把大模型直接接上企业数据库，是很多团队尝试 AI 问数的第一步，也几乎是所有人翻车的第一步。模型能写出语法正确的 SQL，却不知道：
- “销售额”和”付款金额”有什么区别；
- 退款按申请时间算还是成功时间算；
- 一个 SKU 属于哪个商品、系列和品类；
- “库存”指账面库存、可售库存还是在途库存；
- 提问的这位员工，有没有权限看到这些数据。
这些知识不在数据库里——它们在业务负责人的脑子里、在部门的默契里、在无数次会议的争论里。AI 缺的不是算力，是业务常识。
语义层是什么
业务语义层就是把这些常识显式地沉淀下来的一层结构，通常包含四类内容：
- 业务词典：每个指标、每个业务名词的准确定义与计算逻辑；
- 数据关系：商品、订单、渠道、店铺、会员之间怎么关联，哪张表是权威来源；
- 口径规则：时间口径、包含排除项、汇率与单位换算这些”魔鬼细节”；
- 权限边界：什么角色能看什么范围的数据，AI 作答时同样遵守。
有了这一层，AI 回答”昨天销售额下降的原因”时，用的是全公司认可的口径，引用的是权威数据源，给出的答案附带来源可以追溯——这才是能进经营会的答案。
和数据中台有什么区别
数据中台解决”数据存起来、算得动、看得到”；语义层解决”数据被正确理解”。中台是仓库，语义层是仓库的目录、说明书和门禁。很多企业中台建完了，AI 依然用不了数据，缺的正是这一层翻译。
值得注意的是：语义层是越用越厚的资产。每回答一次问题、每修正一次口径、每沉淀一个业务规则，它都在变得更懂你的企业——这也是它比任何单一工具都更值得长期投入的原因。