8月28日，贵阳，2026中国国际大数据产业博览会正式开幕。

本届数博会的主题定为“词元——数据要素价值释放新路径”。展馆里，“智能体”是最热的关键词。产业智能体的“实干元年”，似乎真的来了。

但另一组数据同样扎眼。毕马威报告显示，88%的企业已开始尝试智能体，但仅有24%能在多个AI用例中实现投资回报。

一千个智能体在展台上“能干活”了，真正敢让它们进入核心业务、独立签字决策的企业，仍然屈指可数。

问题出在哪里？

为了弄清楚这个问题，数据猿专访了蓝象智联创始人兼董事长童玲、蓝象智联合伙人毛仁歆。

展台上的智能体
为什么进不了生产线？

过去两年，大模型能力持续跃升。从“能对话”到“能执行”，技术本身已经不是瓶颈。但大多数企业尝试智能体的路径出奇一致：选一个开源框架，接一个大模型API，挂一个知识库，搭出一个能回答问题的Demo，然后卡在那里。

童玲指出，真正敢让智能体进入核心业务、独立决策的企业仍属少数。

原因不是模型不够聪明，而是一个更基础、更隐蔽的问题：数据没有为智能体“就绪”。

在传统的“人用数”时代，这个问题被人的经验覆盖了。信贷员看一份企业报告，知道“营收”在不同系统里口径可能不同。人是决策链条的终点，人对数据有判断力。

但智能体不是人。

它不知道“借款人”和“货主”可能指向同一家企业，不知道“经营情况”在信贷语境里等价于“社保是否连续缴纳”，不知道“对外担保”和“授信额度”之间有确定的规则关系。它只知道字段名和值，不理解字段背后的业务含义、口径差异、约束规则。

童玲和团队一线实践中，总结出三重制约：

第一，数据不通。 “目录里查得到，场景里用不上。”公共数据已经汇聚，但每上一个新场景就要重新对接、重新开发，边际成本降不下来。

第二，AI不懂。 客户经理问“这家企业经营情况怎么样”，模型不知道“经营情况”在信贷语境里等价于“社保是否连续缴纳”，于是跑去公网检索，答非所问。结论没有出处、无法复现，业务侧不敢采信。

第三，权责不清。 越权取数只能靠提示词里一句“不许”来约束，而提示词可以被覆盖、被绕过。数据方不敢开放高价值字段，因为API计价表达不了字段间的价值差。

这三个问题合在一起，指向同一个结论：“产业智能体缺的不是更大的模型，而是一层‘语义+权限+计量’的用数基础设施。 ”

本体，为什么现在重新重要？

“语义基础设施”这个概念听起来抽象，但产业界已共识是智能体用数的必备并正在验证这一方向。

过去两年，单纯靠RAG（检索增强生成）做企业知识库的尝试，已经暴露出明显的天花板。

RAG的本质是“查字典”。用户提问，系统从文档库里检索相关段落，拼成上下文喂给大模型。它能解决“我有什么知识”的问题，但解决不了“知识之间什么关系”“该怎么做”的问题。

比如一个信贷员问：“这家企业能不能授信？”RAG能检索出这家企业的工商信息、司法记录、征信报告，但无法自动判断：担保敞口超过净资产60%意味着什么？关联方经营异常对这个授信申请有什么影响？这些判断需要规则、需要推理、需要把分散的数据点连成一条可审计的决策链。

这正是本体重新变得重要的原因。

本体不是什么新概念。它最早可以追溯到亚里士多德的范畴论，在知识工程和语义网领域已经被讨论了三十多年。但过去本体建设一直卡在一个现实难题上：建模成本太高。一个复杂领域需要上百名专家耗时数月手工建模，业务一变，图谱很快过时。

今天的变化在于AI本身。大模型可以从业务文档、数据表结构、历史问答中自动抽取语义关系，“在AI辅助下，复杂领域的本体初版建模可压缩至一周级，再经业务专家校验迭代。本体从“静态的知识档案”，变成了“活的、可进化的知识体系”。

更重要的是，当用数主体从“人”变成“智能体”，本体从“可选项”变成了“必选项”。人看数据靠经验和直觉补全上下文；智能体没有经验和直觉，它需要一套显式的、可计算的语义规则来理解业务世界。

