AI时代，数据中台焕发新生？｜爱分析访谈

“拆中台”或许是一个误会。

过去几年，数据中台从中国企业服务市场最热的概念之一，变成被反复质疑的对象。很多企业认为中台已经过时、应该拆掉。但当大模型真正进入企业场景，一个更底层的问题重新摆到台前：企业的数据在哪里？数据质量如何？这些数据能否支撑AI做出可靠、可执行的判断？

数澜科技是这一轮周期变化中的典型样本。作为较早深耕数据中台的厂商，数澜曾经历行业高峰，也经历过市场降温后的剧烈调整。整个团队曾从高峰期的500人缩减到几十人，外界也一度传出各种质疑声音。但随着企业重新重视数据质量，重新建设数据基座，数澜也正在从谷底爬起来。

作为数澜科技创始人兼CEO，甘云锋认为AI不是替代数据，而是倒逼企业重新建设数据能力。过去以数据交换为核心的数据中台，正在向AI数据基座演进，承接高质量数据集、本体语义层、行业模型和企业级智能体。数澜也不再只是一家数据中台厂商，而是将自身定位为“数据+AI”厂商，专注于数据基座、行业模型和数据智能体。

本次访谈中，爱分析与甘云锋围绕AI时代数据中台的价值重估、数据基座建设、本体语义层、企业级AI商业模式和组织能力变化等话题进行了深入交流。

核心观点

• “拆中台”是个误会。AI起来后，数据中台窗口重新打开。

数据中台被误解为落后技术，大模型进入企业后，企业首先要回答的仍然是：数据在哪里、质量怎么样、能否支撑可靠输出。

• 数据基座的核心目标，是持续输出高质量数据集。

数据库、数仓、湖仓只是数据源，真正的数据基座还包括标准、流程、对象、语义、本体和治理能力。

• 本体和语义层，是企业AI的专属世界观。

通用大模型缺少企业自身的业务规则、术语体系和对象关系，本体与语义层的价值在于消除歧义、降低幻觉。

• 企业AI正在从数据交换走向模型交换。

过去，数据中台更强调把数据接进来、管起来；AI时代需要把数据、行业知识、企业知识库和模型能力连接起来，让数据真正进入业务闭环。

• AI Coding会压低单点软件价值，平台厂商要拼方法论和资产运营。

企业级AI厂商的价值不只在软件交付，更在平台订阅、行业资产库、持续运营，以及帮助客户落地AI价值的AI架构师能力。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

数澜不是转型AI，而是把数据中台推进到AI时代

爱分析：最近几年，数澜在行业和产品层面有哪些新的升级和变化？

甘云锋：数澜，传统上来讲是做数据中台的。我一直喜欢讲，数据中台纯粹是一个商业词汇，不是一个技术体系，也不是什么技术概念。前面七八年，我们一直做纯中台、做基座。

从2022年底开始，我们布局大模型和智能体，2025年我们在大模型、智能体这块业务做得非常不错，目前有非常多的军工、央国企、大型名企客户在使用数澜的数据底座和智能体能力。

爱分析：放在今天这个AI时代，怎么定义数澜？

甘云锋：现在数澜的定位更清晰一些。大家都在讲AI，我觉得AI是人类社会发展到今天没得选择的历史趋势，不用讨论AI要不要做，AI一定会来，未来的世界一定是AI的世界。那数澜怎么做自己？

我觉得AI有三要素：算力、大模型、数据。我特别喜欢把数据讲成燃料。算力最好理解，从电力、芯片、半导体到整个产业链，已经有几百年的历程。大模型是通用能力建设，需要巨量资金投入，我们这样的公司在当前阶段参与自研通用大模型并不合适。

数澜有自己的大模型平台，但我们更多是做行业模型，利用过去数据中台、数据基座沉淀出来的数据资产，以及基于数据资产推演出来的高质量数据集，为AI提供服务。我们服务了很多500强企业客户，央国企也很多。

所以数澜现在就是一家数据+AI的公司，专注于数据基座、行业模型和数据智能体。

爱分析：可以理解为，一边是数据基座，一边是行业模型，支撑智能体应用？

甘云锋：可以这样理解。我们的定位有两端：一端偏重，专注于高可靠、高安全、深场景，有点像Palantir；另一端又在往标准化、低代码、可复用的方向走，有点偏Databricks。我们现在的核心定位，就是把这两端做一个交集。

