一处把“单位成本”错误映射到“标准成本”的情况，纠正后通过审批。整个过程不到三分钟。 （图：数据治理智能体看板）任务执行完，仪表盘上会忠实记录下这次对话的Token消耗、运行时长，所有操作全程可追踪。既满足了“AI干重活”的效率，又守住了“人做决策”的底线。这就是我们追求的：不是替代人，而是让人升级为治理的审核者和策略制定者。六、未来已来，这一次它自己会工作今天，DIG V1.0正式和大家见面。回头看看，从十年前我们用Excel梳理标准，到后来平台化、自动化，再到今天把治理变成一个活的智能体，我们确实感到，数据治理的变革进入了一个深水区。超级智能体不是“更好用的工具”，而是一次治理范式的彻底重构。过去我们说“管数据”，未来我们说“交给智能体运行”。企业需要思考的问题变了：不再是“要买多强大的治理平台”，而是“我的治理知识和规则，准备好了交给智能体来延续和进化吗？”数据治理的终局，真的不是一个打满补丁的平台，而是一个持续运行的智能体系统。作为守在这个行业十年的团队，我们愿意做这个探索者。未来已来，只不过这一次，它自己会工作。
Gartner：2026年数据与分析顶级趋势
Gartner发布的2026年数据与分析顶级趋势报告显示，AI智能体、语义层进步以及数据与分析平台的融合，将成为引领未来发展的三大核心趋势。对于希望识别关键业务和技术主题的数据与分析（D&A）领导者而言，这些领域是实现高性价比价值、更快成为AI FIRST企业的关键。 概览机遇与挑战AI FIRST企业能够通过战略性方法最大化AI在D&A中的收益，从而超越同行，取得更好的业务成果。阻碍这一愿景规模化落地的因素包括：组织内部碎片化、复杂的IT系统、互不关联的数据孤岛泛滥，以及分析技术。智能体驱动的数据与分析利用AI智能体加速实时数据的操作闭环，带来更敏捷的运营、精简的数据管理、更高质量的决策和更快的业务价值。但D&A领导者必须克服风险，通过实施决策治理来确保在使用生成式AI（GenAI）并扩展AI工程实践时，获得透明且合乎伦理的结果。将语义置于核心可提升AI的理解力。复合语义层和图检索增强生成（GraphRAG）等策略为改善AI智能体的响应质量、一致性和可靠性提供了必要的上下文。上下文工程是一项新兴实践。挑战在于许多组织面临架构碎片化、数据分散在互不通信的系统之间，这阻碍了AI智能体充分发挥潜力。D&A平台化用融合的数据管理和AI治理平台取代零散的单用途解决方案，通过一致的策略部署建立信任。以往的技术整合涉及繁琐的迁移，给本地化控制带来了额外挑战。这些因素进一步增加了对灵活且合理化的平台工程的需求，以简化D&A运营。 您需要了解的内容AI FIRST企业通过将智能体、语义和平台融入其D&A战略而胜过竞争对手。成功的组织将利用统一平台，通过AI FIRST举措推动业务成功。· 智能体驱动的数据与分析通过将AI智能体与实时数据流集成到运营中，加速数据到影响的闭环。这使得工作流程更加敏捷、自动化，但需要强有力的决策治理来降低GenAI风险并确保安全结果。· 语义核心化对AI的准确性和可靠性至关重要，通过复合语义层和GraphRAG提供上下文含义，消除碎片化架构。采用这些策略的组织可提高AI智能体响应的准确性。· 统一的D&A平台可以将数据管理、分析、治理和智能体能力整合到一个更简单的融合环境中，从而创造所需的清晰度以建立信任。这种整合减少了复杂性和冗余，使组织在应对各国日益涌现的往往相互冲突的主权AI战略时，具备所需的灵活性以实现AI FIRST。 战略规划假设· 到2030年，超过十分之一的企业将成为AI FIRST企业，通过采用智能体、语义和融合的D&A平台超越竞争对手。· 到2029年，20%的D&A领导者将拥抱智能体驱动的数据与分析，由AI智能体自动完成数据管理和数据流处理，以及用于安全的决策治理。· 到2028年，采用复合语义策略结合GraphRAG以降低推理成本的组织，将使其智能体AI的响应能力和可靠性提升50%。