對話數勢科技：OpenClaw如何落地企業？安全可信語義層建設是關鍵

【億邦原創】2026年一季度如果科技圈有什么熱門話題不容錯過，那肯定是“小龍蝦”OpenClaw。隨著大模型能力的升級和AI Agent日漸成熟 ，開源Agent應用OpenClaw在全球范圍內卷起了一陣超級熱潮。“養蝦”熱情從個人到企業，持續高漲。在這一背景下，我們專訪了數勢科技的聯合創始人兼副總裁譚李先生，圍繞企業如何落地AI、企業級Openclaw應用、數據語義層技術，以及數據價值釋放的路徑展開深度對話。

Q1：公司將使命定義為“推動企業數字化升級，實現數據價值普惠化”。在您看來，當前企業數據價值實現的最大鴻溝是什么？為什么“普惠化”如此重要？這與國家提出的“2026是數據價值釋放年”有何契合？

譚李：對業務人員來說，一直以來，技術應用門檻高，是阻礙數據價值實現的壁壘。大家可以想象，以前企業要使用數據，要搭建系統，招聘數據開發和分析團隊、部署一系列服務，門檻非常高。而現在，大模型智能被普羅大眾應用的門檻正在快速降低。

最近OpenClaw的出圈，很重要的一個原因是它解決了很重要的入口門檻問題。以前哪怕是用我們的DataAgent，用戶也需要去網站注冊我們的產品賬號在我們的界面才能使用。而現在，大家直接用微信、QQ，或者國外的Telegram、WhatsApp調用智能體，不需要遷移到新的入口，而是用原來已有的習慣，直接發信息，讓智能體調度各種AI能力在云端完成工作。這是普及的關鍵點。

當然Openclaw這樣的智能體要在企業級場景真正用起來還是有挑戰的。，除了前端的易用性極大提升，后端的安全、性能、架構邏輯等目前還沒有完整的解決方案。你的環境是否安全？Agent的鑒權模式、組織內部各種不同角色之間的交互和協作環境是否具備？企業中是否有安全可信的數據語義層？如果這些沒有專人去建，就會亂成一鍋粥。這也是未來企業級智能體要去解決的問題。

Q2：未來每家公司都要有自己的AI研究室嗎？數勢科技的“大模型+企業語義層+Agent”架構是否正是對這一命題的回應？您如何理解企業AI能力的“內化”與“調用”之間的平衡？

譚李：這是一個關于未來企業組織形態的關鍵設問。我的答案是：這將一種動態的狀況——短期有，長期沒有。

短期有甚至是必須有的原因是，當一種新的技術要素涌現時，企業需要有專人專職專組織，快速把這個要素融合到業務流程中，讓組織成為足夠高的AI能力組織。未來一兩年，很多企業會把原來的IT部門或數字化部門變成AI部門。

但是長期來看，五年、十年甚至二十年之后，這樣的組織大概率不會存在。當AI和數據成為像水電煤一樣的標準要素，企業就不會專門設立“水電保障的部門”了。

還可以從另一個視角理解：這一代AI非常大的變化，不是把事情變得更高深，而是變得更簡單。通過自然語言直接調用AI，未來每一個業務人員手邊就有AI助手，不再需要因為技術問題去找技術團隊幫忙。銷售人員想看業績數據，不需要去找數據開發團隊提數，直接調用自己口袋里的AI助手就能拿到。

所以，AI不是中心化的組織，而是平權的要素，充盈在組織的每一個毛細血管。初期因為要推動變革，需要強有力的AI中心；但長期來看，它像水、像電一樣，流到組織的每一個角落。這也是我們做AI數據智能體的初衷——讓數據突破原來只在BI團隊、數據開發團隊的桎梏，流向每一個要用數據的毛細血管。

Q3：數據通過改善決策、生產與行動的效率和質量來實現價值。數勢科技的產品矩陣（指標平臺、智能分析助手）正是圍繞“決策效率提升”這一核心。在您服務的客戶中，哪個行業的決策效率提升最為顯著？能否分享具體的量化指標？

譚李：千行百業都會走到這一步，但哪些行業先行、更有代表性？我們總結起來，1）數據要素足夠豐富，2）數據對企業競爭力極為關鍵的公司或行業。滿足這兩項條件的，往往是高度市場化競爭的行業。