02

数据基座的核心目标，是持续输出高质量数据集

爱分析：面向智能体应用，数据基座相比原来的数据中台，发生了哪些变化？

甘云锋：过去大家忽视了数据中台本身的价值。数据中台经历过几个阶段，从2016年那波创业公司开始到2018年，全国数得上名号的可能有300多家数据中台公司，到2022年很多做数据中台的公司就没了或者转型做其他的了。

还有少量企业在坚持，但很多也不叫数据中台了。数澜一直坚持数据中台能力建设，对外口号和方向一直没变。

数据中台是数据基座最核心的能力之一。数据基座不是传统理解的大数据平台，这里面需要大量能力沉淀，比如数据接入标准、封装标准、全流程可控、数据交换、数据资产化、治理、清洗、挖掘、建模，再到上层业务能力。

最近国家层面也在讲数据基座，我在公司内部解读时总结成两个关键词：打造最有价值的数据基座和高质量数据集，为AI提供能源。这个事情听起来简单，做起来很难。

所以我更愿意把数据基座理解成一个能力体系，而不是单一技术能力或技术指标。

爱分析：在您看来，数据基座最重要的衡量目标是什么？

甘云锋：如果非要说一个目标，就是输出高质量数据集。没有数据基座支撑，我不相信能拼凑出高质量数据集。B端和C端完全不同，企业级AI不能胡编乱造。比如我们希望AI帮我们出一份报表，如果数据不准或者没有数据给到AI，那么AI是没法输出这份报表的，企业级报表不能允许幻觉出现。

爱分析：数据库、数据仓库、湖仓一体这些，算不算数据基座的一部分？

甘云锋：我更喜欢把数据库、数据仓库、湖仓一体这类算作数据基座的数据源，它的核心逻辑是把数据放在这里。但数据基座承载的不仅仅是这些数据源，还有大量非结构化的数据，音频、视频、语音、文本，以及一切看得见、看不见、摸得着、摸不着的信息，这些都是数据。

数据基座的能力范围更广，不是过去理解的有一套湖仓体系就叫数据基座，这里面还有标准、流程、对象、语义，以及现在大家讲的本体论相关的一切。

爱分析：数据基座会不会遇到和过去数据中台类似的问题？比如结果不好时，客户会认为是平台的问题。

甘云锋：这个问题在企业采购服务的时候不可避免，最后都会把问题归结到你用了什么平台。但我们过去做数据中台时，第一步最喜欢做的事就是数据摸底，说直白点，就是你有什么家当，我先摸清楚，构建你的原生数据资产目录体系。

你只有15张表、几百万条数据，非要让我给你搞出几百亿条的成果，那不会有。原始的业务数据化进程才是企业发展的根基。没有这些，不管做数据中台还是做AI，都没有根。

数澜前几年也很难，大家对数据中台有不同的声音，但是我们在2025年开始全面好转并盈利，核心就是我们提供的不仅仅是一套数据平台，更是一套数据能力体系，而不是单一的数据技术。

2023年开始AI起来以后，很多企业开始使用各种方法使用大模型构建各种AI应用，但是效果并不好，根本原因还是数据及数据质量问题，开始回过头来思考：我的数据在哪里？质量怎么样？

所以，从2024年尤其到2025年，又出现了新一轮数据中台窗口期。过去很多人把数据中台说成落后的技术，我觉得很搞笑。数据中台本来就是商业词，不是技术词。AI起来以后，大家才发现：我的数据在哪里？这个时候，数据中台或者说数据底座的机会就又来了。

03

企业AI落地，要从数据交换走向模型交换

爱分析：这一轮企业再建数据中台，和2020年前后的建设思路有什么不同？

甘云锋：差异非常大。过去我们做数据中台，底层适配能力很强，数据库、服务器、芯片、操作系统，国内国际的都能适配。但问题是，我们不知道客户要拿那些数据干什么。

客户花几百万、上千万做东西，然后你告诉他业务怎么用不知道，这确实是过去最大的困惑。我们服务过很多行业头部客户，制造业、央国企都有，但过去更多是卖一个平台给客户，做一点点业务。比如有些很大的企业，平台只卖了一百多万，因为只卖了一个平台，没有真正深入业务。

AI起来以后，我们和业务的距离一下子拉近了。

过去，数澜的数据中台建设方法论，叫以数据交换为核心，未来十年，我们要打造以模型交换为核心的数据中台建设方法论。数据、行业知识、企业知识库，再加上通用大模型能力，就可以训练客户自己的模型，再用智能体不断叠加Skill，去做风控、营销、经营管理、供应链、财税管控等各种场景。