· 到2030年，超过50%的企业将利用一个融合数据、分析、治理和智能体功能的单一平台，推进其AI FIRST战略。 专家洞察AI FIRST企业由D&A平台、智能体和语义核心化赋能根据Gartner 2026年首席数据和分析官议程调查¹，越来越多的D&A领导者现在是“以AI为中心”而非“以技术为导向”。要获得一项明确利用AI的战略承诺，利用这种自我改进和自适应的技术做出更好的决策、采取行动并大规模创造新型价值。成本压力不会阻止AI，但在语义和工具孤岛上偷工减料会阻止AI价值的实现。您应从这些顶级趋势中获得的关键教训是：在2026年，在迈向AI FIRST企业的过程中，需要聚焦于这些主题。立即选择您的首要趋势，并使用演示材料、图表、预测、证据点、真实案例、建议和事实依据来展示远见和思想领导力。 行动概述“AI FIRST”是一种指导企业及其部门最大化AI收益的战略方法。AI FIRST企业是指整个组织承诺采用AI FIRST战略的企业，即在核心决策和投资中始终将AI与其他选项一并考虑，并在最合理的时候使用AI，以此最大化AI的收益。本研究的执行层面洞见是：2026年的D&A趋势由三大主题驱动： 智能体驱动的数据与分析、语义核心化和D&A平台化，如图1所示。 图1. 2026年数据与分析顶级趋势 智能体、语义和平台塑造了2026年AI FIRST企业的趋势，包括智能体驱动的数据管理、复合语义层和AI治理平台。这些主题的结合推动了上下文感知分析和稳健数据管理的进步。关于AI FIRST企业的更多详情，请参阅《AI FIRST解读：含义、重要性及行动时机》和《IT 2030：用AI重塑IT以实现长期成功》。 研究亮点智能化D&A来自：Ramke Ramakrishnan智能体驱动的数据与分析是一种AI FIRST的战略和运营模式，它推进AI智能体在D&A运营中的有效部署，并为其性能建立信任基础。企业采用智能体驱动的数据与分析，以便组织资源和AI无缝协作，适应并优化数据驱动的决策和结果。智能体驱动的数据与分析是构建真正AI FIRST企业的基础。通过部署AI智能体来管理完整的数据到行动的闭环（通过智能体数据管理），利用智能体数据流实现实时数据流动，并强制执行稳健的决策治理，组织可以实现灵活性、可扩展性和信任。智能体驱动的数据与分析涉及受治理的数据和分析端到端自动化。它将D&A的功能演变为对AI智能体比对人类更有用。它优先考虑机器消费，即AI赋能的非人类参与者访问服务并代表人类团队、客户或组织行事。参见《AI智能体采纳如何改变数据与分析战略和运营》。智能体驱动的数据与分析是优化数据到执行闭环的下一个浪潮。通过在资源稀缺的地方集成AI智能体，组织通过敏捷的D&A运营最大化业务价值。 智能化D&A赋能AI FIRST企业智能体驱动的数据与分析通过使用AI智能体驱动智能体数据管理和智能体数据流，并辅以稳健的决策治理，为AI FIRST企业奠定基础。将AI智能体集成到数据管理工作流程中，可以对整个数据生命周期进行自主和自适应监督。它还通过智能体数据流促进实时数据流动和响应能力，确保高速、近乎实时的数据无缝到达下游分析和AI系统。此外，由于应用了决策治理，每项决策仍然可解释、可问责、透明且合规。证据点：· 根据2025年Gartner软件工程AI调查²，对AI智能体的评估主要通过三个指标：任务执行质量、用户反馈和整体用户体验。· 根据2024年Gartner探索数据、分析与软件开发交集调查³，使用共享数据服务构建AI智能体的组织比不使用共享服务的组织使用了更多样化的技术组合，包括事件流（41%）和事件流处理（25%）。· 随着AI智能体承担更多的决策自动化，人类监督的必要性显而易见。基于2024年Gartner决策智能调查⁴，76%的IT和商业领袖已将决策监控和治理评为对其组织决策智能“始终重要”，这凸显了这一趋势是安全和可扩展的智能体驱动的数据与分析运营的必要保障。