【亿邦原创】2026年一季度如果科技圈有什么热门话题不容错过，那肯定是“小龙虾”OpenClaw。随着大模型能力的升级和AI Agent日渐成熟 ，开源Agent应用OpenClaw在全球范围内卷起了一阵超级热潮。“养虾”热情从个人到企业，持续高涨。在这一背景下，我们专访了数势科技的联合创始人兼副总裁谭李先生，围绕企业如何落地AI、企业级Openclaw应用、数据语义层技术，以及数据价值释放的路径展开深度对话。
Q1：公司将使命定义为“推动企业数字化升级，实现数据价值普惠化”。在您看来，当前企业数据价值实现的最大鸿沟是什么？为什么“普惠化”如此重要？这与国家提出的“2026是数据价值释放年”有何契合？
谭李：对业务人员来说，一直以来，技术应用门槛高，是阻碍数据价值实现的壁垒。大家可以想象，以前企业要使用数据，要搭建系统，招聘数据开发和分析团队、部署一系列服务，门槛非常高。而现在，大模型智能被普罗大众应用的门槛正在快速降低。
最近OpenClaw的出圈，很重要的一个原因是它解决了很重要的入口门槛问题。以前哪怕是用我们的DataAgent，用户也需要去网站注册我们的产品账号在我们的界面才能使用。而现在，大家直接用微信、QQ，或者国外的Telegram、WhatsApp调用智能体，不需要迁移到新的入口，而是用原来已有的习惯，直接发信息，让智能体调度各种AI能力在云端完成工作。这是普及的关键点。
当然Openclaw这样的智能体要在企业级场景真正用起来还是有挑战的。，除了前端的易用性极大提升，后端的安全、性能、架构逻辑等目前还没有完整的解决方案。你的环境是否安全？Agent的鉴权模式、组织内部各种不同角色之间的交互和协作环境是否具备？企业中是否有安全可信的数据语义层？如果这些没有专人去建，就会乱成一锅粥。这也是未来企业级智能体要去解决的问题。
Q2：未来每家公司都要有自己的AI研究室吗？数势科技的“大模型+企业语义层+Agent”架构是否正是对这一命题的回应？您如何理解企业AI能力的“内化”与“调用”之间的平衡？
谭李：这是一个关于未来企业组织形态的关键设问。我的答案是：这将一种动态的状况——短期有，长期没有。
短期有甚至是必须有的原因是，当一种新的技术要素涌现时，企业需要有专人专职专组织，快速把这个要素融合到业务流程中，让组织成为足够高的AI能力组织。未来一两年，很多企业会把原来的IT部门或数字化部门变成AI部门。
但是长期来看，五年、十年甚至二十年之后，这样的组织大概率不会存在。当AI和数据成为像水电煤一样的标准要素，企业就不会专门设立“水电保障的部门”了。
还可以从另一个视角理解：这一代AI非常大的变化，不是把事情变得更高深，而是变得更简单。通过自然语言直接调用AI，未来每一个业务人员手边就有AI助手，不再需要因为技术问题去找技术团队帮忙。销售人员想看业绩数据，不需要去找数据开发团队提数，直接调用自己口袋里的AI助手就能拿到。
所以，AI不是中心化的组织，而是平权的要素，充盈在组织的每一个毛细血管。初期因为要推动变革，需要强有力的AI中心；但长期来看，它像水、像电一样，流到组织的每一个角落。这也是我们做AI数据智能体的初衷——让数据突破原来只在BI团队、数据开发团队的桎梏，流向每一个要用数据的毛细血管。
Q3：数据通过改善决策、生产与行动的效率和质量来实现价值。数势科技的产品矩阵（指标平台、智能分析助手）正是围绕“决策效率提升”这一核心。在您服务的客户中，哪个行业的决策效率提升最为显著？能否分享具体的量化指标？
谭李：千行百业都会走到这一步，但哪些行业先行、更有代表性？我们总结起来，1）数据要素足够丰富，2）数据对企业竞争力极为关键的公司或行业。满足这两项条件的，往往是高度市场化竞争的行业。
在充分竞争的市场中，企业不靠垄断或行政干预，而是在公开市场中靠产品力、决策力来竞争。越是这样的市场，越考验团队的精细化运营水平，越需要通过AI和数据来获得相对竞争优势。