只有以模型交换为核心，才能拉近数据和业务的价值。

爱分析：为什么到了现在，才更有可能理解行业？除了数澜做得时间够长，还有哪些变量？

甘云锋：理解一个行业是多方面的。

第一，我们自身能力不断增强。做制造业，国内头部企业很多都是我们的客户，做多了自然会有一些能力沉淀。

第二，我觉得最重要的是企业客户自身。数澜找一个行业专家，去告诉客户你的企业未来怎么发展，客户会信吗？他自己做了几十年、上百年，对业务的理解难道比我们还弱？不可能。所以企业自身的知识库最重要，只是这些知识散落在邮件、PDF、PPT，以及各种文件里。

第三，是通用大模型自带的一些行业知识和能力。但头部企业只用通用大模型，是做不出真正有价值的AI，因为它本身就在世界之巅，用通用能力怎么胜出？不可能。

爱分析：给客户落地时，是从单一场景切入，还是先做公司级大平台？

甘云锋：两种都有。过去大客户里，有一半就只是为了建数据中台，从平台入手；也有一半是业务场景拉动，比如先做一个业务场景。

现在更可行的路径，是先把单点业务链条跑通。

因为过去我们离业务有很远的距离，AI起来以后，可能只需要跨一步就到了。AI既倒逼企业认识到数据中台的重要性，也让我们离业务更近，更容易把业务价值做出来。

爱分析：针对不同行业、不同客户，数据基座的复用性怎么样？

甘云锋：数据基座本身的技术能力肯定可以全行业覆盖，但需要行业知识能力不断倒灌。你可以理解成操作系统：Windows很强大，但为什么Mac总是卖得更贵？因为它基于自己的能力不断强化，做到极致。

数据技术也是一样，平台能力本身是通用的，但平台工具能力建设，需要企业知识不断沉淀。行业资产包里的很多能力，最后都会沉淀到通用基座里。

爱分析：总结一下数澜的演进路径，您会怎么概括？

甘云锋：我们走的是一个完整链路：从最早的数据服务仓建设，到数据中台整个平台成型，到AI数据基座平台成型，到本体语义层建设，再到智能体体系建设。这是全链路、全栈演进，同时把自己定位成基础设施厂商。

我觉得我们这样的厂商更有生命力。如果从单点切入，想学Palantir，很难走得通。早些年国内学SaaS服务，有几个真正成功？没有平台支撑，单个业务SaaS很难做大做强。一定要把全链条走通，形成真正的基础服务能力，才有未来。

04

本体和语义层，是企业AI的专属世界观

爱分析：语义层和本体都不是新概念，为什么现在开始被大规模关注？

甘云锋：一方面，确实是因为行业看见了Palantir这类企业。五年前，Palantir在国内其实并不被看好，大家觉得它是项目型公司，不可能学；现在市值起来了，几千亿美元了，大家就去学。

但回到国内业务事实层面，根本原因还是过去不注重基础能力建设。很多客户买数据中台，是想一下吹个大泡泡，想要今年业务增长30%、50%，这怎么可能？

语义层、本体这些东西，数澜的平台里很早就有完整定义，比如业务理解、语义定义、不同系统里同一个对象的统一定义，但过去没人关注，因为这不是考核指标，也不是客户想理解的东西。客户更想买一个东西，第二天就产生价值。

现在AI起来以后，大家发现没有这些基础能力，AI就会出现大量幻觉，所以又开始重新关注本体、语义层这些过去觉得吃力不讨好的东西。

爱分析：在数澜的理解里，本体和语义层分别解决什么问题？

甘云锋：我们现在做AI，很核心的一块就在本体和语义层。因为如果要真正消除AI幻觉，这一层能力做不好就没可能实现。通用大模型最大的短板，是没有企业专属世界观。它有通用世界观，但每一家企业都不一样，必须有企业自己的专属世界观。

面对复杂的异构系统、企业术语和业务规则，如果没有这层东西，推理就会断裂。我们把语义层叫统一翻译器加业务地图，把散落的业务概念、数据规则、流程，统一成机器可以无歧义理解的结构化模型。

语义层让AI看得懂业务是什么，本体让AI理清业务之间的逻辑动作关系。

爱分析：本体会不会像当年的中台一样，只是阶段性的概念？

甘云锋：我觉得不会。只要国内不故意把它解读歪，它就像早些年的主数据概念一样。只要有数据存在，本体就一定会存在。就像你有ERP，主数据永远不会消失。哪怕有一天不叫主数据了，叫别的名字，也没关系。