真实案例：· 智能体数据管理可自动化和强化关键功能，包括资源缩放、实时错误修正、元数据管理、数据隐私、工作流调整以及跨银行业与金融服务、医疗保健和制造业等。· 智能体数据流广泛应用于欺诈检测与风险管理、决策智能、数字孪生以及自动化工厂和物流。· 组织依赖决策治理来提高透明度，确保每个数据驱动决策的可问责性，并通过明确的所有权、血缘追踪和质量评分优先考虑高价值、低风险的AI项目⁵。新兴实践：AI工程AI工程是一门设计、开发、交付、运营和管理使用、部署和应用AI以提供商业价值的技术系统的学科。该学科统一了DataOps、MLOps、ModelOps和DevOps流水线，为基于AI的系统创建了一个连贯的开发、部署（混合、多云、边缘）和运营框架。这一新兴实践放大了智能体驱动的数据与分析与D&A平台化主题交汇的趋势。建议：· 通过智能体驱动的数据与分析进行创新，以实现长期愿景：通过智能体数据管理简化数据运营，通过智能体数据流加速实时洞察，通过决策治理降低GenAI风险。· 将AI智能体集成到现有的数据管理工作流程中，赋能数据管理团队变得自适应、自我学习，并提供可操作的建议。· 从业务驱动的延迟评估开始，明确需求。如果准实时数据则使用“微批处理”。将智能体数据流保留给真正需要毫秒级响应能力的场景，如欺诈预防或数字孪生。· 采用决策治理，创建决策的记录系统。确保AI增强的选择透明、可追溯且可问责。通过为AI智能体提供所需的受治理逻辑和护栏，在向智能体驱动的数据与分析迈进的过程中加强决策质量并降低GenAI风险。用智能体数据管理简化运营智能体数据管理指的是自适应、自学习的系统，利用AI驱动的自动化来优化和简化整个数据到影响闭环，这需要安全保障、控制和信任。它使组织能够加速关键数据管理流程，让数据运营团队专注于战略重点并推动更好的业务成果，使其成为当今数据管理的首要趋势。 语义核心化来自：Christopher Long语义核心化是一项战略原则，要求数据的上下文含义成为D&A运营模式的基石，确保跨平台建立标准化的语义定义和业务逻辑。这一基础确保了人类和AI智能体分析消费的成功。语义核心化通过建立标准化、上下文化的根基来连接碎片化的分析孤岛，从而赋能AI FIRST企业。这为AI智能体规模化并驱动最佳业务成果创造了可靠的结构。D&A领导者必须通过战略性地重新构想语义层为多层复合架构，并利用GraphRAG进一步对数据进行上下文化，来优化AI ready的D&A架构。语义核心化必须作为现代D&A运营模式的战略要务加以采纳，将语义从事后考虑转变为构建健壮、可互操作、可靠且可扩展的AI系统的关键基础。语义核心化赋能AI FIRST企业语义核心化通过将数据的上下文含义确立为D&A运营模式的核心要素，保证业务逻辑和标准化定义在所有平台上保持一致，从而赋能AI FIRST企业。这一原则是AI READY分析的战略优先级，因为可靠、可扩展的AI系统——特别是智能体AI和大语言模型（LLM）驱动的应用程序——需要经过治理和认证的上下文才能可靠且一致地工作。通过优先建立这一语义基础，组织为AI智能体提供了必要的根基，很可能大幅提升智能体AI的准确性和价值。此外，“语义核心化”原则旨在对抗目前阻碍AI FIRST企业能力部署的普遍语义碎片化和分析孤岛。通过规定指标一次定义、处处一致使用，语义核心化推动了复合语义层和语义互操作性标准等AI READY架构方案的采用。这使得AI智能体能够以编程方式跨分布式环境访问可移植、可信赖的指标，将碎片化数据转化为统一的、可信赖的数据，从而驱动可编程的AI FIRST企业。证据点：· 许多组织在多个平台上重复分析工作，通常是由于集成不足和缺乏分析交付规划。他们在指标层上也难以实现一致性。在这些碎片化的D&A架构中，企业无法充分利用AI智能体。根据2025年Gartner AI READY数据状态调查⁶，采用语义建模实践的组织更有可能在用于支持AI用例的数据工程实践中实现高效。