智能体要真正干活，为什么先得给企业建一套语义底座

2026 年，智能体正从"对话工具"加速走向"企业级协作伙伴"。但在企业里落地，卡住它的往往不是模型本身，而是企业对自身语义的表达。

亚信科技联合中国联通广东省分公司、清华大学智能产业研究院（AIR）等，发布了《2026 智能体时代企业语义基础设施白皮书》。报告想讲清楚一件事：让智能体读懂企业，缺的不是更强的模型，而是一层被称作"本体"的语义基础设施。

先看它引用的几个数字。Gartner 预测，到 2026 年底 40% 的企业应用将嵌入任务型 AI 智能体，而 2025 年这一比例尚不足 5%。但 Gartner 2026 年 CIO 调研显示，真正部署了 AI 智能体的组织只有 17%；McKinsey 2025 年底的调查也显示，单个业务职能中实现规模化应用的组织占比不超过 10%。

报告把这件事拆成三步——构建、沉淀、演进。下面按这个顺序，把它讲透。

市场很热、落地很冷，卡在智能体与企业之间的，恰恰是那层一直没被讲清楚的语义。

《2026 智能体时代企业语义基础设施白皮书》封面（亚信科技等联合出品）

图片来源：《2026智能体时代企业语义基础设施白皮书》（第1页） · 获取《2026智能体时代企业语义基础设施白皮书》完整版

一、智能体在企业落地最卡的三件事，其实都不在模型上

报告先从企业的真实痛点讲起，这三个痛点共同指向同一个缺失的环节。痛点一，模型不理解企业。通用大模型能力虽强，却缺少企业特有的领域知识、业务规则和对象关系，也就无法把一句业务提问翻译成准确的取数逻辑。

以运营商经分场景为例，业务人员问"本月高价值客户流失率是多少"，模型必须知道"高价值客户"由 ARPU 阈值、在网时长、套餐类型等条件定义，以及它们对应哪些数据表和字段，而这些并不在模型的训练数据里。

这一点在《谷歌云制造业AI智能体趋势：56%企业已部署》里有更细的口径拆解，感兴趣可以翻过去看。

痛点二，AI 能力不可复用、不可治理。每上一个新场景，都要重新梳理业务规则、重新调优模型、重新验证效果，同一个业务域内"流量分析"和"收入分析"两个场景，底层数据源相同、业务对象重叠，却无法自动复用上一次的语义理解。

痛点三，智能资产无法持续沉淀。业务专家掌握的取数逻辑、口径定义、规则判断，会随人员流动而流失，新员工接手一个经分需求，往往要花大量时间弄懂"这个指标到底怎么算"。

三个痛点的根子其实是一个：企业缺少一个让智能体"读懂自己"的中间层。

候选方案对比：RAG、知识图谱、数据/指标平台与 Ontology 的能力与边界

图表来源：《2026智能体时代企业语义基础设施白皮书》（第8页） · 查看完整报告

二、为什么最后都指向"本体"？把它和 RAG、知识图谱放在一起看

这个中间层到底该怎么选？报告把业界常见的几套方案摆在一起做了对比。报告认为，企业语义基础设施的定位是基础设施而非工具，它的价值在于形成可跨场景、跨项目、跨团队复用的语义资产，为后续的智能应用提供持续支撑。

候选方案各有擅长：RAG 擅长检索、召回与上下文增强，知识图谱擅长知识关联与关系查询，数据/指标平台解决"数据是什么、怎么算、怎么取"，而本体（Ontology）重点是把业务对象、关系、属性及业务语义统一起来。

报告也给本体找了一个很有代表性的行业佐证——Palantir。它的核心能力之一，就是通过本体建立统一的业务语义与对象关系，支持跨来源的数据理解、关联分析以及业务决策与执行。

