從RAG到本體論：企業AI的下一個前沿
向量資料庫、檢索增強生成（RAG）之後，企業AI的下一個前沿正在成形：為自主智能體提供對業務共同理解的上下文層。Databricks正通過Genie Ontology推進這一願景。
目前處於預覽階段的Genie Ontology，能夠自動從企業數據、儀錶板、查詢、數據管道、文檔和應用程式中提取業務上下文，並將其整理成一個動態知識圖譜，供AI智能體理解組織的運作方式。
該功能在Databricks Data + AI峰會上正式亮相。Genie Ontology採用了受谷歌PageRank啟發的排名機制，用以識別組織內最具權威性的業務定義。
Databricks首席執行官Ali Ghodsi在主題演講中表示，這套系統並非等同看待所有資訊來源，而是綜合評估創建者身份、使用廣泛程度、與認證數據集的關聯程度，以及更新時效等因素，從而判斷AI智能體應當採信哪個答案。他同時補充說，企業還可以通過Databricks現有的Unity Catalog Semantics平台，將自有業務定義或本體論上傳至Genie Ontology。
統一上下文層的價值與局限
分析師認為，對於CIO而言，以Genie Ontology為代表的統一上下文層，將切實提升企業AI部署的一致性、可信度與治理水平。
Moor Insights and Strategy首席分析師Michael Leone表示："一套定義驅動所有智能體運行，意味著同一個問題不會再得到三種不同的答案。RAG和向量搜索這類舊方法，只是返回與問題相似的內容，並不真正理解業務。而本體論賦予了智能體目錄所無法提供的語義——明確術語含義，以及應該信任哪個數據源。"
HFS Research執行研究負責人Ashish Chaturvedi認為，一致性的提升同樣有助於緩解信任危機——這仍是企業AI落地的最大障礙之一。他指出："企業AI採用的最大障礙，在於決策者對AI輸出結果的信任度不足，不敢不加核實就付諸行動。將答案錨定於受治理業務定義、並可追溯至數據源的本體論，能夠直接攻克這一信任赤字。"
然而，Leone對信任層面的論點持更為審慎的態度："這是個有前景的想法，但在我將其用於重要決策之前，它還需要經過實踐檢驗。"
HyperFRAME Research AI技術棧實踐負責人Stephanie Walter也指出，本體論存在一個關鍵缺失環節——驗證機制："本體論可以改善上下文，但無法保證答案的正確性。智能體仍可能提取不完整的數據、應用錯誤邏輯、遺漏數據行、誤解工作流，或採取錯誤行動。"
Leone進一步指出，這一驗證缺口之所以更加關鍵，在於大多數企業目前尚不具備為AI部署實施本體論層所需的數據和治理成熟度："如果你的數據和治理體系本身就不完善，這只會加速既有混亂的蔓延。"
Walter同樣強調，本體論無法憑一己之力解決定義混亂、數據溯源不清、權屬薄弱或權限分散等問題，並指出CIO面臨的真正難點不在於一次性構建本體論，而在於隨著業務變化持續保持其準確性："企業需要明確的數據所有權、指標所有權、領域專業知識、治理流程，以及解決定義衝突的機制。否則，本體論只會淪為另一個徒有精美名稱的過時元數據項目。"
供應商競爭加劇，CIO面臨選擇困境
在數據與治理就緒度挑戰之外，隨著多家技術廠商相繼推出類似Genie Ontology的企業AI業務上下文錨定方案，CIO還面臨日益突出的認知混亂風險。Leone指出，過去一年間，Snowflake、微軟等公司相繼推出了某種形式的本體論、語義或上下文層產品，問題就出在這些產品的命名方式上："所有人都給本質上相同的理念貼上了不同標籤，造成了混亂，拖慢了企業的決策節奏。"
IT諮詢公司Kanerika聯合創始人兼首席營收官Bhupendra Chopra認為，這種混亂也可能反噬Databricks等供應商："儘管營銷口徑都已聚焦於上下文構建，但大多數企業最終會選擇自身數據已經所在的平台。"