零售消费行业是我们非常大的业务场景。这个行业高度市场化，如果你能让单个用户的购买频次从一个月一次变成一个月两次，哪怕变成1.5次，就能带来全盘的生意提升。
金融行业本身就是数据类的行业。提升金融行业的数字化决策效率，直接带来面向每个金融客户的单位产值提升。这两个行业占据了我们大半壁的客户来源。
当然，全行业都在拥抱数据与AI，先进制造、国央企也开始在数据赋能方面迈出更大步伐。
Q4：数势科技独创的“企业语义层”技术是攻克AI幻觉的关键。这个语义层的构建逻辑是什么？它如何将用户的自然语言查询“翻译”为标准的指标和维度，从而确保分析准确性？
谭李：我们核心构建的这一层叫作企业语义层。在硅谷，无论是Snowflake、Databricks还是OpenAI，这几年都在讨论语义层Semantics的构建。
让普通企业用户理解什么是企业语义层这件事，需要更简单的方式。可以从几个层次来理解：
第一，它是数据和知识的转译层。企业内部有大量数据，过去几年数据中台、数仓建设把数据基建做得很好，但业务去用的时候，用的不是数据本身，而是数据提炼出来的知识。比如研究外卖大战，大家关心的是“补贴效率”“日均订单量”“市场份额”这些指标，它们代表的是经营的核心逻辑和知识。语义层就是让企业以最高效的方式，把原始数据提炼成对业务有指针意义的知识的引擎。
第二，它是让大模型理解数据含义的桥梁。如果语义层用到AI产品里，AI大模型就能理解每个数据背后的含义，做分析时不会去数据库表里乱搜乱找、给你一堆没用的数据。所以让只会公域知识的大模型如何在企业私域数据的迷宫里不迷路，就需要企业语义这一层桥梁的嫁接。
第三，它是面向Agent的数据系统。大家都在讲Agent Infra——面向Agent的支付系统、通信系统、安全系统。但如何面向Agent构建数据系统？以前的数据系统是为数据工程师和个人构建的。而数据语义引擎，可以让Agent以标准化方式访问其他Agent背后的数据和逻辑。每个Agent天生带的是自己私域的Context，当两个Agent相遇时，如何快速对接？中间需要一个数据交换的桥梁。我们构建的语义网，未来可以扩展为Agent的数据系统。
第四，它指向未来Agent世界里的可信数据本源。随着Agent Economy发展，Agent数量可能超过全球人口，它们之间的“单一可信真理来源”（Single Source of Truth）是什么？（注：是指无论你在企业的哪个部门、使用哪种工具、向谁询问，关于同一个业务概念，比如“昨天某款产品的销售额”，所得到的答案，都应该完全一致，并且这个答案最终都指向同一个被严格定义和管理的源头）这需要在语义引擎基础上构建。我们的数据语义引擎从2020年做第一层（数据到知识的转译），到2022年底GPT出现后迭代升级至第二层，让大模型能够理解企业内部数据。去年数势SwiftAgent 3.0版本中，我们进一步采用原生Multi-Agents架构，将数据语义引擎底座构建为面向Agents的数据系统；不久，它将会演进到第四层——Agent世界的“Single Source of Truth”。
Q5：SwiftAgent支持用户以自然语言进行数据查询、趋势分析和归因分析。在实际应用中，企业要落地这种应用时最常问的“灵魂三问”是什么？
谭李：在企业落地过程中，用户通常会问三个问题：
第一问：数据安不安全？数据到底在哪？这是最基础的信任问题。
第二问：数据准不准？此前很多人用DeepSeek搭建Natrual Language to SQL的ChatBI类应用，都会遇到这个问题——数据不准。我们通过数据语义引擎确保了数据分析的准确性。
第三问：除了问数还能做什么？这其实是价值导向的问题。当安全性和准确性都解决后，用户会问：接下来呢？
我们的回答是：除了问数本身，我们已经在推主动式的数据服务——周报、日报、月报、分析报告，不等你来问，直接推给每个角色需要关心的内容。去年我们实现了这个能力，叫Proactive Data Agents。