在充分競爭的市場中，企業不靠壟斷或行政干預，而是在公開市場中靠產品力、決策力來競爭。越是這樣的市場，越考驗團隊的精細化運營水平，越需要通過AI和數據來獲得相對競爭優勢。

零售消費行業是我們非常大的業務場景。這個行業高度市場化，如果你能讓單個用戶的購買頻次從一個月一次變成一個月兩次，哪怕變成1.5次，就能帶來全盤的生意提升。

金融行業本身就是數據類的行業。提升金融行業的數字化決策效率，直接帶來面向每個金融客戶的單位產值提升。這兩個行業占據了我們大半壁的客戶來源。

當然，全行業都在擁抱數據與AI，先進制造、國央企也開始在數據賦能方面邁出更大步伐。

Q4：數勢科技獨創的“企業語義層”技術是攻克AI幻覺的關鍵。這個語義層的構建邏輯是什么？它如何將用戶的自然語言查詢“翻譯”為標準的指標和維度，從而確保分析準確性？

譚李：我們核心構建的這一層叫作企業語義層。在硅谷，無論是Snowflake、Databricks還是OpenAI，這幾年都在討論語義層Semantics的構建。

讓普通企業用戶理解什么是企業語義層這件事，需要更簡單的方式。可以從幾個層次來理解：

第一，它是數據和知識的轉譯層。企業內部有大量數據，過去幾年數據中臺、數倉建設把數據基建做得很好，但業務去用的時候，用的不是數據本身，而是數據提煉出來的知識。比如研究外賣大戰，大家關心的是“補貼效率”“日均訂單量”“市場份額”這些指標，它們代表的是經營的核心邏輯和知識。語義層就是讓企業以最高效的方式，把原始數據提煉成對業務有指針意義的知識的引擎。

第二，它是讓大模型理解數據含義的橋梁。如果語義層用到AI產品里，AI大模型就能理解每個數據背后的含義，做分析時不會去數據庫表里亂搜亂找、給你一堆沒用的數據。所以讓只會公域知識的大模型如何在企業私域數據的迷宮里不迷路，就需要企業語義這一層橋梁的嫁接。

第三，它是面向Agent的數據系統。大家都在講Agent Infra——面向Agent的支付系統、通信系統、安全系統。但如何面向Agent構建數據系統？以前的數據系統是為數據工程師和個人構建的。而數據語義引擎，可以讓Agent以標準化方式訪問其他Agent背后的數據和邏輯。每個Agent天生帶的是自己私域的Context，當兩個Agent相遇時，如何快速對接？中間需要一個數據交換的橋梁。我們構建的語義網，未來可以擴展為Agent的數據系統。

第四，它指向未來Agent世界里的可信數據本源。隨著Agent Economy發展，Agent數量可能超過全球人口，它們之間的“單一可信真理來源”（Single Source of Truth）是什么？（注：是指無論你在企業的哪個部門、使用哪種工具、向誰詢問，關于同一個業務概念，比如“昨天某款產品的銷售額”，所得到的答案，都應該完全一致，并且這個答案最終都指向同一個被嚴格定義和管理的源頭）這需要在語義引擎基礎上構建。我們的數據語義引擎從2020年做第一層（數據到知識的轉譯），到2022年底GPT出現后迭代升級至第二層，讓大模型能夠理解企業內部數據。去年數勢SwiftAgent 3.0版本中，我們進一步采用原生Multi-Agents架構，將數據語義引擎底座構建為面向Agents的數據系統；不久，它將會演進到第四層——Agent世界的“Single Source of Truth”。

Q5：SwiftAgent支持用戶以自然語言進行數據查詢、趨勢分析和歸因分析。在實際應用中，企業要落地這種應用時最常問的“靈魂三問”是什么？

譚李：在企業落地過程中，用戶通常會問三個問題：

第一問：數據安不安全？數據到底在哪？這是最基礎的信任問題。

第二問：數據準不準？此前很多人用DeepSeek搭建Natrual Language to SQL的ChatBI類應用，都會遇到這個問題——數據不準。我們通過數據語義引擎確保了數據分析的準確性。

第三問：除了問數還能做什么？這其實是價值導向的問題。當安全性和準確性都解決后，用戶會問：接下來呢？

我們的回答是：除了問數本身，我們已經在推主動式的數據服務——周報、日報、月報、分析報告，不等你來問，直接推給每個角色需要關心的內容。去年我們實現了這個能力，叫Proactive Data Agents。

