数据准备就绪是个神话：如何在混乱数据上构建可靠AI

这场演讲直指企业AI落地的最大幻觉：只要把数据“准备好”，AI就能可靠工作。Anushrut Gupta用大量真实场景说明，问题不在数据工具，而在AI不懂业务语言，并提出一种“像新人分析师一样成长”的Agentic语义层方案。

为什么“数据准备就绪”永远不会发生

演讲一开始，Anushrut Gupta就用一个近乎残酷的提问击中了现场的大多数人：谁的数据是完美的？干净、注释齐全、字段命名统一、语义清晰？答案当然是——没有人举手。

他描述的数据场景几乎是所有企业的真实写照：表名和字段名充满缩写与历史遗留（例如 cst_n、rev_amount_usd），字段类型含糊不清（active 是布尔值、0/1、还是可空字段？），不同系统中“同一个概念”却有完全不同的表达方式。更糟的是，这些系统之间缺乏明确映射：收入是美元还是美分？是浮点数还是整数？没人能拍着胸脯说清楚。

问题在于，整个行业长期陷入一个集体幻觉：只要花足够多的时间和钱，把数据“整理好”，AI自然就能可靠运行。Gupta毫不留情地指出：这是一个“pipe dream”。数据域每个季度都在变化，表结构、业务流程、定义持续演进，所谓的“完美数据状态”根本不存在。

他回顾了过去几年的技术浪潮：2019年，企业被告知只要统一进 Snowflake 或 Databricks；后来又寄希望于主数据管理（MDM）；2023年，语义层和AI Agent被视为新希望。但到2025年，行业依然在等待“完美数据”的那一天。引用麦肯锡的数据，他提醒听众：一家《财富》500强公司平均每年因数据质量问题损失约2.5亿美元，而这种损失并不会因为“再等等数据治理”而自动消失。

语义层、知识图谱为何也救不了AI

如果问题不在数据本身，那是不是更聪明的语义层或知识图谱就能解决？Gupta的答案依然是否定的。

他先谈语义层。许多团队尝试在语义层中手工定义业务指标，比如“客户获取成本 = 市场支出 / 新客户数”。但这只是冰山一角：市场支出是否包含品牌投放？新客户是首次购买，还是被重新激活的老客户？是否考虑季节性？失败试用算不算？他反问道：“你不可能预先定义所有边界条件。”当语义层依赖人工持续维护时，它注定跟不上业务的复杂性和变化速度。

接着是知识图谱和 Graph RAG。Gupta举了一个极简却致命的例子：销售数据中，图谱可以清楚表示“deal → stage → close date”，但当用户问“哪些交易有风险？”时，图谱立刻失语。“有风险”究竟意味着什么？关键人离职？阶段停留过久？还是预算被削减？这些判断高度依赖业务语境，而不是结构化关系。

更现实的问题是规模：你不可能把 Snowflake 里数十亿行的事实数据完整映射进图数据库。于是他得出一个重要结论：问题不在于我们需要“更好的语义层”或“更强的图数据库”，而在于AI始终不理解企业自己的语言。

真正的缺口：AI不懂你的业务语言

在Gupta看来，所有技术方案失效的根本原因只有一个：AI并不懂企业内部的“部落知识”（tribal knowledge）。

他用几个极其日常却致命的例子说明这一点：“GM”在财务里是毛利（gross margin），在HR里却是总经理（general manager）；“conversion”“active customer”“quarter”在不同团队中都有不同定义。这些知识很少被完整写进文档，而是存在于员工的经验、共识和长期协作中。

传统上，企业是如何解决这个问题的？答案是人。业务用户提出问题后，会找到一位资深分析师或工程师。这些人既懂SQL，也懂公司内部的数据系统，更重要的是，他们知道“你真正想问的是什么”。他们能给出100%可靠的答案，并解释推导过程，这种可解释性正是信任的来源。

而今天的“原生”大语言模型并不具备这种能力。Gupta评价得很克制却尖锐：“它们非常聪明，能做很多酷的事情，但它们不理解你的业务。”当企业试图用RAG或prompt工程弥补这一缺口时，本质上仍然是在外部贴补上下文，而不是让AI真正学会这门“语言”。

Agentic语义层：让AI像新人分析师一样成长

真正的解决方案，在Gupta看来，是把语义层变成“Agentic”的。

他提出一个极具画面感的类比：把AI当成一个“Day Zero”的新分析师。入职第一天，它很聪明，但对业务一无所知。它会犯错，而人类会纠正它：“我说这个指标时，真正的意思是这样。”关键在于，这个系统必须是可纠正、可解释、可引导的，并且能在使用过程中持续学习。

在PromQL的实现中，大语言模型并不直接生成答案，而是生成一种确定性的DSL（领域特定语言）执行计划。Gupta强调了这一点的重要性：“如果让LLM直接生成答案，你只是希望它的幻觉是对的。”因此，他们将LLM的职责限制在“规划”，而执行则交给确定性的运行时和分布式查询引擎，直接对接不同数据源。

这个设计刻意避开了常见的RAG路径：不把查询结果再喂回模型重新生成答案，而是直接把执行结果展示给用户。这样，系统既能利用LLM的语言理解能力，又能保持分析结果的可重复性和可靠性。

在现场演示中，一个看似简单的问题——“按收入排名的前五大客户是谁？”——被拆解为对“收入”定义、跨表语义对齐、执行路径选择的一整套过程。真正的价值不在结果本身，而在于AI终于开始像一名可以被信任、被纠正、会成长的分析师。

总结

这场演讲最重要的启发在于，它把AI可靠性的问题从“数据是否足够干净”转移到了“AI是否学会业务语言”。语义层、知识图谱、RAG都不是银弹，真正稀缺的是把隐性业务知识转化为可学习、可纠正系统的能力。与其等待永远不会到来的“数据准备就绪”，不如构建一个能在混乱现实中不断成长的AI。

关键词： AI应用， 语义层， AI Agent， 数据质量， 大语言模型

事实核查备注： 演讲者：Anushrut Gupta；公司/产品：PromptQL / PromQL；核心观点：Data readiness is a myth；引用数据：麦肯锡称财富500强平均每年因数据质量损失约2.5亿美元；技术概念：语义层、知识图谱、Graph RAG、Agentic AI、DSL、LLM hallucination