· 企业AI应用要求高水平的准确性和可靠性。根据2023年data.world团队的生成式AI基准测试⁷，标准的检索增强生成（RAG）方法往往难以达到要求。这表明有必要探索GraphRAG等新兴趋势，因为它克服了标准RAG的这些局限性。真实案例：· 丰田汽车欧洲公司的“盒中自由”框架跨领域联合了语义开发和所有权，展示了实用的复合语义层。“盒中自由”计划允许业务领域独立创建自己的特定数据产品和分析模型（“自由”），而不是强制推行单一的通用标准。通过将这些分布式工件包裹在严格的治理和认证协议（“盒子”）中，丰田有效地协调了这些多样的语义对象，促进了整个架构的一致性和凝聚力⁸。· Microchip Technology的客服团队因无法直接访问订单或生产数据而面临延误，只能依赖工程和运营团队。为解决这一问题，他们构建了一个基于GraphRAG的聊天机器人和私有LLM，通过检索结构化的实时运营洞察来回答特定领域的问题，克服了传统RAG的局限。客服人员获得了对复杂数据的即时访问，而技术团队则从常规查询中解放出来⁹。 新兴实践：上下文工程上下文工程是一门在设计、管理和优化推理时提供给GenAI模型的信息的学科，以提高性能、准确性、相关性并优化成本。它代表了在AI应用程序工作流的每一步精确地用足够的相关信息填充LLM上下文窗口的艺术和科学。这一新兴实践放大了智能体驱动的数据与分析与语义核心化主题交汇的趋势。建议：· 以语义核心化为基础建立AI FIRST企业：采用可互操作的复合语义层，统一所有环境中的业务逻辑。利用GraphRAG处理更复杂的用例，将模型扎根于本体论上下文中，从而最小化AI偏见和幻觉。· 认识到实施复合语义层是一个复杂的集成和工程挑战，而非即插即用的解决方案。这不是一种免干预的集成；需要积极审计逻辑当前所在的位置——无论是在数据管理平台、语义层、SQL、代码还是分析和商业智能平台中。· 从内部数据的最小知识图谱开始，然后扩展并对比标准RAG对GraphRAG进行基准测试，以获得可衡量的增益和改进。使复合语义层可互操作复合语义层协调D&A架构中多样化的语义对象——如数据产品、知识图谱和BI模型。由于“单一通用层”往往难以定义，这种模式至关重要。它通过战略性地对齐工件来提高可重用性并减少重复。这种方法弥合了上下文差距，减少了数据孤岛，并在整个组织中强制执行一致的业务逻辑。D&A平台化来自：Robert ThanarajD&A平台化是一个技术合理化过程，用融合平台取代互不关联的单用途数据和分析工具，以简化架构、标准化运营，并减少跨团队和系统的技术交接。D&A平台化是迈向构建AI FIRST企业的战略步骤。它统一了碎片化的系统和技术，以获得持续优势。D&A领导者可以通过用融合平台取代零散的单用途工具，来精简架构并标准化交付流程。融合的数据、分析和AI平台简化了传统上拖慢D&A团队的复杂运营，使他们更容易更快地实现AI FIRST。D&A平台化赋能AI FIRST企业成为AI FIRST企业对于领先并赢得竞争至关重要。但由于互不关联技术的泛滥、组织碎片化和过于复杂的系统，大规模实现这一愿景充满挑战。为此，许多D&A供应商正在拓宽其产品组合，导致数据、分析、决策、治理和AI能力的大规模融合。融合平台消除了孤岛，简化了AI READY的D&A架构，并为组织提供了在全公司范围内扩展AI能力所需的集成基础。这一趋势意味着大多数企业将采用融合平台作为其智能体驱动的数据与分析战略和运营模式的关键组成部分。其中一些融合平台在以下Gartner研究中详述：· 《数据管理平台市场指南》· 《AI治理平台市场指南》· 《决策智能平台魔力象限》通过用统一平台取代零散的单用途工具，将关键能力和标准化流程整合在一起，D&A领导者可以精简架构，减少跨团队和系统的不必要技术交接。例如，一个团队可能用一种技术构建数据管道，另一个团队用不同的系统管理数据质量，还有一个团队用第三种工具创建分析报告。