本月早些时候，业界对Anthropic一篇题为《Anthropic如何用Claude实现自助式数据分析》博文印象深刻。虽然发布时机出人意料，但内容并不令人意外。其中的关键内容是：没有人类技能加持的情况下，Claude准确回答分析问题的能力不超过21%。添加技能后，这些数字总体上持续超过95%。
如果这是Anthropic在自家数据上运行AI得到的结果，那么其他所有企业AI领导者看到的又是什么呢？根据博文发布后的反应和对话，业内许多人将Anthropic的发现视为一记警钟。但更重要的教训不在于人类技能，而在于上下文。
讨论很快从Anthropic的具体实现扩展到一个更广泛的问题：AI需要多少业务上下文才能在企业内部可靠运行？答案越来越明确——比许多组织意识到的要多。
语义层（semantic layer）为AI系统提供了对企业数据含义的共识性理解。将原始数据转化为每个系统都认同的、受治理的业务定义，正成为一个关键步骤——不仅关乎准确性，更关乎可被规模化信任的AI。
Anthropic并非个例。最近的Harris Poll研究发现，55%的技术决策者有时会亲自纠正或反驳AI输出。另有89%的人表示，在底层数据得到信任和验证之前，他们无法对AI洞察完全有信心。
这就是“幻觉税”（hallucination tax）：当AI系统在缺乏可信上下文的情况下运行时，所需的人工监督、验证、返工和风险管理所产生的隐性成本。每当员工必须验证一个答案、纠正一项输出，或对一条建议心存疑虑时，组织就在支付这笔“税款”。
而治理问题并非新事物。企业多年来一直在努力建立干净、准确、无偏见的数据，大多数仍在为此努力。随着AI智能体（AI agents）更深地进入企业核心工作流，风险要高得多。这些智能体不再只是搜索答案，它们正在采取行动——而当它们所依赖的数据未受治理时，就会推动错误的决策。到了那个地步，准确性就不再只是一个技术指标，而是一种业务风险，而企业正在为此付出代价。
Gartner的研究凸显了这一差距。实施分类法（taxonomies）和本体论（ontologies）等语义建模方法的组织，在支持AI用例的数据工程实践中实现高效能的可能性高达2.2倍。然而，仅有40%的组织实施了这些方法。
对于技术领导者来说，有三个优先事项值得立即关注：
治理含义，而非仅仅治理存储：企业AI的瓶颈不在于数据存储，而在于业务含义。当原始数据缺乏统一定义时，每个AI系统都会以不同方式解读它。共享语义层创造了共识性理解，让人类和AI能在同一上下文中运作。随着组织部署更多AI系统和智能体，这一基础变得日益重要。
将数据质量视为AI基础设施：数据质量一直是AI信任的前提，但大多数企业仍将其视为一个勾选框，而非核心基础设施。这行不通了。坏数据不再只是产生错误答案——随着AI智能体从回答问题转向采取行动，坏数据会产生错误行动。
在你的智能体行动之前关闭问责缺口：当AI从回答问题转向采取行动时，未受治理的数据就不再是准确性问题，而变成了责任问题。治理必须从一开始就内置，而不是在部署过程中事后补救。否则，幻觉税将不可避免。
成功运用AI的组织未必是那些能获得最好模型的组织。这些模型正越来越普及。差异将在于信任——为AI提供准确、受治理的上下文的能力，在业务条件变化时维护该上下文的能力，以及确保自主系统在既定护栏内运行的能力。
Anthropic的博文提供了一个有益的提醒：更好的模型本身并不能解决企业AI的挑战。随着AI智能体嵌入日常运营，对话必须从模型性能转向运营信任。率先降低幻觉税的组织，将最有能力获取AI的全部价值。