因为 AI 进来之后企业面对的已经不只是“让更多人看懂数据”。真正摆在眼前的问题是能不能让系统自己理解业务、调用数据、完成分析并把结果一路推进到行动层。这也是这篇文章想讲清楚的一句话过去的数据平台主要服务于人分析Human Analytics未来的数据平台必须服务于 AI 决策AI Decision。这不是报表层的一次小修小补更像一次“操作系统级”的重构。过去十年企业数据平台主要在做一件事从分散走向统一从数据仓库走向 Lakehouse。未来三到五年真正重要的变化是它会继续从数据底座往上长变成认知底座再进一步变成决策底座。如果把这件事压缩成一条演进线大概就是BI Era服务于人 → Lakehouse Era统一数据 → AI Native Data Stack Era服务于 AI一、为什么 BI 架构开始遇到天花板先说一个很多企业都很熟悉的现实。今天不少公司并不缺系统。它们有数据仓库有数据湖也可能已经上了 Lakehouse外面再套一层看起来不差的 BI 平台。但业务部门一旦提出稍微复杂一点的问题链路往往还是那条老路Question → People → SQL → Dashboard → Decision业务先提问题。分析师理解需求、拆解口径。数据工程师补数、建模、开发报表。最后业务再基于 dashboard 做判断。这条链路不是不能跑而是越往后越贵越慢也越难复制。先是响应速度慢。只要问题不是预先定义好的口径通常就得跨角色协作。真正卡住企业的很多时候不是算力而是沟通成本和翻译成本。再是人力成本高。不少数据团队把大量时间花在 SQL 搬运、口径解释、报表维护这些重复工作上真正高杠杆的分析和建模反而被挤压了。还有一个更隐蔽的问题知识沉淀不下来。很多分析结论留在人脑里、PPT 里、会议纪要里没有真正回到系统。下次遇到类似问题组织还是得再走一遍老流程。最后是很难规模化。当所有决策都要靠“人”这个中间层来转译企业的数据能力增长速度最终就会被组织带宽锁住。所以 BI 的天花板不完全是技术问题更像是交互模式的问题。它默认的是人去找数据人去理解数据人再推动决策。报表时代这套模式是成立的。到了 Agent 时代它就开始显得有点笨了。二、Medallion Architecture 解决了什么这里不能因为要讲 AI就低估 Medallion Architecture 的价值。恰恰相反没有 Medallion就谈不上更上层的 AI Native Data Stack。按照 Databricks 官方定义Medallion Architecture 是一种分层的数据设计模式用 Bronze、Silver、Gold 三层让数据在流动过程中逐步提升质量和结构化程度。[官方]Databricks 在官方文档里的原话是“The goal is to incrementally and progressively improve the structure and quality of data as it flows through each layer of the architecture (from Bronze ⇒ Silver ⇒ Gold layer tables).”这三层各自做什么其实已经很清楚Bronze承接原始数据强调可追溯、少丢失、低假设。Silver做清洗、校验、规范化和基础建模形成可信数据层。Gold沉淀面向业务消费的聚合、主题域模型和指标视图支撑 BI、分析、机器学习和下游应用。如果换成企业视角Medallion 真正解决的是数据资产化。它第一次比较系统地把下面几件事放到一套框架里数据统一存储数据统一治理数据统一计算数据统一消费更重要的是它把“原始数据”“可信数据”“业务数据”这几层关系拉开了。这样一来过去数仓和数据集市时代常见的模型混杂、口径漂移、反复搬运就能大幅缓解。这一点非常关键。因为 AI 不是从空气里长出来的它必须站在一个统一、可信、可治理、可计算的数据底座上。从这个意义上讲Lakehouse 和 Medallion 不是旧时代的遗产反而是 AI 时代的地基。但问题也正出在这里。Gold 层当然很重要但它主要还是 Human-readable不是天然的 AI-readable。下一阶段架构要补的恰恰就是这道断层。三、为什么 Gold 层不是 AI 的终点很多团队会有一种直觉Gold 做得足够好AI 接进来就行了。现实没这么简单。举个常见的问题最近 3 个月销售额下降的原因是什么一个训练有素的分析师看到这句话脑子里会立刻补出一堆前提销售额怎么定义是否扣除了退款是按支付时间还是履约时间统计是看同比还是环比要不要结合渠道投放、库存、客单价、转化率、新老客结构一起看。但对 AI 来说就算 Gold 层已经有一张ads_sales_summary问题还是一大堆销售额到底是什么是否包含退款“最近 3 个月”指的是自然月、滚动 90 天还是财务月先看区域还是先看渠道该关联库存、营销活动、价格变动还是客服工单如果结果异常是继续下钻还是直接触发动作你会发现Gold 层给的是高质量数据结果但不是完整的业务认知上下文。这也是为什么很多 ChatBI 项目一开始体验很好越往深处走越不稳定SQL 也许能生成图表也许能画出来但一到跨指标解释、口径追问、根因定位、策略建议系统就开始飘。问题不只是模型够不够强。更常见的情况是企业并没有把业务语义、规则、知识和经验以结构化的方式交给 AI。所以 Gold 不是 AI 的终点。Gold 解决的是“数据可用”而 AI 决策真正需要的是“业务可理解、规则可推理、动作可执行”。换句话说企业真正缺的不只是更多表而是一套企业认知系统Enterprise Cognitive System四、AI Native Data Stack 需要在 Gold 之上再加两层如果用一张更完整的演进图来表示我更倾向于把企业数据平台从三层扩展成五层甚至七层。