使用多个重叠的工具效率低下，而融合平台则帮助企业更快地实现AI FIRST。参见《预测2026：智能体数据管理对智能体AI成功不可或缺》。证据点：· 根据2024-2025年间Gartner客户互动中的证据，组织平均部署了十多种数据管理解决方案，却难以大规模实现AI目标。· 一半的首席数据和分析官认为优化技术格局是其首要职责¹。· 使用AI治理平台的组织在AI治理实践中实现高成效的可能性是不使用平台的三倍以上⁶。· 根据2025年Gartner云最终用户购买行为调查¹⁰，60%的受访组织预计会增加对区域解决方案的依赖。真实案例：· BDO¹¹、丰田⁸和WPP¹²等组织使用数据管理平台，通过市场将数据作为产品提供，通过自然语言查询简化数据访问，应用治理以确保质量和投资回报率，并支持RAG服务、GenAI应用和LLM集成。· AI治理平台用于缓解影子AI风险、强制执行运行时护栏，并确保针对全球AI法规（如欧盟AI法案、AI风险框架和NIST AI风险管理框架）的审计准备。· 各国正通过关税和贸易政策、对私营实体的投资、政府资金、针对性的监管/放松管制、行业倡议以及公私交易来加速主权AI。新兴实践：平台工程面向D&A的平台工程是一门设计、构建和扩展自助服务平台，为在整个组织中采用D&A实践提供有主见的、安全且治理良好的方式的学科。它旨在改善D&A开发者体验、加速D&A交付、最大化投资回报率并支持负责任的AI生命周期。这一新兴实践建立在围绕平台化和语义的关键趋势之上。更多信息请参见《实现平台工程成功的五项原则》。建议：· 平衡D&A平台化的压力：通过数据管理平台整合解决方案，通过AI治理平台建立信任，同时将D&A控制权交给最需要的团队。随着主权AI的不断出现，它可能根据具体的AI用例推动组织走向更多平台化或进一步分化。· 通过使用数据管理平台审查和合理化当前数据管理技术格局，消除冗余、未充分利用的技术。停止引入更多的数据管理点解决方案。· 优先采用AI治理平台以提高AI治理的有效性。严格评估供应商平台的能力，以选择满足当前和可预见AI治理需求的平台。· 通过现代化D&A路线规划和D&A平台化来应对主权AI带来的商业机会和未公开的威胁。这也将加速AI FIRST企业的举措，将AI用例从单纯利用推进到创造决定性优势。
开放语义模型：构建企业级数据语义层
近年以来，大模型、智能问答、智能体等AI应用快速发展，很多企业都在积极探索如何将AI能力融入业务场景。那么，在AI时代，数据治理和数据仓库如何顺应时代发展呢？过去二十年，企业围绕数据建设逐步形成了一套成熟的方法体系，形成了数据仓库（中台），通过BI和报表进行业务赋能。然而，在智能化时代，这些是远远不够的，现在的数据治理体系并不足以让AI真正理解企业业务。换句话说，不能被AI通过消耗Token方式消费的数据平台，是没有未来的。从管理数据到管理知识：企业语义探索之路企业在过去很多年里一直在探索如何让数据承载更多业务知识。最早，人们通过数据资产目录、元数据管理等方式，对数据进行分类、标注和管理，希望让数据更容易被发现和理解。近年来，随着大模型和生成式AI的发展，RAG（Retrieval-Augmented Generation）知识库成为热门方向。很多企业尝试将制度文档、业务手册、指标说明等内容导入知识库，希望AI能够通过检索增强的方式回答业务问题。与此同时，本体模型（Ontology）也受到越来越多关注，数语科技也推出了DOM本体系统，它通过定义概念、关系和规则，构建企业知识网络，为知识推理和智能分析提供基础。这些探索虽然路径不同，也各有优缺点，但本质上都在解决同一个问题：如何让企业知识能够被机器理解和使用。本文介绍另一种受到广泛关注的知识管理的方法，就是（逻辑）语义模型。什么是语义模型？语义模型（Semantic Model）并不是一个新概念，但是在AI时代变得更加重要。早在数据仓库和商业智能（BI）发展的过程中，人们就开始尝试在底层数据结构与业务应用之间建立一层统一的业务语义，用来解决不同系统、不同报表之间口径不一致、理解不一致的问题。