童玲用一个类比解释了这种变化：“单靠大模型，它只能回答；有了本体，它才能执行、能审计、能被信任。”

她把大模型比作人类的右脑，负责感知、生成、意图理解，强在发散和联想。但右脑的问题是“太自由”，同一个问题问三遍，可能给出三个不同的答案。本体则是左脑，负责逻辑推理、规则校验、确定性结论。它不管“猜”，只管“算”。

“左脑和右脑必须组合在一起使用。”她说。

业内常把RAG、知识图谱、本体混为一谈。童玲用三个比喻做了区分：RAG像查字典，告诉你词是什么意思；知识图谱像看剧照，能看到谁和谁有关；本体像读剧本，不仅能描述关系，还能推演、能判断“该不该、对不对”。RAG擅长解决“检索”，本体擅长解决“推理与审计”，二者互补——本体是在RAG之上补齐可判断、可审计的决策链。

“本体是让AI从‘会说’走向‘会想、能审计’的关键一跃。 ”

蓝象智联ALITA：认知底座+智能体生产车间，两条腿走路

方向清楚了：产业智能体需要一层语义基础设施。但光有认知还不够，智能体得“造出来”，还得“用起来”。

蓝象智联的答案是ALITA，一套面向产业智能体的基础设施产品，由两个核心产品构成：

ALITASense（语义可信底座） ，解决的是“认知”问题，让智能体读懂业务。它负责把产业世界的概念、实体、属性、关系、规则和约束，变成可计算、可推理的语义模型。大模型看到“经营情况”，ALITASense告诉它这对应的是“社保连续缴纳”“纳税信用等级”“用电量趋势”等一系列可核验指标；大模型想调法人社保明细，ALITASense告诉它需要先拿到授权书编号。

ALITAAgent（产业智能体生产车间） ，解决的是“生产”问题，让智能体被安全、高效地构建出来，并在真实产业环境中持续运行。它不是简单的“搭智能体工具”，而是一条面向产业场景的完整生产线：选模型、装认知、加数据、套安全护甲、中试验证，然后交付上线。

这两个产品互为前提。没有ALITASense的语义认知，ALITAAgent造出来的智能体只是个“会调工具的机器人”，读不懂业务规则，做不了合规判断。没有ALITAAgent的生产能力，ALITASense的语义模型只是一堆静态的知识档案，无法被封装成可执行、可运营的智能体服务。一个负责“让智能体读懂世界”，一个负责“把智能体造出来送进产线”。两者合在一起，才构成完整闭环。

从4月份上一代产品升级到现在的ALITA体系，蓝象完成了一次定位跃迁：从“数据流通基础设施”走向“产业智能体基础设施”。

需要特别指出的是，产业智能体“不敢用”的另一层原因，是安全。

传统权限管控靠提示词约束，比如要求AI“不许越权取数”。但越聪明的模型越容易绕过规则，这是已经在生产环境中反复验证过的事实。

ALITA让授权判定发生在语义层，智能体无法绕过。无论怎么提示、换多少种说法，都拿不到授权范围外的数据。

毛仁歆举了一个真实场景：客户经理做企业尽调时，追问“顺便把这家企业法定代表人的社保个人明细也拉一下”。从语言逻辑看，这像是同一任务的延伸。但本体推理机判定该字段不在授权范围内，服务端直接拒绝并记录原因。

“拒绝发生在语义层，而不是提示词层。权限判定由模型之外的规则与控制机制执行，不依赖提示词自律。”毛仁歆说。

这是ALITA与传统权限管控体系的根本区别。

贵企AI，用新打法交出的一份答卷

蓝象智联的那一套本体认知底座+智能体生产车间的打法，听起来很有前景，但能在实际业务场景落地么？

ALITA的首个大规模交付案例，是贵企AI，该项目由蓝象智联×贵州大数据集团×交通银行贵州省分行三方共建，落地于贵州普惠金融场景。

为什么选这个场景？毛仁歆讲了一个行业现状：普惠金融的核心是“主动精准找到有需求的小微企业”，但银行普遍缺乏足够的数据和AI能力支撑，只能“广撒网式电话营销”。客户烦，银行也低效。