先看最关键的新增部分Data Source → Bronze → Silver → Gold → Semantic Layer → AI Agent Layer这不是为了把架构图画得更复杂而是因为到了 Gold 之上出现了两类 BI 时代并不显性的能力需求企业知识要能被系统化表达AI 不只回答问题还要规划、调用和执行前者对应 Semantic Layer后者对应 AI Agent Layer。也可以换一种说法Lakehouse 解决的是数据统一问题Semantic Layer 解决的是业务语义统一问题Agent Layer 解决的是智能执行问题。三者叠在一起企业数据平台的角色才会从“数据基础设施”变成“决策基础设施”。五、Semantic Layer企业知识的大脑如果说 Lakehouse 是地基那 Semantic Layer 更像大脑。dbt 在官方文档里对 Semantic Layer 的定义很直接它允许数据团队在现有模型之上统一定义 metrics并自动处理数据 join从而减少重复编码。官方原句是“The dbt Semantic Layer eliminates duplicate coding by allowing data teams to define metrics on top of existing models and automatically handling data joins.”以及“By centralizing metric definitions, data teams can ensure consistent self-service access to these metrics in downstream data tools and applications.”这两句话已经说明了语义层的第一层价值把口径、指标、维度从 BI 工具里拿出来回收到统一的数据建模与治理体系中。但如果站在 AI 时代看Semantic Layer 的意义还要更大。它不该只是“指标定义中心”而应该成为企业业务世界的数字孪生。这一层至少要管理几类对象1. Business Entities业务实体比如用户、订单、商品、门店、合同、设备、项目。这些不是简单的表名而是企业经营中真正关心的业务对象。2. Metrics指标比如GMV、DAU、LTV、ARPU、库存周转天数、毛利率。指标的关键不只是名字更是口径、计算方式、适用范围、刷新周期和权限边界。3. Dimensions维度比如时间、区域、渠道、城市、客户分层、品类。维度其实就是分析世界的坐标系。没有统一维度AI 的分析就很难走出表层问答。4. Relationships关系用户和订单是什么关系订单和商品怎么关联营销活动怎样影响转化门店和区域如何映射。AI 想从“查数”走向“解释”就必须理解这些关系。5. Business Rules业务规则比如销售额 支付金额 - 退款金额活跃用户 7 天内登录用户新客 首次完成支付的用户规则如果不进入系统AI 的回答就只能停留在模式匹配谈不上真正可控。6. Knowledge知识这里包括行业知识、组织经验、分析框架、异常判断习惯甚至过去分析师沉淀下来的方法论。这部分在 BI 时代通常散落在人脑里、日报里、PPT 里到了 AI 时代它必须逐步结构化至少要做到可引用、可校验、可继承。所以 Semantic Layer 的本质不只是给 SQL 提供一个更友好的入口而是在企业内部搭一座桥把底下的数据世界翻译成上面 AI 能理解的业务世界。最终形成的不再只是Data → Information而是Data → Information → Knowledge → Reasoning这一步决定了 AI 在企业里到底只是一个聊天入口还是一个真正能工作的系统。六、AI Agent Layer企业的数字员工系统再往上一层就是 Agent。这一层最容易被讲空。因为现在市场上很多产品都在讲 Agent但真正落到企业里关键不是“会不会多轮对话”而是它能不能在受控边界内调用数据、理解语义、完成任务并把结果继续推进到行动层。微软在其官方页面里把 AI agents 描述为可以代表个人、团队或组织工作的“虚拟队友”并强调它们能够响应实时信息、做出决策、减少错误还能从反馈中学习。其中有一句话值得留意“Enabling smarter decision-making by analyzing large volumes of data in real time, AI agents can surface insights, spot trends, and even predict future outcomes.” [官方Microsoft]这句话背后真正说明的是Agent 在企业里不只是一个信息检索器它正在往工作流执行体演进。如果放到数据平台场景里至少会出现几类很典型的 Agent1. ChatBI Agent负责问数、SQL 生成、指标解释、异常追问、结果可视化。它替代的是“很多临时分析需求都得先过一遍分析师”的环节。2. Data Engineer Agent负责 ETL 生成、任务编排建议、血缘分析、异常排查、数据质量修复。它替代的不是工程师本身而是大量重复、低杠杆的工程劳动。3. Analyst Agent负责根因分析、洞察归纳、报告输出、经营复盘。它让“分析”这件事从一次性产出逐步变成可复用的系统能力。4. Operation Agent负责用户运营、活动优化、策略生成、实验建议甚至把部分动作直接回写到业务系统。