一、一个反复被验证的现实

Gartner 2024 年调研数据显示，72% 的 AI 项目止步于 Demo 阶段。

背后的共性原因很明确：企业沉淀了海量数据，但大模型读不懂真实业务。业务语义缺失、系统孤岛林立、专家经验隐性化——三重问题叠加，成为 AI 从演示环境走向生产落地的核心瓶颈。

二、数据治理 vs 知识治理

缺少知识治理，AI 只能查数据、做简单对话，无法完成业务判断与复杂决策。一句话概括两者关系：数据治理管住底线，避免 AI 无依据胡说；知识治理拔高上限，保证判断贴合业务。

三、卡点一：语义体系缺失

同样叫"客户"，销售、客服、财务系统里的定义各不相同；同一个业务指标，不同部门口径自成一套。跨系统业务对象无法对齐，AI 只能做信息检索，很难完成归因与逻辑推导。

更隐蔽的是：大量业务逻辑从来没有写进数据字典。

• 一笔退款会联动财务、客服、合规多条流程。
• 不同区域客户的规则存在差异。
• 多个产品 ID 对应同一款实物。

这类关联关系，大模型不会自动感知。哪怕打通更多系统，模型也只能靠猜。

四、卡点二：隐性经验无法机器化

多数企业不缺制度文件，缺的是把"人脑里的业务规则"变成机器可调用知识的能力。

制度文本会写明"B 级供应商需要启动处置流程"，但这家供应商的物料影响哪些生产计划、有没有备选货源、需要通知哪些部门——这类判断依据往往只掌握在资深员工手里。

有一项面向多家企业 AI 团队的调研提出了一个判断：企业 AI 落地的真正瓶颈，不是大众热议的幻觉，而是"meaning 缺失"。当模型不理解业务背后的关系链条，输出就只能靠猜——而猜测，正是幻觉产生的源头。

五、卡点三：知识会"衰减"

这一点最容易被低估。一次性梳理出来的口径、规则、判断逻辑，如果只保存在顾问或零散的交付文档里，项目交付结束，知识流失就已经开始。

一旦业务流程或规则发生变动，AI 依赖的语义体系就会过时，前期投入的治理成果很难持续发挥价值。

六、怎么补：三个动作，三条判断标准

1. 建统一业务词典：把核心业务实体、属性、实体之间的关系沉淀下来，让分散在异构系统里的数据映射到同一套语义框架。AI 面对的不是一堆孤立数据表，而是有实体、有关系、有统一口径的语义资产。
2. 把隐性经验做成结构化知识：通过语义分段、要素抽取、条目沉淀等流程，把"制度里没写、老员工知道"的判断逻辑，转化成可检索、可推理的条目与规则。
3. 建知识回流闭环：把实施过程中的交互记录、决策理由、整改逻辑自动沉淀进私有知识库，不随人走而流失。

给负责人的三条自查标准：

• 如果业务方经常说"查不准"，先查语义层，别急着换模型。
• 如果只有老员工能回答关键问题，说明知识还没被结构化。
• 如果系统上线半年后效果下滑，多半是知识没更新机制。

一句话收束：AI 能不能干活，取决于你给它的是"数据"，还是"能读懂的业务"。