过去企业谈数据治理，最常问的是数据有没有统一、指标口径是否一致、数据质量是否可靠。

但当越来越多企业开始建设企业知识库、智能助手和AI Agent之后，企业积累了这么多年的数据，AI真的能直接用吗？

数据可能存在数据库里，也可能藏在PDF、PPT、制度文档、技术资料中；有的数据已经完成治理，却只能被人查询，无法被Agent实时调用；还有的数据虽然可以被大模型读取，却缺少准确的业务关系和语义。

到了AI阶段，有数据与AI能消费数据之间开始出现新的鸿沟。

所以我们再看阿里云旗下瓴羊发布的新版本功能DataphinV6.3，我们发现Dataphin正在重新回答一个问题，AI时代，企业的数据基础应该是什么样？

01｜从把数据管好到让数据被AI使用的变化

过去，数据治理平台的核心任务是解决企业的数据怎么管好，但在AI Agent时代，企业需要回答的问题已经变了。Dataphin V6.3的更新，恰好可以让我们观察到数据治理边界正在发生的三个关键变化。

变化一：从结构化数据治理到结构化+非结构化数据治理

过去的数据治理对象主要是：表、字段、指标、模型。

现在又多了：文档、图片、PPT、录音、Embedding、实体、关系、知识。

Dataphin V6.3进一步强化了非结构化数据的知识化处理能力。通过知识图谱解析，利用大模型从技术文档、合同、FAQ等内容中提取实体及关系并沉淀为知识图谱；同时结合语义检索，让用户无需依赖精确名称，也能通过语义相近的表达找到相关知识。对于制造企业而言，这意味着散落在图纸、SOP、技术说明书、质检文件等非结构化资料中的业务知识，可以更好地被组织、关联和检索，为后续AI应用提供更可用的知识基础。

变化二：从数据资产沉淀到数据可以被实时调用

过去的数据治理流程是：业务系统 → 数据同步 → 加工 → 治理 → 数据资产。

现在需要变成：业务事件 → 实时工作流 → 文档解析/知识提取 → API → 业务应用/Agent。

Dataphin V6.3通过实时工作流和在线工作流，进一步推动数据处理从离线治理走向实时服务。非结构化数据可以在消息或文件到达后自动触发解析、信息抽取、向量化等处理，并通过API直接提供给业务系统调用。以门店接待为例，录音无需等待固定批次处理，接待结束后即可进入后续分析和客户跟进流程。这意味着数据不再只是沉淀在仓库中等待查询，而是能够随着业务发生及时被处理、被调用，更好地支撑AI应用进入真实业务流程。

变化三：开始面向AI/Agent准备数据

过去的数据治理，主要回答：数据准不准？

AI时代还必须回答：AI找不找得到？AI理解得对不对？Agent能不能实时调用？

Dataphin V6.3通过知识图谱语义检索和语义相似度消歧，进一步提升知识的检索与可信管理能力。AI可以识别简称、近义表达等非精确匹配，并将无法明确判断的内容交由人工审核。这体现了企业AI落地的重要原则：AI负责提升自动化，人负责守住关键数据的可信边界，让企业知识在更易被AI理解和调用的同时，保持实体、关系与业务口径的准确可信。

02｜为什么数据中台正在进入AI可消费阶段？

如果我们把企业数据中台的发展划分为三个阶段，可以清晰地看到当前的位置：

第一阶段：把数据汇起来：解决多系统、多数据源的数据集成。

第二阶段：把数据管起来：标准、质量、资产、血缘、安全、指标体系。

第三阶段：让AI能够消费数据：非结构化数据、知识图谱、语义检索、实时工作流、API服务。

我们认为，AI可消费的数据需要满足可获取 - AI能够找到需要的数据，而不是依赖人工提供精确路径；可理解 - AI能够正确理解数据的含义，包括语义、上下文和业务关系；可信任 - 数据的口径、来源、质量是可信的，有明确的管理边界；可调用 - 数据可以通过API被Agent实时调用，而不是只能离线查询。

因此，在AI时代企业可能需要重新审视数据治理的优先级。因为AI项目的问题，正在从有没有模型转向企业自己的数据能不能真正被AI使用。但也不是所有企业都需要马上做知识图谱、实时工作流。关键是先判断你的企业处于什么阶段，以及你的AI应用场景需要什么能力。

03｜迅易观察：从数据到Agent，企业应该先做什么？

作为瓴羊的合作伙伴，迅易科技一直在帮助企业落地数据治理和AI应用。我们的观察这些变化对企业意味着什么、在哪些场景值得用、企业现在应该补什么能力。基于这个视角，我们有三个建议：

建议一：先判断哪些数据值得治理

不是所有数据都需要进入知识图谱。关键是识别出你的AI应用场景需要什么知识。

例如：如果你的场景是客服问答，那么FAQ、产品手册、售后政策是优先治理对象；如果你的场景是销售辅助，那么客户资料、产品参数、报价规则是优先治理对象。

建议二：判断哪些知识值得建立关系

知识图谱的价值不在于把所有信息都放进去，而在于建立业务对象之间的关系。

例如：制造企业需要建立“产品-工艺-设备-质检标准”之间的关系；零售企业需要建立“门店-商品-客户-促销活动”之间的关系。

建议三：判断哪些流程值得让Agent参与

不是所有流程都适合Agent。关键是识别出那些高频、规则明确、需要实时响应的场景。

例如：门店接待后的客户跟进、合同初审、工单处理、质检异常响应等场景，可能比复杂的战略决策更适合Agent参与。

写在最后

过去，我们治理数据，是为了让人更好地使用数据；今天，当AI Agent真正进入业务流程，企业还需要考虑这些数据，AI能不能正确理解、可信使用，并在需要的时候及时调用？

这也是Dataphin V6.3带给我们的一个重要观察：AI并没有让数据治理变得不重要，反而正在重新定义数据治理的目标。企业的数据基础，正在进一步走向AI可消费。

但企业真正需要做的，并不是追逐每一个AI新能力，而是先找到最值得被AI打通的一条业务链路，再判断哪些数据需要治理、哪些知识需要建立关系、哪些流程值得让Agent参与。

作为瓴羊合作伙伴，迅易科技将结合企业现有的数据基础和业务场景，帮助企业从数据治理、知识构建到Agent与业务流程连接，逐步打通 Data → Knowledge → Agent → Workflow 的落地链路。

如果您的企业也正在推进AI应用，却还在思考“数据怎么准备、知识怎么治理、Agent从哪里切入”，欢迎与迅易科技交流。我们可以先从一个真实业务场景开始，找到最值得被AI打通的第一条链路。