当这些 Agent 真正串起来之后企业内部的链路会发生一个非常关键的变化Question → Agent → Semantic Layer → Gold → Silver → Bronze → Action这里最值得注意的是最后一步。在 BI 时代链路通常停在 Dashboard。但在 AI Native Data Stack 里Dashboard 不再是唯一终点很多时候它甚至只是一个中间产物。更重要的是Action。也就是发起策略、调整预算、生成任务、触发工单、修改参数、推进下一步执行。这才是“服务于 AI 决策”和“服务于人分析”之间真正的分水岭。七、企业数据平台的角色已经开始变了过去大家一提 Data Platform默认想到的是 Data Infrastructure。说白了就是一套围绕存储、计算、调度、治理、建模、服务构成的数据基础设施。这个理解在 BI 时代没有问题。但在 AI 时代如果平台还只把自己定义成基础设施它很快就会退化成一个“被调用的后端能力层”而不是企业智能化的核心枢纽。我更倾向于把未来的数据平台拆成三个系统1. Data System数据系统负责存储、计算、治理、调度、数据服务。这是 Lakehouse 最擅长的部分也是今天大多数厂商竞争最充分的一层。2. Knowledge System知识系统负责语义、规则、指标、实体、关系、术语和经验沉淀。这部分决定了企业是不是拥有了一个稳定、统一、可治理的“业务解释层”。3. Reasoning System推理系统负责规划、分析、决策、执行以及反馈闭环。这部分往上接应用往下接语义和数据最终让 AI 从“能答”走向“能做”。这三层叠起来企业平台的主线就会从过去的Data Platform Data Infrastructure逐步变成Data Platform AI Infrastructure再进一步它甚至会继续演进成Data → Knowledge → Reasoning → Action这里最关键的变化是平台是否开始承担认知与决策功能。如果答案是肯定的那它就已经不只是一个传统意义上的数据平台了。八、未来企业更合理的目标架构如果把上面的讨论收束成一个更完整的推荐架构我会倾向于下面这条七层路径AI Applications | ------------------------ | ChatBI | Copilot | Agent | ------------------------ | AI Agent Layer | Semantic Layer | Gold | Silver | Bronze | Lakehouse Foundation | Data Sources这个架构的好处在于它把“统一数据”“统一知识”“统一执行”三件事彻底拆开了。Lakehouse Foundation负责底层数据底座能力Bronze / Silver / Gold负责数据加工、可信化和业务建模Semantic Layer负责口径、实体、关系、规则和知识抽象AI Agent Layer负责调用、规划、分析和执行AI Applications则是不同业务场景下的交互入口。这样一来企业就不会再把 ChatBI、Copilot、Agent 这些上层应用当成几块零散能力去拼而是能把它们放进同一个架构故事里理解。九、云器 Lakehouse正在完善这个产品升级1. Lakehouse Foundation这一层承接的是平台底座能力比如存算分离开放表格式如 Iceberg通用增量计算批流一体湖上加速这些能力解决的是“数据怎么统一进来、稳定跑起来、成本可控地算起来”。2. Semantic Layer这一层更偏向企业业务认知的沉淀比如指标中心实体中心业务术语中心知识中心它解决的已经不是物理数据处理问题而是“企业怎样用同一种语言理解自己的业务”。3. Data Agent这一层承接的是数据工作自动化与智能化比如ETL 自动生成SQL 自动生成运维自动化根因分析它的价值在于把原来高度依赖人力的分析与工程协作链路尽量压短。[推断]4. AI Apps包括ChatBIAI Copilot决策 Agent这是企业最终能感知到的应用层也是价值最容易被感知的一层。但如果没有前面的 Lakehouse 和 Semantic Layer这一层很容易停留在 demo 状态。所以更完整的讲法不是“我们做了一个 ChatBI”而是Lakehouse 统一数据Semantic Layer 统一知识Agent 开始接管分析与决策。这个叙事会比单讲某个 Agent 或某个加速能力更完整也更适合形成系列内容。十、结尾AI 时代企业建设的不再只是数据仓库BI 时代企业最重要的数据工程目标是建设一个稳定的数据仓库或者更进一步建设一套统一的 Lakehouse。到了 AI 时代这个目标本身已经开始变化。企业当然还是需要仓库、湖仓、计算引擎、调度系统和治理体系这些能力都不会消失。问题在于这些能力本身已经越来越难构成真正的差异化。真正开始拉开距离的是企业能不能在数据平台之上再建出一套可被 AI 使用的企业认知系统。也就是说未来企业真正要建设的可能不再只是Data Warehouse而是Enterprise Cognitive System[推断]如果再往下拆其实就是三句话Lakehouse 统一了数据Semantic Layer 统一了知识Agent 开始接管决策。于是企业平台也会顺着这条链路继续演进Data Platform → Knowledge Platform → Decision Platform我倾向于认为这会是未来三到五年企业数据平台最重要的一次架构跃迁。不是因为 BI 不重要了而是因为 BI 解决的是“让人看见”下一代平台要解决的是让 AI 真正理解、推理并推动业务动作发生。这两者之间差的不是一个新功能而是一整代系统设计方法。