随着企业数据规模不断扩大，以及云计算、数据中台和AI技术的发展，语义模型的价值被重新认识。近年来，国际上出现了OSI（Open Semantic Interchange）等开放语义理念，希望建立跨平台、跨系统共享的统一语义标准，让语义能够像数据一样被交换、共享和复用。从内容上看，语义模型主要用于统一描述企业的业务知识，包括业务实体、业务术语、指标口径、业务规则以及实体之间的关系等内容，并将这些定义沉淀为统一的语义资产。语义模型（Open Santic Model）开放语义模型（Open Semantic Model），简称OSM，是数语科技制定的企业级语义模型标准，并由其数据建模工具DDM提供设计、管理和落地支持。OSM借鉴了近年来国际上开放语义领域的发展成果，同时结合数语在数据模型和本体模型的数十年的积累，希望建立一种开放的本体化、标准化的语义描述方式，使企业能够将数据模型升级到业务语义模型，实现跨平台共享、跨系统复用以及面向AI的统一消费。本体化语义模型主要包含以下内容：指标与度量（Metrics）：定义业务指标及其计算逻辑，以及与业务实体之间的关系。业务实体（Business Entities）：定义业务口径中的实体。如客户、产品、订单、合同、设备、组织等核心业务实体。属性（Attributes）：描述业务对象的关键属性及业务含义。关系（Relationships）：定义对象之间的业务关系，如隶属、拥有、参与、依赖、影响等。映射（Mapping）：定义业务实体与物理表（或视图）之间的映射关系，用来做数据查询引擎。业务规则（Business Rules）：沉淀企业运营规则、约束条件和业务逻辑。在规范方面，本体化语义模型通常遵循国际知识表示与语义建模标准，包括：OSI（Open Semantic Intercharge, yaml) : 开放语义交互协议的yaml格式。RDF（Resource Description Framework）：资源描述框架，用于统一表达实体及其关系。OWL（Web Ontology Language）：用于构建企业本体模型和复杂业务规则。 《DDM中的语义模型》数语基于OSM，还提供通用数据查询系统，将企业统一语义层与自然语言交互能力深度融合，实现统一问数与数据探索分析。当前市场上不少方案采用Text2SQL、Text2DSL再转换为SQL等技术路线，虽然能够实现自然语言到查询语句的转换，但往往缺乏统一、完整的企业语义模型支撑，对业务概念、指标口径、规则关系和跨系统数据关联的理解能力有限，容易出现语义歧义、查询结果不一致以及复杂业务场景适配困难等问题。实践证明，无论采用哪个toSQL的路线，最后的瓶颈都是语义上下文的缺失。因此通过OSM实现的问数从准确率到开放性能力都要上一个台阶。《基于语义模型的数据查询系统》如何从数据模型走向语义模型对于很多国内企业来说，数据模型建设并不陌生。过去十多年，企业围绕数据资产建设，逐步形成了从业务系统到数据仓库、从数据标准到指标体系的完整方法论。尤其是在数据治理领域，很多企业已经建立了较为成熟的五级数据架构体系，通过概念模型、逻辑模型、物理模型以及数据标准等方式，实现了数据资产的规范化管理。这些建设成果并不会因为AI时代的到来而失去价值，企业过去积累的数据模型和治理成果，正在成为构建智能化能力最重要的基础。对于DDM而言，我们认为企业级语义模型建设可以分阶段推进。第一步，基于现有数据模型、数据标准和指标体系，建立统一的业务术语和语义定义；第二步，将业务实体、指标口径、业务规则等内容纳入统一管理，形成企业级语义资产库；第三步，通过开放标准实现语义共享与复用，支撑跨系统、跨平台的数据协同；第四步，将语义模型与AI应用结合，为智能问答、智能分析、智能体等场景提供统一知识底座；最终，逐步构建覆盖数据、语义和知识的企业级智能数据架构。从数据模型走向语义模型，并不是一次技术替换，而是一次数据资产价值的延伸。将过去建设的数据底座，升级为企业需要建设的知识底座。写在最后AI不会取代数据治理，也不会取代数据仓库。但AI的出现，正在重新定义它们的价值。从数据到语义，从资产到知识，这不仅是技术架构的演进方向，也是数据治理和数据仓库在AI时代最重要的发展方向。
