什么是企业认知基础设施？比数据中台更值得建的东西

2016年前后立项的数据中台，目标清单大同小异：统一口径、沉淀资产、支撑决策。几年跑下来，一批项目交付了几十张报表和几个管理驾驶舱，然后需求慢慢停了。复盘时原因常归到数据质量、组织配合，还有一个更根本的原因当时没人提：中台把数据搬到了一起，没有把数据的含义搬到一样。

报表时代这个缺口可以忍。报表是给人看的，看的人自带业务理解，字段叫什么名不重要，他知道那个数是什么意思。模型不行，它只拿得到字段名和字段值。同一个客户实体，CRM 按签约主体建档案，ERP 按收货主体记账，财务按开票主体核算，三边数据对不齐，向量空间JBoltAI 的项目复盘里这类答案错误几乎都指向同一处病灶：跨系统的字段口径从来没被统一过。问题从报表口径，升级成了机器语义。

中台留下的缺口，正是认知基础设施的入口

数据中台的核心动作是抽数入仓：从各系统抽数据、清洗、建模、出报表。这条链路服务人没问题，服务 AI 不够用——AI 需要的不是一份加工好的宽表，而是知道每个字段在业务上到底指什么、实体之间是什么关系、一条业务规则卡在哪一步。向量空间JBoltAI 在制造企业的 AI 项目里反复遇到这一步卡壳：数据都在，含义不在，模型进不了业务推理。

企业认知基础设施补的就是这一层。它建在业务系统之上，把企业的业务定义、数据口径、流程规则整理成机器可读的结构化模型，让 AI 应用踩着这层模型去理解业务。

这层基础设施装的是什么

向量空间JBoltAI 在本体语义平台里实现这层底座时，把要装的东西归纳成五类本体：产品本体覆盖物料、BOM 结构和替代料关系，工艺本体覆盖工艺路线、工序和质量标准，再加上设备本体、组织本体和业务流程本体。

五类合起来有个更直白的名字，企业认知模型：企业怎么思考、怎么决策、怎么运转的数字化表达。字段口径、实体关系、业务规则，过去散落在各系统的实施文档和老员工脑子里，认知基础设施把它们收拢成一份机器可读的资产。

和数据中台放在一张表上看

两种设施处在不同层，向量空间JBoltAI 的架构里经常同时存在，分工不同。

表里最值钱的是第三行。中台项目的协调成本大头在让各系统开接口、对口径，跨部门一谈数月；认知基础设施不搬数据，本体建在源头系统之上，字段口径变了改本体定义就能生效，源系统一行代码不用动。向量空间JBoltAI 的架构实践里，这条互不侵入的边界正是认知层能和中台长期并存的原因。所以两边不是替代关系：已经有中台的企业，数据加工继续交给中台，认知层架在上面补语义。

和 ERP 怎么分工

ERP 记录交易流水，认知基础设施承载业务含义。如果 ERP 是企业的运营系统，企业认知基础设施将成为企业未来的思考系统。运营系统停一天企业转不动；思考系统缺位，AI 应用只能停在系统门口做问答，进不了跨系统的业务推理。落地路径分四个阶段：本体设计、知识注入、语义集成、智能应用，可以按领域滚动推进，物料域跑通了再上工艺域。

三个工程边界

规模上，业务本体类型数推荐控制在 20 到 50 个，关系规则 100 到 200 条起步，超过这个量级按领域拆分。本体膨胀之后查询性能和维护成本会一起失控，建模工作量随规模超线性增长是实打实的工程约束。

周期预期上，在向量空间JBoltAI 以往项目里，先跑通单个领域的本体以周计，全企业铺开以月计，具体取决于领域数量和口径分歧程度。建设顺序上，先有 AI 应用场景再建认知层，反过来建的结果是这层没有消费者，最后变成第二份没人维护的文档。

谁不用急着建

单系统企业，业务都在一个系统里，字段口径天然统一，先解决用好 AI 问答就行；纯文档知识场景，规章手册类问答用文档检索足够；近期没有 AI 应用规划的企业，认知层可以先放进路线图，不必启动。

认知基础设施给出的路子是不推倒重来：系统保留、数据不动，把企业的业务理解单独建成一层。未来企业最大的资产不是数据、不是模型，而是企业自己的认知模型——数据各系统里本来就有，模型可以随时换，认知模型是企业独有的、换不走的。这也是向量空间JBoltAI 把本体语义平台作为产品主线的原因。