本体描述的是事物的本质，把一切因果关系描述在事物本身之上，这个东西万变不离其宗。它不是一个简单的技术词，也不是一个商业词，它是业务逻辑。

爱分析：AI时代，本体是唯一的路径吗？还是可以用其他方式实现？

甘云锋：本体不是唯一路径。Palantir叫本体，数澜也可以不叫本体，名字不重要。但我认为在AI时代，基于这种理念构建出来的东西，是一个核心支撑点。你要想提高AI质量，做到精准支撑和服务，这个东西总是需要的。

不管叫什么名字，本体本身就是一个概念体，一套技术体系构成的包含业务逻辑的概念体。它的核心是把一切事物关联起来，而且很多关联不一定是物理关联，也可能是逻辑关联。

你叫本体也好，叫对象也好，都无所谓，只是本体这个词特别有感觉，一眼看过去就是事物的本质。

05

AI Coding不会替代平台方法论和资产运营能力

爱分析：AI Coding能力提升很快，数澜过去积累的数据基座能力，哪些还会保留下来？

甘云锋：平台能力会完整保留下来。我不相信AI能直接帮企业写一个真正类似的数据平台产品。

但确实有大量工作不需要人做了。甚至现在现场出了Bug，也可以基于智能体体系，把需求输进去完成自我迭代，不用像过去那样一个Bug回来需要五个人搞三天。

传统软件企业如果不全面拥抱AI，会非常难堪，大量纯软件类能力一定会被替代。但平台背后的方法论、产品架构、客户场景沉淀，以及对未来企业数据体系的判断，这些不是AI随便写代码就能替代的。

爱分析：那数澜不容易被替代的部分是什么？

甘云锋：方法论和认知层面的东西会一直存在。你用AI设计什么东西，总得告诉它你想要什么。企业要发展、要生存、要做大做强，还想做50年的世界第一，怎么做？这个就是我们这种企业未来最需要沉淀的核心能力。

企业选择数澜，最核心的不是单一工具，而是我们有一整套成熟的方法论体系，并且这个体系被大量500强客户不断使用。我们现在跟客户讲成功案例，不一定要讲多复杂，你就告诉他哪些客户在用。

爱分析：如果针对每个客户的交付成本被AI大幅降低，统一平台的价值会不会变弱？

甘云锋：我有一个反直觉的判断：未来5到10年，企业最需要构建的，可能恰恰是过去大家最嫌弃的数据中台平台（或许大家不叫这个名字）。单一能力不重要，你要构建一个实时处理能力，AI可能很快能做出来。

但从国家层面讲数据基座，它从统一技术架构、引擎到技术组件，不会随着企业变化而变化，反而会随着AI增强不断迭代，去承接爆发式增长的数据和业务对数据的需求。现在很多AI为什么越做越艰难？因为大家都做单点。

单点尝到甜头以后，发现投入产出比很低。企业要的是一体化，不是孤立的三个系统。你让三个人分别用AI写财务系统、供应链系统、经营系统，三个东西都能跑，但企业要的不是三个能跑的点，而是一体化。

数据和其他东西不一样，它聚合越多、链接能力越强，才越有价值。制造业从设计、生产、验证、批量化、交付到供应链，全链路都要从数据层面彻底打通。

爱分析：如果未来是大平台，数澜的机会在哪里？

甘云锋：这个问题可以更泛地看。过去我们的竞争对手主要是阿里、华为这样的云厂商。但对这类云厂商来说，算力底座才是根基，数据中台是附属品。

通用大模型厂商也有自己的问题，它们模型技术能力强，但缺少针对单个企业的完整的数据治理、服务支撑和管理底座，不懂企业的数据资产建设，所以很难解决AI可信闭环执行的问题，只能做通用应用，而每一个企业都是不一样的。

传统数据平台厂商基础扎实，但很多不愿意做费时费力的本体、语义、智能体、知识编排。知识图谱厂商图推理能力强，但缺少全域的数据集成能力和数据自身体系能力。

爱分析：数澜给自己的位置是什么？

甘云锋：我们把自己定义为：从数据中台原生演进，以本体与语义层为核心，面向私有化、高合规行业，提供底层湖仓数据基座、AI语义中枢和企业级智能体的一站式全栈产品厂商。我们的很多能力是开放的，不只是数澜自己的能力。

