作者 | 黎科峰 数势科技创始人兼 CEO
前几天在上海，和 Snowflake 全球产品总裁 Christian Kleinerman 做了一场闭门圆桌。同场的还有白鲸开源创始人郭炜、Snowflake 亚太解决方案工程负责人杨扬，极客邦的霍太稳主持。四十五分钟，全英文。
元股证券:ygzq.hk
图片这种场合我参加过不少，通常最好看的部分是分歧：有人押模型，有人押数据，有人押应用层，各自举例，互相说服，主持人在中间拉架。
那天没有。整场没有一次争论。
四个背景完全不同的人，从四个方向出发，最后停在了同一个地方。这本该让我高兴，但散场后我在车上想了一路，想的不是聊了什么，是没有发生什么。
四个出发点，停在了同一个地方
先说这四个人的差别有多大。
2026炒股配资郭炜做的是开源数据基础设施，Apache DolphinScheduler 和 SeaTunnel 这两个顶级项目背后的公司，服务的是数据管道那一层。Christian 管一家全球数据平台的产品，视角在平台和架构。杨扬带亚太的解决方案工程团队，天天泡在客户现场。我做的是企业 AI 应用，在更上面一层。
一个在“管道”、一个在平台、一个在交付、一个在应用。按理说关心的东西不该一样，站的位置不同、看见的问题就不同，这是常识。
但那天晚上四个人讲的是同一件事：模型这一层已经不是胜负手了，卡住企业的是下面那层数据，以及数据的含义。
郭炜说他跑了很多美国企业，本以为大家在谈 AI 和大模型，结果谈的都是数据和语义层。他讲了一句我很认同的话：模型很容易换，从一家换到另一家没什么成本，但数据换不掉。
Christian 的说法更技术：语义层是自然语言和物理表结构之间的那层粘合剂（glue），没有好的语义，你所做的一切只是在祈祷数据“翻译”是对的。
轮到我的时候，我讲了服务一百多家大型企业的体感：技术从来不是最难的部分，最难的是让总部和区域对同一个数据口径达成一致。企业落地 AI，除了模型，还有四件事——AI-ready 的数据、AI-ready 的 know-how，以及人这一侧的 taste 和 judgment。这个框架我在别处写过，不重复。
Christian 听完说他完全同意，然后补了一句，我觉得比我说得更犀利：在一个你说什么 AI 就能造什么的世界里，你最好知道什么才是值得造的。
杨扬收在一句：把含义从数据里取出来，才是让 AI 正确理解数据的核心。
四个方向，一个落点。
一家做数据集成的公司
做不出自己的销售 Agent
那天晚上最有分量的一段是郭炜讲的，而且讲的是他自己。
他说他想给自己公司做一个销售 Agent，试了之后发现做不了。原因不是模型不够强，是数据没归拢，散在 Salesforce、Confluence、微信、Slack 里，各是各的。
说这话的人，公司主业就是做数据集成和 ETL。
现场几个人都笑了，笑完之后是安静的。因为在座每个人都知道，这不是他一个人的问题，他只是把大家心里那件事说出来了。
一家做数据集成的公司，自己的数据也是散的。这不是笑话，这是常态
他给自己的结论是：一把手的心态最重要。因为老板不知道这件事，团队就建不起来那个底座。
这个自白比任何论证都有说服力。它说明这件事不是认知问题。郭炜什么都懂，他做的就是这一行。
共识形成的那一刻，红利就结束了
两年前讲“模型不是瓶颈、数据和语义层才是”，我总要花掉大半时间去说服对面。那天晚上，一句反驳都没有。
当一个判断变成共识，它就不再是判断，是门槛。
过去两年，这个判断对少数人来说是一种认知优势——你比别人早看见，所以能早投入、早试错、早踩坑。这段时间里，看得早本身就值钱。
现在这个优势没了，因为所有人都看见了。
一件事被全行业公开确认之后，会发生两件事。第一，投入迅速涌进来，包括那些原本不打算做这件事的人。第二，起跑线被重新拉平。你不再因为方向对而领先，因为大家的方向都对了。
这种事我经历过两次。移动互联网那一轮，2010 年前后判断“手机会取代 PC”还算一个观点，到 2012 年就成了常识。而恰恰是成为常识之后的两三年，洗牌最狠——所有人都冲进来了，比的不再是看没看见，是产品做得够不够细、迭代够不够快。云计算走的是同一条路：先是少数人说服别人，然后所有人都同意，然后开始真刀真枪地比。
共识形成的那一刻看起来像终点。实际上它是发令枪。
靠看得早赚的那部分，到此为止。接下来只能靠做得深。