贵企AI的解法，是从数据底座入手。贵企AI依托公共数据授权运营体系，接入多源政务数据。一部分解决'找到谁'的问题，一部分解决“判真假”的问题。

通过语义对齐和智能体封装，将核验能力转化为智能体服务，经中试车间验证后交付上线。

效果是实打实的：全省400万户企业进入核验范围，多个维度的公共数据自动交叉印证，单户尽调从3-5个工作日压缩到分钟级。

最让团队兴奋的，是“双白户”，那些从来没有信贷记录、也没有电商数据的中小微企业，第一次凭客观的公共数据进入了银行的授信视野。上述数据接入均基于公共数据授权运营机制，依法依规、经授权与必要脱敏后使用。

此外，蓝象智联还有一个容易被忽视但极具分量的身份：国家数据基础设施（NDI）技术社群联合发起单位，同时牵头编制《数据基础设施 语义描述和互操作要求》技术文件。“我们不只是做一个商业产品。”

童玲说，“我们在参与定义智能体时代的‘车同轨、书同文’。”

数据基础设施
是AI规模商用的“最后一公里”

贵企AI是一个起点，它验证了一个方向：当数据真正为智能体“就绪”时，效率的提升是数量级的。

如果把视角拉高，整个AI产业正处在一个更关键的转折点上。大模型能力的“代差”正在缩小，开源与闭源模型的差距已从“代际”缩至“版本级”。AI规模商用的真正瓶颈，正从模型能力转向数据供给能力。模型再聪明，数据读不懂、不敢用、接不进，都是空转。

更深层的变化在用数主体。过去是人找数据，分析师提需求、排期、取数、做报表，低频且昂贵。但未来，每一个智能体在每一次决策中都需要数据，AI数据消费量级是传统人工查询的100倍以上。消费形态也在剧变，从人买数据集动辄百万的“低频大额”，转向Agent单次调用几分钱Token的“高频小额”。

所以说，这不是某一个产品的市场，而是一整套基础设施的市场。

如果每个产业智能体落地都要重新做一遍数据对齐，这个市场永远做不大。而基础设施的价值在于：底座一旦建成，语义资产随接入规模持续积累，边际成本递减、可迁移复用。从金融到能源、交通、政务，语义底座正在从单点场景走向跨行业复用，这是产业智能体从“作坊式定制”走向“工业化生产”的必经之路。

结语

技术史上有一种反复出现的戏剧性：每个时代都曾高估新工具在第一个十年的改变，却低估它在第三个十年的重塑。

计算机刚诞生时，人们以为它只是一台高速计算的机器，直到数亿人通过屏幕连接彼此，才意识到它改变的是人类协作的方式。互联网早期，人们以为它只是传递信息的管道，直到电商、社交、云计算的浪潮席卷一切，才明白它重构的是商业和社会的底层逻辑。

大模型和智能体正在经历同样的命运。

行业以为它只是个“更聪明的问答工具”，却忽略了它正在改变一个更底层的命题：当数以亿计的智能体开始成为新的用数主体，数据的消费方式、计量方式、安全边界，都将被重新定义。那个“人找数据、人读数据、人决策”的时代，正在让位于“智能体寻址数据、本体理解数据、规则脑保障安全执行”的新结构。

童玲在数博会演讲中说了一句话：“数据汇聚，不等于意义贯通。”我们正在从“建管道”走向“建语言”。前者解决的是“数据能不能流过去”，后者解决的是“数据流过去之后，机器能不能听懂、敢不敢用”。

贵企AI只是这个时代的第一个注脚。真正深远的变化是：当数据终于能被机器理解、推理和信任，智能体才开始真正从“演示品”变成“基础设施”。而数据基础设施的厚度，最终丈量着智能体时代所能触及的高度。

童玲认为，大模型给智能体翅膀，本体给它地图，数据基础设施则铺出一条真正通往产业的跑道。

从“数据上架”到“智能体上岗”，决定产业智能体能飞多远的，已经不只是模型有多强，更在于脚下的语义、数据与可信基础设施是否足够扎实。

跑道有多稳，智能体就能飞多远；底座有多厚，智能体时代就能飞多高。

当“本体筑基、模数共振”，让数据与模型在语义层同频共振时，敢于为关键业务决策“签字”的笔，终将交到智能体手中。

文：月满西楼 / 数据猿

责编：凝视深空 / 数据猿