因此报告判断，对需要跨系统理解业务对象、关联业务关系、开展复杂推理并支撑智能应用的场景，本体更适合作为连接数据、业务语义与智能应用的统一语义基础。

RAG、知识图谱和数据平台不是本体的替代品，而是互补的，本体更像那个把各方连起来的底座。

引言页：智能体从

图表来源：《2026智能体时代企业语义基础设施白皮书》（第5页） · 阅读原文与全部图表

三、建本体有四条路可走，先想清楚你要解决的是哪个问题

决定建本体之后，第一个现实问题就是：从哪开始、怎么建。报告把中国市场的本体实践归纳为四类路径——知识工程、语义层、业务本体和可执行本体。它们对应不同的建设目标和技术起点，也可以相互融合、持续扩展能力边界。

语义层路径面向智能问数这类场景，统一业务术语和指标口径，再把语义映射到下层数据；业务本体路径则从客户、订单、设备等真实业务对象出发，把不同系统中的数据组织成连续的业务上下文。

报告用两个运营商局点的案例说明差异。A 局点的经营分析取数，困在"大模型读不懂数据的业务语义"，选的是语义层路径；B 局点的存量营销，困在"业务逻辑复杂、需要可解释的结构化推理"，选的是业务本体路径。

A 局点设计了"对象名称/表类型/用途/存储模式/使用约束"四要素描述模板，让大模型能读懂每张表是什么、怎么用。目前该场景已构建 173 个对象、224 组关系、19 条业务逻辑，工单选表准确率从 30% 提升至 85% 左右。

B 局点围绕存量用户营销，构建了 26 个对象类型、17 条语义关系、6 条业务逻辑（推理规则）。在相同用户池、营销目标及产品范围的评估条件下，本体方案的目标用户命中率达到传统方式的 2.36 倍。

两条路径不是"高级与低级"之分，而是"问题本质不同"——先想清楚要解决什么，再决定怎么建。

四、AI 能把构建成本从 12 天压到 1.5 天，但质量门一步都不能省

AI 把构建的门槛压下来了，但报告反复强调，质量门是绕不过去的关口。

在 A 局点，AI 承担了大量重复性的描述生成工作，业务专家专注修正和确认，对标纯人工构建方式，效率从 12 个工作日缩短到 1.5 个工作日；但报告也指出，工具链降低的是撰写成本，校验仍依赖人工。

在 B 局点，本体构建被当作业务驱动的轻量化产品开发，用"六步闭环流程 + Harness 工程框架"推进。业务专家决定"建什么、不建什么"，本体工程师决定"怎么拆、怎么连"，AI 只做翻译与补全，不替代人的决策。

为了不让 AI 的幻觉被放大，报告给出四维质量评估——业务合理性、语义质量、结构质量、数据可达性。四个维度层层递进，任何一项不达标，本体都不能发布。

报告还举了四个来自早期探索的反例。最典型的是初期想一次性构建全量本体，产出 100 多个对象后仍无法支撑任何工单；也有 24 张表只配了 10 组关系、选表准确率停在 70%，补齐至 23 组关系后准确率升到 90% 以上。

亚信落地时进一步做出三层质量保障：构建前的 CQ（能力问题）验收、构建中的语义一致性与约束检测，以及发布后的推理链路校验，校验结果分"阻断"和"提醒"两级，阻断问题不进入执行。

AI 提效改变的是起点，质量门守住的是底线——不是"先建完再检查"，而是"边建边评，不过关不发布"。

第 1 章开篇：企业面对的挑战与解法

图源：《2026智能体时代企业语义基础设施白皮书》（第7页） · 阅读原文与全部图表

五、本体值不值钱，不看建了多少，看用出了多少

本体建完只是开始，报告说，它真正的价值是"用"出来的。

同一个场景下，用一次释放一次价值，用十次积累十次经验。报告把它概括为"使用数据"的持续叠加——第 100 个需求可以在 100 条历史数据的基础上快速定位，靠的不是人变聪明，而是每次使用都在为下一次铺路。

