Forrester深度研判：没有知识图谱，你的AI智能体只能靠“猜”

当 Agentic AI（智能体 AI）从概念狂飙走向落地深水区，企业正遭遇一个残酷的现实：光有海量数据和昂贵的大模型，根本造不出一个能自主决策、精准执行的“数字员工”。近日，全球权威科技研究机构 Forrester 发布深度文章，一针见血地指出，当前 AI 智能体最大的短板在于缺乏对业务实质的理解。没有明确的语义、本体和知识图谱作为支撑，智能体只能依靠概率去“猜测”数据关联，进而导致严重的业务偏差。

Forrester 最新发布的两份报告，详细拆解了为何本体的构建是智能体时代不可逾越的必经之路，以及企业如何从语义层起步，最终迈向企业数字孪生的终极形态。以下是编译全文。

智能体 AI（Agentic AI）正在无情地暴露大多数企业数据战略中存在的一个基础性缺口：对于自主系统而言，没有“意义”的数据是根本无法使用的。

AI 智能体的使命绝不仅仅是检索数据，它们需要理解数据、做出决策并付诸于实际行动。如果没有明确且结构化的上下文，智能体就只能依靠“猜测”来填补信息空白。而当智能体开始猜测时，灾难便随之而来：它们会搞错数据之间的关联、误读关键指标，并最终基于完全错误的假设去采取行动。这正是本体（Ontologies）、语义层（Semantic Layers）和知识图谱（Knowledge Graphs）正迅速崛起为核心架构组件的原因。它们提供了传统数据环境在智能体系统中极度匮乏的三样东西：一种共享的语言、明确的关系定义，以及机器可读的业务上下文。

Forrester 最近发布的两份报告为企业领导者提供了关于语义、本体和知识图谱的清晰定义，并为企业开启 AI 转型之旅指明了切实可行的路径。

语义层是起点

Forrester 报告《通过语义层平台让数据为 AI 做好准备》（Make Data AI Ready Via Semantic Layer Platforms）重点关注了这一演进旅程的第一步：在让数据变得智能之前，必须先让它变得可解释。长期以来，语义层一直扮演着确保商业智能（BI）一致性的关键角色。而在智能体时代，它们同样赋予了智能体所需的“受控上下文”，从而能够将模糊的自然语言转化为精准的数据库查询和具体的业务行动。

现代语义层平台的功能已经超越了单纯的指标定义。它们通过运行时服务、API 接口、数据血缘追踪以及跨混合云与多云环境的策略执行机制，确保了即使在底层平台频繁变更的情况下，业务含义依然能够保持绝对稳定。此外，该报告还引入了“数据图谱（Data Graph）”的概念，将其作为通往完整知识图谱的桥梁。通过捕捉数据间的关系和使用模式，组织可以在不直接跃进到复杂且昂贵的完整知识图谱架构的情况下，先行赋予智能体更多的业务上下文。

知识图谱定义终点

Forrester 的另一份报告《结合语义、本体和知识图谱以实现 AI 就绪数据》（Combine Semantics, Ontology, And Knowledge Graphs For AI-Ready Data）则进一步解开了语义、本体和知识图谱这些术语的神秘面纱。

报告建议了一个理想的终局状态：打造一个语义丰富的企业环境，其中所有的企业实体不仅相互连接，而且能够被系统相互“理解”。为此，Forrester 提出了一种清晰的分层方法：本体（Ontologies）负责定义知识，语义（Semantics）负责保障清晰度和一致性，而知识图谱（Knowledge Graphs）则负责将这些元素连接成一个支持复杂推理和深度发现的模型。

知识图谱绝不仅仅是一种数据集成技术，它们构成了企业数字孪生（Enterprise Digital Twin）的坚实基础。通过明确所有的企业实体及其相互关系，知识图谱能够帮助 AI 准确解释上下文、推断出隐藏的联系，并在跨越不同业务领域时更精准地采取行动。

从语义开始，进化为数字孪生

这两份报告共同定义了一条清晰的演进路径。必须承认，大多数组织目前尚未准备好直接构建庞大的知识图谱。语义层是正确的起点，它创建了一个一致的意义基础：标准化的定义、受控的指标，以及跨工具和团队的共享逻辑。而知识图谱则是长期的目的地，它是一种数字孪生形式，使智能体 AI 能够在整个企业范围内进行深度的推理和自主行动。对于渴望在智能体时代占据先机的企业而言，现在正是重新审视数据语义架构的最佳时机。

原作者：Boris Evelson, Indranil Bandyopadhyay, Charlie Dai, Noel Yuhanna

来源：Forrester 博客