今年我們想做的更進一步：串聯到業務系統，做完判斷后直接幫業務執行動作。比如店長的經營分析助手，分析完經營結果后，把痛點和問題列出來，以前需要店長自己想接下來怎么辦。現在我們直接告訴他怎么做，甚至直接幫他執行——如果發現某款飲品訂單占比下降是因為原材料缺貨，系統可以直接串聯補貨訂單系統把單下了。從數據洞察到可執行的單一決策，直接自動執行，不需要人來介入。

Q6：貴公司推出的ada.im作為國際化產品，在定位上與國內產品有何異同？未來負有什么樣的戰略責任？

譚李：ada.im是一款面向國際C端個人用戶的智能分析助手。我們發布時提的口號是“Your Own AI Data Analyst”——你自己口袋里的數據分析師。

該產品從發布到現在不到半年的時間，我們已經有大幾萬活躍用戶。更難能可貴的是，這些用戶覆蓋了110多個國家和地區，遠超我們預期。特別是，我們并沒有面向小語種國家做宣發，但它以自然傳播的形式服務了很多我們不敢想象的地區。現在官網已經開始推出多種語言版本。

這款產品帶來的一個興奮點是：我們確實找到了一個“普世”的痛點——用戶對數據分析的需求是普遍的，不僅限于北美的高階白領，尼日利亞的用戶也需要。通過一個低門檻的輕量化的AI工具，我們能夠滿足這種需求。

當前我們還在評估推廣計劃。這類AI產品與上一代純SaaS平臺不同，邊際成本并不為零——每天都在消耗Token。在做大規模推廣之前，我們需要打磨好商業模式：如何讓用戶愿意為此支付訂閱費？這件事情還在探索階段。

Q7：最后，如果請您給那些正在起步構建企業數據要素競爭力的企業提一條建議，這條建議會是什么？

譚李：我會建議企業短期與長期兩個動作都要做。

短期：用應用驅動的方式先做一個具體的場景，也就是小切口方式先跑起來。開拓一些6到12個月能成功的場景，用上最先進的AI工具。有的公司可以從銷售數智化做起，有的可以從智能辦公做起。先讓新的東西在組織里萌芽起來。

長期：一定要構建企業內部的“AI-Ready”Data或AI Ready Context。我們特別強調企業的新型的數據治理。事實上，很多企業不知道從哪開始，是因為內部沒有人能說清楚業務流程、業務規則，數據一團糟。這種情況下，換再強大的AI工具也無動于衷。大模型基于公域數據訓練，到了企業私域環境，如果私域是一團糟的，它也得迷路。所以，這是一件中長期做了都不會錯的一件事。它能夠是讓AI來到企業落地應用時不迷路，知道如何快速在各個應用場景上落地深耕。

但請注意，這里的“數據治理”一定要區別于以前的思路。上一代數據治理是從數據源頭出發，按照人理解的方式去做清洗治理，企業老板聽到“數據治理”就搖頭——CTO治了三年五年也沒見什么成效。

而新一代的數據治理的邏輯，第一是應用驅動——站在應用怎么用的視角去設計數據；第二是面向AI的方式，是“AI-Ready”的數據治理，而不是面向人的方式。

最后，關于我們即將推出的企業級產品：企業級的“龍蝦”產品預計很快面世。我們的特點，一是安全，二是低門檻——業務人員能夠一鍵用起來；三是基于Single Source of Truth，企業級的準確語義在其中，不會像現在用通用AI工具時出現經營數據偏差的情況。它就像一個在組織里服務了30年的老員工，掌握著隱性可信的數據。

訪談結束，回顧我們的訪談，譚李先生從企業數據要素競爭力建設的組織形態，聊到語義層的技術演進，從用戶最關心的“靈魂三問”，到國際化產品的探索與實踐，到企業數據治理的關鍵，內容豐富而實用。在推進數據要素價值加速釋放的2026年，數勢科技的建議提供了一條清晰的路徑：讓數據資源不再被困在技術部門的數據庫里，而是像水一樣，流向每一個需要它的地方。而這里的一個關鍵，就是要讓企業的數據做到“AI-Ready”！因為直接使用這些數據的是AI，是人工智能系統，是AI將這些數據轉化為知識和我們需要的智能！

億邦智庫持續關注企業數據要素競爭力提升與數據產業發展，報道先進經驗與案例。聯系郵箱為：huangbin@ebrun.com