比如大模型，我们会把主流大模型都接进来，客户想用谁都可以，想自己构建也可以。

爱分析：从商业模式看，未来会不会有新的变化？软件License价格越来越低，纯服务也很难像Palantir的FDE一样有很高客单价。数澜怎么考虑？

甘云锋：我觉得企业级大模型的窗口期正在到来，但当前很多企业级大模型用法还是智能问数、文档问答。客户用了以后觉得大模型没那么好用，核心问题很清晰：数据孤岛、语义歧义、幻觉问题。

我们就会逐渐把这类能力从简单的智能问答、文档问答，通过数据基座拉通，往平台层面切换，补齐底层短板。

这套方式对大型企业有效，对中小企业不一定有效，因为大型企业愿意投钱做这件事，中小企业要的是立竿见影。

爱分析：AI数据基座会成为企业数字化的新标配吗？

甘云锋：我坚信这个路径。未来企业要做数据业务化，要把大量数据变成业务，带来增值和做大做强，就需要构建AI数据基座。不管AI做了多少应用，几百个、几千个，企业回头一定会发现缺一个数据基座。

就像早期ERP出来前，人力资源、财务、供应链都有很多独立厂商，后来平台一统天下；电商时代也是，各种垂直品类很多，后来阿里、淘宝、京东这类平台起来。AI也一样，不管路走多远，最后会回到AI数据基座建设，没有燃料的AI跑不起来

爱分析：这会怎么改变数澜的商业模式？

甘云锋：随着企业对AI的重视程度越来越高，对我们来说，基于功能点的项目型交付会随着AI能力的增强逐渐变得不那么有吸引力，因为谁都能做了，那我们就重心转向产品能力订阅加资产持续运营。产品能力订阅是基础，数据资产持续运营更关键，因为数据是AI的燃料，是生产资料，AI是生产力工具，生产资料的革新是生产力迭代的重要载体和支撑。

所以数澜的商业模式会围绕数据这个生产资料、AI这个先进生产力工具展开，依旧以数据基座做为根基，高质量数据如何驱动AI应用的相关场景展开。，

爱分析：AI能力这么强，数澜未来还有没有必要扩成五六百人甚至更大的团队？团队组成会发生什么变化？

甘云锋：对于这个问题，我觉得随着公司的业务范围及收入的增长，人肯定会很多，而不是大家想象的几个人甚至几十个人能做一家上千亿市值的想法，但是AI强大的能力，尤其是像编程这种能力，会极大的减少这方面的人员需求，但是其他方面的人可能需要更多。

你看国际上AI做得最先进的公司，员工有没有减少多少？或大部分反而越招越多。因为软件代码和交付效率提高了，但需要更多真正能把AI变成客户业务价值的人。

第一，未来数澜要不断提升方法论能力。企业需要数据相关的方法论，这能指引数字化转型方向不偏离航线，方法论各有各的理解，但需要一个输入。

第二，数澜要提升把AI落地到企业业务侧的能力。过去我们有数据架构师，现在我更喜欢叫AI数据架构师或AI业务架构师。未来这是大头。

它有点像早年IBM给华为做咨询和服务的逻辑，我觉得绝大多数企业没有能力自己完成这种AI转型，他们需要外部的力量。

爱分析：这个角色有点像Palantir的FDE？

甘云锋：逻辑是类似的。AI架构师的核心就是帮助客户把AI能力落地，提升业务价值。但这里面需要很强的专业知识背景，一个通用小团队是不行的。做地产的人去给精密制造企业服务，完全不懂业务。

所以未来可能是围绕不同行业，形成三五个人的小团队提升专业化服务能力为客户创造价值。

爱分析：这类人的能力要求是什么？

甘云锋：我觉得核心有三个。第一，要理解数据和业务之间的关系，这是基础。AI是生产力，它利用算力和大模型，把数据变成业务，提升业务价值。很多人总把AI和数据割裂开来，但算力拿来干什么？大模型跑来跑去，本质上还是在处理数据，数据是燃料，一切都是为了把数据变成业务。

第二，要理解AI这种先进生产力工具，掌握它的主要特性。你自己连工具都掌握不了，怎么帮别人？

第三，要有极强的行业知识。

第一个能力是基础，没有第一个能力，后面两个都是空的。B端不能脱离数据去想象业务，一切都要基于企业自身的数据能力来推演。