2026年数据安全“第一课”，分类分级如何从“合规必答题”变为“发展必选项”？
2026年，金融信息服务领域迎来数据安全治理的关键节点。随着国家互联网信息办公室《金融信息服务数据分类分级指南（征求意见稿）》（下称《指南》）的发布，“核心数据、重要数据、敏感一般数据、常规一般数据” 的四级框架正式确立。这标志着，金融行业数据安全，已从过去笼统的“数据盘点”，迈入精细化分类、精准化定级、动态化报送的新阶段。作为国内领先的数据治理专业服务商，数语科技基于对《指南》的深度研读与行业实践，为您梳理合规落地的核心逻辑与实施路径。一、 监管风向标：2026年分类分级呈现“精细化”与“强制化”双特征四级分层，颗粒度更细： 新规明确将数据从高到低划分为核心数据、重要数据、敏感一般数据、常规一般数据四个级别。企业不能再笼统地谈“重要”与“一般”，必须建立精细化的四级标签体系。三级分类，覆盖度更全： 在分类维度上，指南提出了“业务数据、用户数据、企业数据”的一级分类框架，并细化出多达66个三级分类。这意味着，企业的每一张表、每一个字段都需要找到准确的“户口”。处罚力度空前： 监管层明确将按照“发现一批、整改一批、通报一批、处罚一批”的思路推进工作。未按要求开展识别备案、未落实差异化保护的，将面临严肃处理。监管的“颗粒度”越细，对企业的数据资产盘点能力要求就越高，自动化、智能化的分类分级工具成为刚需。二、 痛点直击：为什么你的分类分级总是“交不了差”？《指南》给出了标准，但企业从“看懂”到“做到”仍有距离。结合数语科技的服务经验，挑战主要集中在以下方面：挑战1：分级要素复杂，人工判断极易出错《指南》第5.2条明确，分级需综合考虑覆盖度、时间跨度、精度、公开状态、地域五大要素。例如，“10年的基金成交量数据”与“1日的实时行情数据”级别可能截然不同。人工识别不仅效率低，且标准难以统一。挑战2：影响对象多维，量化评估困难数据安全风险可能影响国家安全、经济运行、社会秩序、公共利益、组织权益、个人权益六大对象。如何将“特别严重危害”“严重危害”“一般危害”三个等级，转化为可执行的字段级判断逻辑？这是许多企业面临的共性难题。挑战3：动态更新要求高，静态台账难以为继《指南》第5.6条明确要求，数据分级完成后应定期检查复核，并在内容、规模、场景、融合方式等发生变化时及时更新。特别是当核心数据、重要数据条目数量或存储总量变化超过30% 时，需重新报送。这意味着，一次性的分类分级远远不够，持续动态管理才是关键。三、 数语科技智能化解决方案：全生命周期数据安全治理针对上述挑战，数语科技基于AI大模型技术与行业规则引擎，推出的Datablau智能化数据安全管理平台，可对标《指南》要求，覆盖“数据资产盘点—分类—分级—清单报送—动态更新”全流程。智能数据资产盘点：构建数据资产目录，自动发现敏感数据，精准摸清资产家底统一数据资产目录：所有盘点结果形成企业级数据资产目录，提供一站式的数据资产全景视图。数据管理者可清晰查看全域数据资产的分布状况、分类分级状态及敏感数据访问热度；数据使用者则可通过目录快速检索所需数据，直观了解数据的安全级别与使用限制，实现“找得到、看得懂、用得了”。智能数据识别：依托智能数据识别技术，综合运用关键词匹配、同义词扩展、正则表达式等多种识别方式，自动完成全域敏感数据的扫描与发现，精准定位个人信息、金融交易、商业秘密等敏感字段，为后续分类分级提供高质量的数据基础。持续动态盘点：支持周期性自动盘点与触发式增量盘点双模式。当新增数据源、新增数据表或既有数据内容发生变更时，系统能够自动触发增量盘点，实时更新敏感数据清单，确保数据资产“家底”始终与真实环境保持一致，为动态合规与精准防护提供可靠依据。