沉淀的是使用过程中产生的三类资产：使用模式回答"什么是高频的"，效果证据回答"什么是有效的"，业务知识回答"什么是新发现的"，三者缺一不可。

报告以经分取数为例，1200+ 历史工单的取数逻辑如果不沉淀，每换一个经分人员就要重新摸索"这个指标到底怎么算"；而选表准确率从 30% 到 85%、闭环时长从 4.3 天到 1.5 天的每一步记录，都让后续优化"有据可依"，而非"凭感觉调整"。

沉淀的运营机制是一个四环闭环：获取→评价→应用→反馈。它的关键特征是"自动获取 + 人工评价 + 自动应用 + 自动反馈"，人工只做判断，机器做执行，四个环节持续循环、螺旋上升。

报告还提醒，资产评价不能只看"沉淀了多少"，而要看"创造了什么"，对应应用频度、业务价值、场景内复用度和健康度四个维度，本质是一次定期巡检：有用的留、过期的改、没用的下线。

本体的价值不在建完的那一刻，而在用起来之后——用得越多，沉淀越厚，价值越大。

本体与其他能力的关系：作为连接业务语义、数据与智能应用的关键层

图源：《2026智能体时代企业语义基础设施白皮书》（第9页） · 获取《2026智能体时代企业语义基础设施白皮书》完整版

六、想让它一直好用，得靠业务里的正面和反面信号来"养"

业务不会只停在一个场景，报告接着讲本体该怎么"养"。报告有句话很有分量：业务环境在变，本体不演进就会从"资产"退化为"负债"。去年营销规则里"高价值客户"的门槛是 ARPU>100，今年可能变成 ARPU>120，不更新，本体就只能提供"过时的正确答案"。

演进的两类信号都来自使用。正面信号告诉你"缺了什么"，比如 A 局点使用中发现"用户"对象还需要补充在网/离网的状态属性；反面信号告诉你"什么错了"，比如早期规则漏掉了字段之间的联合使用关系，导致人为返工。

演进的效果，在数据上看得最清楚。A 局点的经分取数本体，历时半年从 24 个对象、23 组关系、8 条逻辑，长到 173 个对象、224 组关系、19 条逻辑，选表准确率从 30% 逐步提升至 85%。

B 局点的存量营销本体也一样。使用中发现"流失风险"是独立于价值的关键维度，于是补充了对应属性与逻辑；还新增了"多卡用户识别"前置逻辑，用来修正单卡视角下对用户真实网络体验的推理偏差。

跨场景时，报告给出两种方式——派生与融合。派生是从已有本体复制核心对象和关系，剪裁增补后独立演进，解决"从 1 到 N"的扩展；融合是把多本体里重叠的共享对象统一语义、建立共享层，解决"N 到 1"的统一。

驱动本体演进的燃料，始终是前一章积累的沉淀数据——用得越多，本体越准。

七、这套方法最终落在平台上，也在更多场景里验证过

这套方法论，最终落在亚信科技的数智本体平台上。平台定位是企业语义基础设施的工程化载体，采用"1 个电信核心本体 + N 个场景本体"的双层架构，覆盖本体构建、质量治理、推理引擎、沉淀闭环、跨场景演进的全生命周期。

平台的能力包括多源多模态知识导入与本体增强生成（OAG）、多引擎分层推理、四维质量门与持续治理，以及 Skill+MCP+CLI 三种轻量化开放框架，让本体能力能被智能体一键调用。

同一条线索，我们在《甲子光年工业AI智能体报告：千亿市场启动》里做过更细的拆解，可以对照着看。

能力也在更多场景里验证过。云网运维的故障根因分析引入本体后，定位准确率从 74% 提升到 89%，定位时长从 58 分钟缩短到 27 分钟；佣金风控则让风控人员分析效率提升 3 倍以上，新规则验证周期从周级缩短到天级。

报告还提到客户体验管理：引入本体后，网络侧与用户侧数据被打通，基站故障的用户影响面评估从人工跨系统排查降到分钟级，实现了从"等用户投诉"到"投诉前主动发现、主动干预"的转变。