那么，做得深具体指什么？我的答案是三件事，而且都不轻松。
行业的纵深，没有捷径可走
共识是通用的，落地是分行业的。
“语义层很重要”这句话，在零售、银行、制造里指的是完全不同的东西。
零售的难点在口径。同一个“动销”，总部按一种算法、区域按另一种，两边开会各拿各的数，会开到最后就变成对数会。这件事听起来很小，但它定不下来，后面所有 AI 的动作都没有地基。
银行的难点在留痕。一个结论光对不够，还要说得清它是从哪张表、哪条规则来的。因为监管要问，风险要复核。一个不能追溯的答案，在银行里等于没有答案。
制造的难点更朴素：很多关键数据根本没有被采集下来。设备的、工艺的、良率的，大量还停在纸上或者老师傅的经验里。这时候谈语义层还太早，得先解决“有没有”。
这三件事没有一件能靠通用方案解决。
更要紧的是，纵深买不来。它不能靠堆人、堆钱、堆算力换，只能靠时间和客户数量一点点堆出来——每多做一个客户，你的口径库就多一批，你见过的异常场景就多一批，你知道哪些坑长什么样。
判断一家公司有没有纵深，有个很“土”的办法：看它进一个新客户，要多久跑通第一个场景。第一次做要三个月，第十次做只要三周，中间那两个多月的时间差，就是它的资产。这个时间差是抄不走的，因为它不在文档里，在做过的事里。
从“知道”到“跑起来”
各家能差十倍
第二件事是速度，但不是交付速度，是把判断变成资产的速度。
所有人都知道要把判断沉淀下来。但从“知道”到“真的在系统里跑起来”，各家的差距能有十倍。
中间要解决的问题一点都不性感：谁来写，谁来审，写完怎么保证它和线上一致，业务变了谁负责更新。
而且这本质上是个组织问题，不是技术问题。因为写的人是业务专家，他没有动力写——写下来对他今年的考核没有任何帮助，甚至意味着他的独门手艺被公开了。审的人往往是数据团队，他看得懂逻辑但不懂业务，判断不了对错。这两拨人不在同一个考核体系里，靠开会协调是协调不动的。
我们试下来有效的做法是：让它长在工作流里，而不是变成一个额外的文档任务。
比如在原有的审批环节多加一个字段，让做决定的人顺手写一句“为什么这么定、还考虑过什么”。这件事的完成率，和事后让他专门写一份文档，差一个数量级。原因很简单，前者是他本来就要做的动作，后者是新增的负担。
这件事还有窗口。那些判断今天还讲得出来，是因为攒了十几二十年经验的那批人还在岗位上。再过几年他们退休的退休、转岗的转岗，没写下来的东西就跟着人走了。数据可以慢慢补，人走了补不回来。
这件事，只有一把手能拍板
第三件事最难，因为它不在技术团队手里。
为什么“知道”和“做到”之间差这么远？我的体会是，因为这件事的成本是当期的，收益是滞后的。
把散在四个系统里的数据归拢、把口径吵定、把权限理清楚，这些活占的是今年的人和今年的预算，产生的价值要到明年后年才显影。而且显影的时候还很难归因：业务变好了，你说是因为数据底子打好了，别人可以说是因为市场好了。
一件成本明确、收益模糊的事，在任何一家公司里都排不到前面。除非有人不按投入产出算这笔账。
判断一家公司在这件事上是不是认真的，看这个项目挂在谁名下就够了。挂在信息部门底下，它就是一次技术采购；一把手亲自挂帅、并且愿意为口径打架拍板，它才是一把手工程。这两种进法，三年后差得很远。
而且一把手要做的事，不是批预算。批预算是最容易的部分。
真正难的是做那个没人敢做的裁决：当销售口径和财务口径打架，当总部的算法和区域的算法对不上，当两个都有道理、两边都不肯让的时候，得有人说“就用这个”，并且承担说错的责任。
这种裁决在组织里没有第二个人能做。我见过太多这样的场景：技术团队早就想明白了，方案也写好了，最后卡在没有人愿意为“第一年不出成绩”签字，也没有人愿意为一个口径得罪半个公司。
方向一致，才是竞争的开始
方向一致，往往不会让差距缩小，反而会让它拉大。这可能有点反直觉。
因为方向不一致的时候，大家在不同的路上跑，快慢没法比。方向一致之后，所有人上了同一条跑道，速度差就直接显影了。谁的行业啃得深、谁的沉淀速度快、谁的一把手真下了场，一年之后一目了然。
方向一致，不是竞争的结束，才是竞争的开始。
所以我不太建议同行把“现在大家都认同了”当成一个好消息去讲。它是个中性事实，甚至偏警报。该问的是：既然方向已经不值钱了，我手里还剩下什么是别人拿不走的。
那天晚上散场的时候财经配资排行，我没有那种“我说对了”的踏实感。反而觉得，容易的那一段过去了。
证配网提示：本文来自互联网，不代表本网站观点。