对应《指南》要求：第6.a条“数据资源梳理”——形成包含数据库表、数据项智能数据资产分类分级：让分级“自动、精准、可解释”平台内置金融信息服务行业分类分级规则库，严格对标《指南》附录A的66类三级分类与第5条的四级分级体系，实现自动化分类分级。自动分类归目：根据数据所描述的对象、业务领域、数据主体，自动将数据归入业务数据/用户数据/企业数据的一级分类，并逐级细化至三级分类。智能定级评估：综合分析数据的覆盖度、时间跨度、精度、公开状态、地域等分级要素，结合对国家安全、经济运行、社会秩序等六大影响对象的潜在危害程度，按照“就高从严”原则自动输出核心数据、重要数据、敏感一般数据、常规一般数据四级结果。动态更新管理：依托数据血缘追踪与变更感知能力，平台可定期自动复核数据资源与分类分级结果。当数据内容、规模、使用场景或融合方式发生变化时，分级结果将同步更新，确保企业的数据安全治理始终与监管要求同频。敏感数据分区与脱敏策略关联：完成分级后，平台自动将不同级别的数据映射至相应的存储分区与脱敏策略，实现“分级即管控”。对应《指南》要求：第6.b条“数据分类”、第6.c条“数据分级”、第6.d条“形成数据分类分级清单”。动态脱敏：场景自适应，安全不牺牲效率平台通过数据安全网关构建动态脱敏引擎，在不改变底层数据存储的前提下，根据访问场景实时进行脱敏处理，实现安全与效能的平衡。场景感知脱敏：识别数据查询、数据服务调用、报表导出、API接口等不同访问场景，自动匹配相应的脱敏规则。例如，运维人员查看日志时显示脱敏后的手机号，而业务分析人员在授权后可查看完整信息。多种脱敏算法：支持遮盖、替换、哈希、加密、保留格式脱敏（FPE）等多种算法，满足不同安全等级与业务可用性的双重需求。高性能低延迟：动态脱敏引擎采用内存计算与策略缓存技术，对查询响应延迟影响控制在毫秒级，保障业务连续性。对应《指南》要求：第5.1条“数据分级框架”下，对不同级别数据实施差异化安全保护措施的内在要求。智能访问权限设置：基于角色与分级结果的动态管控平台建立精细化的数据访问控制与脱敏标准体系，确保“合适的人、在合适的场景、访问合适的数据”。分级权限矩阵：根据数据级别（核心/重要/敏感一般/常规一般）与数据类别，自动生成差异化的访问权限策略。数据申请清单机制：用户可通过平台提交数据访问申请，明确使用场景、访问时长、数据范围；审批流程线上化、可追溯，所有访问记录留存审计日志。权限跟踪溯源：每一次数据访问行为均可关联至具体申请人、审批人、访问时间、操作内容，满足事后审计与风险追溯要求。对应《指南》要求：第5.5条“综合确定级别”后的差异化保护逻辑，以及数据安全事件可追溯的管理要求。四、合规之外：分类分级的深层价值监管的浪潮不会退去，只会越来越高。2026年，企业竞争的关键已不再是“谁拥有更多数据”，而是 “谁能更安全、更合规地用好数据” 在这一进程中，AI大模型与数据安全正在形成相互赋能、双向奔赴的紧密关系。一方面，AI大模型正成为数据安全分类分级的核心驱动力。传统的人工梳理与规则匹配方式，难以应对海量数据、动态变化和复杂场景的挑战。数语科技将AI大模型能力深度融入数据安全管理平台——通过智能算法，自动识别数据中的敏感信息；通过智能推理与分级要素分析，自动判定数据的安全级别；通过持续学习与反馈优化，让分类分级策略随业务演进动态进化。另一方面，数据安全同样是AI大模型行稳致远的生命线。大模型的训练、调优、推理全过程都高度依赖海量数据，其中不乏敏感信息和重要数据。若缺乏有效的分类分级与访问管控，模型训练数据中的隐私泄露、数据投毒、合规风险将成为巨大隐患。只有筑牢数据安全底座，才能让AI大模型在合规轨道上释放真正价值。没有数据安全，就没有可信的AI；没有可信的AI，就没有可持续的智能化未来。立即行动，联系数语科技，让数据分类分级从“合规必答题”变为“发展加分题”！