从经营分析到云网运维、风控与客户体验，同一套"构建-沉淀-演进"的逻辑正在不同业务域里复现。

八、真想动手，报告给不同角色留了第一步建议

最后，报告给不同角色留了一份可以照着做的行动清单。

对数字化决策者，第一步是选一个高价值、边界清晰、可量化验证的场景开展试点。高频取数、口径争议大、跨域关联多的场景，往往是优先切入点；同时要明确主管角色和业务协同机制。

对数据架构与 AI 平台负责人，第一步是建立最小可行的质量门与评估机制。即使不引入完整平台，也可以先做"AI 产出 + 人工校验"，避免"AI 高产但返工多"，并从第一个场景就开始积累可迁移资产。

对业务架构师与领域专家，第一步是梳理业务对象、关系、规则，并形成首批 CQ。报告特别强调，本体的价值不在于全面，而在于准确；而你在使用中记录的"哪里不对、哪里缺了"，正是本体演进的燃料。

面向未来，报告点出三个方向：多智能体协作会把本体变成智能体之间的"共同语言"；从试点到规模化，需要解决组织层面的治理机制；而随着大模型推理能力提升，AI 的角色会从"辅助构建"走向"主动建议、人来决策"。

想更完整地看这份白皮书的方法论、案例与图表，可以到运营动脉（www.yydm.cn）检索原文与全部资料。

从"能不能建"到"能不能持续创造价值"，这份白皮书其实回答的是同一个问题。

这份《2026 智能体时代企业语义基础设施白皮书》讲了什么？

这是亚信科技联合中国联通广东省分公司、清华大学智能产业研究院（AIR）等编撰的白皮书。报告从企业智能体落地的三大痛点出发，论证语义基础设施的必要性，并提出"构建—沉淀—演进"三阶段方法论。

其主线是：智能体落地卡住的往往不是模型能力，而是企业缺少让智能体"读懂业务"的语义层，而"本体"是承载这套语义基础设施的最佳载体。

为什么企业需要语义基础设施，而且选"本体"？

报告总结了三大痛点：模型不理解企业、AI 能力不可复用不可治理、智能资产无法持续沉淀。它们共同指向企业缺少一个让智能体读懂自己的中间层。报告以 Palantir 的本体实践作为行业佐证。

换个角度看同一件事，《智能体赋能汽车研发：从工具辅助到智能原生》算的是另一笔账。

在与 RAG、知识图谱、数据/指标平台的对比中，报告认为本体更适合需要跨系统理解业务对象、关联业务关系、开展复杂推理并支撑智能应用的场景。

建本体有哪些路径，成本高不高？

报告归纳了知识工程、语义层、业务本体、可执行本体四类路径。A 局点经营分析选语义层路径，B 局点存量营销选业务本体路径。

AI 大幅降低了构建门槛：A 局点效率从 12 个工作日缩短到 1.5 个工作日；该场景已构建 173 个对象、224 组关系、19 条业务逻辑，选表准确率从 30% 提升至 85% 左右。

本体怎么持续产生价值、怎么演进？

报告的答案是"构建—沉淀—演进"闭环。沉淀通过"获取→评价→应用→反馈"四环闭环，沉淀使用模式、效果证据、业务知识三类资产；演进则由使用中的正面与反面信号驱动。

A 局点经分取数本体历时半年从 24 个对象、23 组关系、8 条逻辑，长到 173 个对象、224 组关系、19 条逻辑；B 局点存量营销命中率达到传统方式的 2.36 倍。

亚信的数智本体平台和落地场景有哪些？

平台采用"1 个电信核心本体 + N 个场景本体"的双层架构，能力涵盖多源多模态知识导入、多引擎分层推理、四维质量门、Skill+MCP+CLI 开放框架与五级安全防护。

典型场景包括云网运维故障根因分析（准确率从 74% 提升到 89%，定位时长从 58 分钟缩短到 27 分钟）、客户体验管理与佣金风控。