在 Databricks Data + AI峰会, Artefact 向企业人工智能负责人传递了一个明确的信息：人工智能应用的下一阶段，仅靠模型是无法取胜的。能够取胜的将是那些能够构建值得信赖的data、治理机制和语义基础的组织，这些是推动智能代理从试点阶段迈向正式投入生产所必需的。.

本文最初发表于《T》《AI Journal》，, 要进一步了解为何检索增强生成（RAG）不足以满足企业级AI的需求，, 我们诚邀您访问《AI Journal》网站。.

Artefact, 这家以人工智能为核心的公司，将工程级交付能力与咨询级思维相结合，从而取得经实践验证的高影响力成果。该公司展示了面向生产的代理架构，并通过现场代理、真实的data以及由Databricks驱动的演示，在营销测量、金融服务、美妆、快速消费品和物流等领域进行了展示。.

从Artefact参加Databricks活动的情况中，一个核心主题浮出水面：企业级AI仅靠检索是无法实现规模化的。 虽然 RAG、元数据目录和协同助手能帮助企业快速进行实验，但生产级 AI 代理需要更深层次的支持：一个能够解析业务含义、确定权威性，并在关系之间进行推理的本体层。.

正是在这一点上，从……中汲取的教训 Artefact, ，这一点显得尤为重要。他们认为，许多组织正在意识到同一个残酷的现实：只有当企业明确了其“data”的含义、由谁来管理它，以及业务概念在各系统间的关联方式时，AI代理才能充满信心地采取行动。.

为什么 RAG 和 metadata 数据集不足以满足生产级 AI 的需求

对于许多公司而言，检索增强生成（RAG）已成为企业人工智能的默认起点。Artefact认为，在受管控且可投入生产的决策领域，RAG存在结构性局限。.

Akhilesh Kale (AK), Artefact的合伙人解释道：

“向量搜索会返回与你的问题相似的段落。它无法判断该段落中的数字是否是你首席财务官批准的，也无法判断‘活跃客户’与’合同’之间在三个系统之外的关联关系。这两点正是 RAG 在结构上无法做到的：跨关系解析权威性和因果关系。 本体论则能解决这两个问题。它根据定义的作者、使用频率以及与认证资产的接近程度对定义进行排序，并编码了那些能将问题转化为计算得出的答案（而非检索到的猜测）的关系。 目录用于盘点你的‘data’，而本体则负责对其进行裁决。这种差异，正是演示版与能在监管环境中实际运行的系统之间的区别。”

这一区别至关重要，因为企业级人工智能正从“回答问题”向“采取行动”转变。在这种情况下，“大致正确”的答案已远远不够。智能代理需要弄清楚哪一种定义具有权威性，哪项data资产已通过认证，以及金融、客户、产品、法律和运营系统中的概念之间如何相互关联。.

这一点在金融服务、保险、医疗保健、能源和电信等受监管行业尤为重要，在这些行业中，可解释性、数据溯源、权限管理和治理绝非可有可无。.

企业人工智能的隐性挑战：关键在于管理，而非技术 

Artefact发布的题为《Databricks》的文章也对“企业人工智能最难的部分在于技术构建”这一观点提出了质疑。凯尔指出，许多项目之所以停滞不前，并非因为技术失败，而是因为组织低估了维持该项目所需的人力投入和治理工作。.

Akhilesh Kale (AK), “这些定义在构建阶段并不会受阻。它们在两个被团队视为次要环节的地方陷入停滞。首先，自动提取生成的只是草案，而非最终决定：当系统列出三种‘边际’的定义时，必须由有权决策者做出选择，而这是一种政治行为，大多数组织都竭力避免。 其次是定义的过时问题。一个在第一季度还正确的定义，在组织重组或系统迁移后可能就不再适用，因此该图谱需要配备监控管道并指定明确的负责人，而非仅靠年度更新。若不切实保障其管理责任，这个”活图谱’终将悄然消亡。”

这是《Artefact》强调的核心要点之一：人工智能转型不仅仅是部署平台或模型，而是要重新设计组织管理意义、所有权、问责制和变革的方式。.

一个动态的本体需要积极的管理。业务定义会发生变化，系统会迁移，团队会重组，监管要求也会演变。如果没有明确的责任归属和监控机制，语义层就会变得陈旧；一旦出现这种情况，代理就会失去信任。.

实时治理：从访问控制转向运行时防护措施

第三个启示是，现代人工智能治理必须实时进行。仅在工作流开始时对系统可访问的内容进行治理，已经远远不够。生产环境中的AI代理需要将治理机制嵌入运行时路径，以控制代理在执行操作时被允许采取的行动。.

Akhilesh Kale (AK) 进一步解释道：

“是的，但有一个硬性前提：真正的进步在于治理机制已融入运行时路径：Unity AI Gateway 不仅管控代理在任务过程中被允许执行的操作，而不只是其能够读取的内容，而且无需另一个权限系统来保持同步。 对于银行业、保险业和资产管理业而言，这正是试点与正式部署之间的区别。 但这一层只是继承了信任，而非创造信任。它是你们已有的”data foundation’的倍增器，而倍增器会保持原有的正负号：那些已完成治理工作的企业将立即受益；其余企业则会获得一个更快、更自信的版本——尽管那仍是一团他们此前未曾直接审视过的混乱局面。”

这一点与Artefact的更广泛立场直接相关：具备生产就绪能力的智能代理需要可信的基础架构。Databricks可以提供受管控的data层，但企业仍需付出艰辛努力，明确所有权归属、消除模糊地带，并围绕人机协作重新设计运营模式。.

从试点项目到量产：Artefact的代理系统投入实际应用

Artefact 展示了这一技术在实践中的应用场景，其中包含基于 Databricks 构建的实时代理用例，包括：

  • 一款对话式营销衡量工具，高管可通过自然语言模拟预算分配。.
  • 面向金融服务和快速消费品（CPG）行业的合成用户画像，帮助营销人员通过分析模拟的客户档案，更快地获得洞察。.
  • 一款人工智能美妆购物助手，支持在包含60,000余种SKU的产品目录中进行个性化商品发现。.
  • Corrie 是一款物流问题解决型 AI 助手，可帮助仓库团队更快地解决物品丢失或错放的问题。.

从这些例子可以看出，当代理与准确、受监管且适合企业使用的data相连接，并且组织围绕它们重新设计人类角色和治理结构时，代理便会变得有价值。.

对于Artefact，从中得到的启示是 Databricks 这一点很明确。企业人工智能的未来并非由一系列“驾驶员”、“副驾驶”或彼此孤立的助手组成，而是一个生产级别的混合型组织，其中人类与人工智能代理通过共享的data foundations、受管控的工作流以及明确界定的责任范围协同运作。.

这种模式并非“用人工智能取代人类”。而是人类在价值链中不断向上攀升，从“执行”转向“决策”，从“生产”转向“评判”，从“执行流程”转向“管理运行这些流程的系统”。.