Chaturvedi對此表示認同，並建議CIO避免孤立地評估本體論產品，堅守"上下文層跟隨數據引力"的原則："數據在Databricks，就走Genie Ontology；在Snowflake，就用Horizon Context；如果是微軟生態，就選IQ系列。"他同時呼籲CIO超越功能層面，評估這些產品的開放性與可移植性，尤其是在業務定義可能需要跨數據湖倉、分析工具和AI平台流轉的多平台環境中。
Chaturvedi認為，Snowflake正以開放語義互操作性為核心差異化方向，致力於降低企業在演進數據與分析技術棧過程中陷入語義鎖定的風險，從而與競爭對手拉開距離。
爭奪企業AI控制平面
分析師指出，Snowflake的差異化努力，至少對CIO而言，將外界目光引向了一場更大規模的競爭——包括Databricks在內的各家供應商，都在爭奪企業AI控制平面的主導地位。
Chaturvedi介紹稱，Snowflake正試圖通過Snowflake Intelligence、Horizon Catalog以及開放語義互操作性的推進，將自身定位為AI控制層；微軟則通過Work IQ、Fabric IQ和Foundry IQ等產品，將業務上下文與治理能力嵌入Copilot、Fabric及更廣泛的AI技術棧之中。他同時指出，Databricks的Genie Ontology同樣服務於類似戰略，並建議CIO將其置於公司更宏觀的布局中加以理解——Databricks正致力於將其湖倉平台打造為企業AI智能體構建、治理與部署的基礎設施。
"這毫無疑問是一場控制平面之爭。將Databricks在本次峰會上發布的所有內容串聯起來——包括LTAP、OpenSharing和Genie Ontology——你會看到一個單一的匯聚點，企業數據、治理、業務語義與智能體執行在此合而為一。"Chaturvedi表示。
他進一步指出，這一控制平面戰略折射出Ghodsi更宏觀的願景：數據平台有望演進為他所描述的"智能體系統級記錄"——一個AI智能體賴以讀取數據、推理分析並採取行動的權威來源。Chaturvedi將這一概念與早期的平台範式遷移相類比：ERP系統曾成為業務交易的系統級記錄，數據倉庫曾成為分析的系統級記錄，而下一場爭奪，正是圍繞誰能成為企業AI智能體的系統級記錄而展開。
Leone也認同數據平台在這場競爭中具備先天優勢，因為它們已經掌握了智能體安全運行所需的數據、治理控制、數據溯源和權限體系。
儘管如此，分析師們也提醒道，上下文層並非決定最終勝負的唯一要素。Walter一語道破："企業AI的下一個戰場，不只是上下文，而是可驗證的執行能力。"
Q&A
Q1：Genie Ontology是什麼？它能解決什麼問題？
A：Genie Ontology是Databricks推出的業務上下文層產品，目前處於預覽階段。它能夠自動從企業數據、儀錶板、查詢、數據管道、文檔和應用程式中提取業務上下文，並整理成動態知識圖譜，供AI智能體理解組織運作方式。其核心價值在於為所有智能體提供統一的業務定義，避免同一問題得到不同答案，從而提升企業AI部署的一致性與可信度。
Q2：Genie Ontology與RAG有什麼區別？
A：RAG和向量搜索只是返回與問題相似的內容，並不真正理解業務含義。Genie Ontology則通過本體論賦予AI智能體真正的語義理解能力，明確業務術語的含義，並通過類似谷歌PageRank的排名機制判斷哪個數據源最具權威性。簡單來說，RAG是"找相似"，而本體論是"懂含義"，後者更適合需要精準業務理解的企業AI應用場景。
Q3：企業在引入Genie Ontology時需要注意哪些風險？
A：分析師指出了幾個主要風險：一是驗證缺口，本體論能改善上下文但無法保證答案正確，智能體仍可能犯錯；二是數據和治理成熟度不足，若企業數據治理本身存在問題，本體論只會加速混亂；三是持續維護難度大，企業需要明確的數據所有權、治理流程和衝突解決機制，否則本體論會淪為過時的元數據項目。