今年我们想做的更进一步：串联到业务系统，做完判断后直接帮业务执行动作。比如店长的经营分析助手，分析完经营结果后，把痛点和问题列出来，以前需要店长自己想接下来怎么办。现在我们直接告诉他怎么做，甚至直接帮他执行——如果发现某款饮品订单占比下降是因为原材料缺货，系统可以直接串联补货订单系统把单下了。从数据洞察到可执行的单一决策，直接自动执行，不需要人来介入。
Q6：贵公司推出的ada.im作为国际化产品，在定位上与国内产品有何异同？未来负有什么样的战略责任？
谭李：ada.im是一款面向国际C端个人用户的智能分析助手。我们发布时提的口号是“Your Own AI Data Analyst”——你自己口袋里的数据分析师。
该产品从发布到现在不到半年的时间，我们已经有大几万活跃用户。更难能可贵的是，这些用户覆盖了110多个国家和地区，远超我们预期。特别是，我们并没有面向小语种国家做宣发，但它以自然传播的形式服务了很多我们不敢想象的地区。现在官网已经开始推出多种语言版本。
这款产品带来的一个兴奋点是：我们确实找到了一个“普世”的痛点——用户对数据分析的需求是普遍的，不仅限于北美的高阶白领，尼日利亚的用户也需要。通过一个低门槛的轻量化的AI工具，我们能够满足这种需求。
当前我们还在评估推广计划。这类AI产品与上一代纯SaaS平台不同，边际成本并不为零——每天都在消耗Token。在做大规模推广之前，我们需要打磨好商业模式：如何让用户愿意为此支付订阅费？这件事情还在探索阶段。
Q7：最后，如果请您给那些正在起步构建企业数据要素竞争力的企业提一条建议，这条建议会是什么？
谭李：我会建议企业短期与长期两个动作都要做。
短期：用应用驱动的方式先做一个具体的场景，也就是小切口方式先跑起来。开拓一些6到12个月能成功的场景，用上最先进的AI工具。有的公司可以从销售数智化做起，有的可以从智能办公做起。先让新的东西在组织里萌芽起来。
长期：一定要构建企业内部的“AI-Ready”Data或AI Ready Context。我们特别强调企业的新型的数据治理。事实上，很多企业不知道从哪开始，是因为内部没有人能说清楚业务流程、业务规则，数据一团糟。这种情况下，换再强大的AI工具也无动于衷。大模型基于公域数据训练，到了企业私域环境，如果私域是一团糟的，它也得迷路。所以，这是一件中长期做了都不会错的一件事。它能够是让AI来到企业落地应用时不迷路，知道如何快速在各个应用场景上落地深耕。
但请注意，这里的“数据治理”一定要区别于以前的思路。上一代数据治理是从数据源头出发，按照人理解的方式去做清洗治理，企业老板听到“数据治理”就摇头——CTO治了三年五年也没见什么成效。
而新一代的数据治理的逻辑，第一是应用驱动——站在应用怎么用的视角去设计数据；第二是面向AI的方式，是“AI-Ready”的数据治理，而不是面向人的方式。
最后，关于我们即将推出的企业级产品：企业级的“龙虾”产品预计很快面世。我们的特点，一是安全，二是低门槛——业务人员能够一键用起来；三是基于Single Source of Truth，企业级的准确语义在其中，不会像现在用通用AI工具时出现经营数据偏差的情况。它就像一个在组织里服务了30年的老员工，掌握着隐性可信的数据。
访谈结束，回顾我们的访谈，谭李先生从企业数据要素竞争力建设的组织形态，聊到语义层的技术演进，从用户最关心的“灵魂三问”，到国际化产品的探索与实践，到企业数据治理的关键，内容丰富而实用。在推进数据要素价值加速释放的2026年，数势科技的建议提供了一条清晰的路径：让数据资源不再被困在技术部门的数据库里，而是像水一样，流向每一个需要它的地方。而这里的一个关键，就是要让企业的数据做到“AI-Ready”！因为直接使用这些数据的是AI，是人工智能系统，是AI将这些数据转化为知识和我们需要的智能！
亿邦智库持续关注企业数据要素竞争力提升与数据产业发展，报道先进经验与案例。联系邮箱为：huangbin@ebrun.com
