这个问题其实是两个问题。先答第一个。

一、需要哪几层？

5 层能力 + 1 层横向贯穿的治理。

自下而上：

L5  执行层   让 AI 把活干完（调度 + 审批 + 回写）
L4  语义层   这些数据和知识在业务上意味着什么（本体）
L3  知识层   企业过去沉淀了什么（制度/规范/案例）
L2  数据层   企业现在发生了什么（订单/库存/资金）
L1  模型层   通用智能底座
     ─────── 治理层：横向贯穿全部 5 层 ───────

很多人以为企业 AI = 模型层 + 知识层，做完 RAG 就完事了。但真正卡住"进不了业务流程"的，是 L4 和 L5。

二、怎么判断缺哪层？看症状，别看买了什么

这是我更想强调的部分。企业最容易犯的错，是拿"我们买了什么"去倒推"我们缺什么"。正确的方式是看症状：

最常见的投入错位：模型层砸钱最多，语义层和执行层投入最少。 而决定 AI 能不能进业务流程的，恰恰是后两层。

三、五问自测：第一个答不上来的那层就是瓶颈

按顺序问，别跳（因为上层依赖下层）：

1. 有没有稳定可用的模型接入，且明确了哪些数据可以发给哪些模型？
2. AI 能不能查到企业真实业务数据，并说清数据来源和时间范围？
3. AI 回答问题时，能不能给出引用出处？
4. 同一个指标（比如"收入""毛利"）在各部门各系统里口径是否一致？AI 能不能判断跨系统对象是不是同一个？
5. AI 给完建议之后，能不能自己触发审批、写入系统、把结果回写？

卡在第 4 题 = 语义层缺失。卡在第 5 题 = 执行层缺失。

这两种情况，继续加大模型投入都解决不了。这不是我的判断，是很多团队返工两个月才明白的事。

四、多说两句语义层，因为这层最容易被跳过

语义层回答的是：这些数据和知识在业务上意味着什么。

举个能说明差别的例子：

• 只有数据层：AI 知道这家供应商交付质量评分是 B；
• 加上知识层：AI 知道制度里 B 级供应商触发什么处置流程；
• 加上语义层：AI 才知道这家供应商供的物料影响哪几条生产计划、有没有替代供应商、该通知哪些部门。

第三层，是"能决策"和"只会报警"的分界线。

两个常见误解要澄清：

误解一：本体就是知识图谱换了个名字。
不是。本体定义业务概念及关系，知识图谱承载具体实体和关联数据，两者经常配合使用。本体还强调把对象、规则、事件和动作结合起来，让智能体能理解并调用业务能力。

误解二：既然有 RAG 了就不用本体了。
看场景。简单文档问答，RAG 就够。但只要任务涉及跨系统语义、规则和业务动作，就需要本体——这也是业内从 RAG 走向 OAG（Ontology-Augmented Generation，本体增强生成）的分界。

有个数据可以参考：Gartner 在 2026 年 5 月 11 日发布的研究预测，到 2027 年，在 AI-ready 数据中优先采用语义的组织，其智能体 AI 准确率可提升高达 80%、成本可降低高达 60%。报告里还有一句很扎心的话：仅靠基于 schema 的数据模型已经不够了，因为它缺乏业务上下文和数据含义。

五、执行层：最容易被忽略的两步

执行层要做的是：意图理解 → 任务拆解 → 智能体与 Skill 选型 → 多智能体分工调度 → 业务执行 → 人工确认（如需） → 结果回写企业系统。

其中"人工确认"和"结果回写"，是"AI 助手"和"AI 执行系统"的分界线。

很多团队做 AI 助手，demo 阶段大家都在夸"回答挺准"，一上线就废——因为审批流还得人去点，跨法人数据调不到，结果也没地方回写。说白了：它什么都能聊，核心的事一件办不了。

六、一个现实选择：智能双模

不是所有软件都该变成智能体。

比较务实的做法是"智能双模"：让智能体软件（自主执行、概率计算、非确定性）和流程执行型软件（按规则执行、精确计算、确定性）协同跑。

核算、结算这类必须精确的事交给规则；分析、建议、任务规划交给模型。这样既稳又灵。

七、最后，三句提醒

1. AI 不能保证百分之百准确。 检索、语义建模、规则校验和人工监督只能降低风险。重要环节一定要留人工确认。
2. 别为了"补全层数"而建设。 简单问答场景，模型层 + 知识层就够了，硬上完整栈是浪费。
3. 从一个高频、规则明确、结果可复核的任务切入。 合同审核、经营分析、财务风险调查都是不错的起点。别一上来就想建"大而全"。

回到最初的问题：企业 AI 需要哪几层能力？

答案是 5 层加 1 层治理。但更重要的是——先搞清楚你卡在哪一层，别在错误的那层上加码。