这两年，几乎每家企业都在想同一件事：怎么让 AI 在自己的业务里干起活来。
但只要真动手，很快就会撞到同一堵墙——AI 看不懂这家企业的数据。
你问它"上个月华东区的营收怎么样"，它得先知道：你这家公司的"营收"到底怎么算，含不含税、退款扣不扣、跨月的订单算哪个月；"华东区"包含哪些省；数据该从哪几张表取。这些规则，藏在一堆业务逻辑和老员工的经验里，散落在各个系统中，机器看不懂。再强的模型，读不懂这些，也只能瞎猜。
所以这两年行业里慢慢形成一个共识：要让 AI 在企业里落地，先得有一层东西，把企业的指标、口径、业务规则，统一成一套机器能读懂的语义。这层东西，叫指标语义平台，是 AI 落地企业的地基。
AI 不会发现数字不对，它只会自信地把错的讲得头头是道
为什么这层地基这么关键？因为没有它，AI 在企业里犯的错，是一种很危险的错。
传统的 BI 看板，数字错了是被动的——它就摆在那儿，迟早有个细心的人发现"咦，这两个对不上"。但 AI Agent 不一样。你问它一个业务问题，它会从那些口径不一、互相打架的数据里，挑一个答案，再用一套非常专业、非常有条理的话术讲给你听。
它不会告诉你这个数字背后有三种打架的定义。它只会自信地、规模化地，把可能是错的结论，包装成一个权威的回答。
没有统一的语义做地基，你让 AI 跑在企业数据上，得到的不是智能，是"自动化的、自信的混乱"。
口径在平台内统一了，可它和外面的世界还各说各话
把企业内部的口径统一好，正是数势的智能指标语义平台 -- SwiftMetrics 这几年在做的事。但当语义平台用起来，我们和客户又一起撞见了一个新问题：平台把企业内部的口径统一好了，可它和外部世界之间，还缺一种通用的语言。
它具体表现为三个一直很别扭的麻烦：
第一，是搬进来的麻烦。很多客户在部署指标语义平台之前，已经在各种老系统、Excel 里梳理过大量指标。要把这些历史资产迁进语义平台，没有通用格式，只能照着重新配置一遍；
第二，是带出去的麻烦。指标语义平台不可能是一家企业所有数据的唯一出口——总还有别的平台、别的系统，也要用到这套口径。可要把平台里定义好的指标迁出去给它们用，同样没有标准格式，每次都得重做；
第三，也是 AI 时代最要命的，是 AI 产品对接的麻烦。一家企业要接的 AI 产品越来越多，每一个都想调用语义平台里的口径。但因为缺一个标准，每接入一个，都得让它专门进到平台里，把指标的定义和接口摸一遍、再定制对接一遍。
这三件事说到底是同一件：平台把对内的口径统一好了，但对外——面对历史系统、其他平台、各种 AI 产品——还缺一套大家都认的通用标准。
OSI：让指标语义第一次有了通用的普通话
去年九月，一件我认为很重要的事，正是冲着这个问题来的。
Snowflake 牵头，联合 Salesforce、dbt Labs、BlackRock 等一批全球顶级的数据和 AI 公司，发起了一个叫 OSI（Open Semantic Interchange，开放语义交换）的标准。到今天，工作组成员已经四十多家，Oracle、Databricks、Mistral 都在里面。
它要做的事，一句话能说清：让所有平台、所有 AI，对指标语义说同一种话。
OSI 用一套开放的标准格式，描述一个指标怎么定义、一个维度怎么算、表和表怎么关联。指标按这套标准定义一次，所有支持 OSI 的平台都能直接读懂，迁入迁出不用重配。Tableau 的产品负责人给了它一个很形象的说法——业务数据的"罗塞塔石碑"。
但我认为 OSI 最重要的价值，在 AI 这一端。它把 AI 产品和企业语义的关系彻底反了过来：语义按一套标准暴露出来，所有 AI 产品只要对接 OSI，就能直接读懂、直接调用，不必再为每一家、每一个平台单独定制。从"每个 AI 都要单独适配"，变成"一套标准、所有 AI 通用"。
这才是 OSI 真正的分量。它不只是帮企业把指标迁入迁出变利索，更是给整个 AI 应用生态，铺了一条能规模化落地企业的路。
我们为什么第一时间就支持了 OSI
数势做指标语义平台做了五年，我们一直相信，它是企业 AI 能不能落地的地基。OSI 这个全球标准的出现，可以说，是把我们一直相信的方向，盖了一个行业级的钢印。
更重要的是，我们做这层语义地基，从来不是为了做一个数据工具。在这层地基之上，我们长出了自己的 AI 产品：SwiftAgent，让 AI 基于统一、可信的口径去做分析和决策；ClawTeams，让 AI 数智员工真正读懂业务、上手干活。语义地基扎实，上面的 AI 才立得住——这正是我们这家公司一以贯之的逻辑。
所以支持 OSI，对我们有一层特别的意义：它让这层地基不只喂养我们自己的 AI，也让客户选择的任何一个 AI 产品，都能站在同一套可信的语义上。我们要的从来不是把客户锁进来，是让企业辛苦沉淀的语义，变成整个生态都认、都能用的通用资产。
这件事的分量，我们一个行业头部客户体会最深。他们早就用 SwiftMetrics，把企业内部几百个核心指标的口径统一了。可越往深用，前面那三个麻烦越突出：历史指标迁进来要重配、定义好的口径输出给别的系统又带不走、要接的每个 AI 产品都得重新对接一遍。支持 OSI 之后，这三件事被同一把钥匙解开了——口径第一次能以标准格式自由迁入迁出，任何支持 OSI 的 AI 产品也不必再单独定制，直接就能读懂、调用。他们辛苦沉淀的语义资产，从被锁在一个平台里，变成了能在整个数据和 AI 生态里自由流动的通用资产。
说到底，让 AI 在一家企业里敢被信任的，从来不是模型多强，是它脚下那层语义，够不够统一、够不够通用、够不够可信。
写在最后
这周我要去旧金山参加 Snowflake Summit 2026。OSI 是 Snowflake 发起的，所以这次现场，我最关注的事情之一，就是这个语义标准到底走到了哪一步、整个生态在怎么动。
模型的竞赛，大家看得已经够多了。我更关心的，是模型脚下那层一直被低估、却决定着 AI 能不能落地的地基。
指标语义平台加上 OSI，才是让 AI 真正读懂企业数据的关键。没有这层地基，再强的模型，面对一家企业的真实数据，也只是个会胡说的聪明陌生人。
标准是全球的，但每家企业辛苦沉淀的语义资产，值得被一个开放标准解放出来，更值得被 AI 读懂、敢用。
作者：黎科峰博士，数势科技创始人兼 CEO。本文为个人观点。
