《让AI真正理解业务》专栏序言

从商业分析中发现知识，用业务本体组织知识，再把语义资产转化为BA与AI可以共同使用的业务能力。

在一次新品上线会上，市场部说“产品已经上架”，供应链说“物料还不可用”，门店运营说“这家店目前不能卖”。三句话都没有错，却说的不是同一件事。

如果把会议纪要、需求文档和系统说明全部交给AI，它很可能迅速生成一份条理清晰的总结。但当你继续追问：这里的“产品”究竟是套餐、菜品还是食材物料？“上架”是总部启用、渠道可见，还是某家门店此刻可售？配方变更后会影响哪些采购、库存、门店和订单需求？它就可能在看似合理的语言中，把不同对象、状态和规则悄悄混在一起。

这不是AI不会阅读，而是企业还没有把自己的业务讲清楚。

AI时代，业务分析真正稀缺的是什么

今天的AI已经很会提取、总结、比较和生成。真正稀缺的，开始从“能不能写出答案”，转向“答案依据的业务含义是否可靠”。企业文档和系统很多，但同一个词在不同部门、流程和数据表中经常代表不同事物；规则藏在专家经验里，例外散落在会议纪要中，状态又只有放到具体时间和场景下才成立。

因此，BA不会因为机器更会写文档而失去价值。BA需要把问题拆清，把证据和假设分开，把模型之间的关系说明白，再推动相关方对概念边界、规则和责任作出可追溯的决定。

本体也不再只是知识图谱从业者的建模技术。它把分散在需求、流程、规则和数据中的知识，沉淀为可共享、治理和复用的术语、概念、关系与约束。

AI扩大分析能力，BA守住问题、价值与证据，本体承载相对稳定的业务语义。三者结合，才有可能让AI从“读过材料”走向“在具体企业中正确理解和行动”。

我写这个专栏，也源于两条实践线的汇合：一边是商业分析，关心需求怎样被启发、核实、建模、追踪和评价；另一边是本体产品实施，关心企业怎样把术语、概念和关系做成可运营的知识能力。过去它们常被分开讨论，但在企业AI现场，两条线正在汇到同一个问题上：如何提供可靠、可解释、可维护的业务上下文。

这个专栏不会再写一遍BABOK

《让AI真正理解业务》以BABOK和商业分析实践为底层参照，但不会重讲一套框架；它也不是OWL教程，更不会把几个Prompt包装成完整方法。

不会做什么

• 不按知识领域复述BABOK

• 不把AI提取结果直接当作正式本体

• 不把单个Prompt包装成完整方法

重点做什么

• 拆解真实而具体的业务分析问题

• 说明AI、BA与专家的工作边界

• 沉淀可复用的方法和工作资产

我想抓住具体的工作问题：访谈除了名词还能发现什么？用户故事怎样成为建模输入？AI提取出300个候选概念后，专家究竟确认什么？当语义被AI和多个系统调用，又该由谁定义、批准、维护和退役？

每篇文章都会把一个问题掰开揉碎，给出分析步骤、人工控制点、AI分工和可复用资产。重点不是AI能生成多少内容，而是怎样把候选内容变成可信的业务知识。

我们会沿着一条完整路径前进

1. 从业务分析走向业务本体：确定范围，从访谈、流程、故事、规则和数据模型中发现候选语义，再通过证据和专家裁决形成业务本体。

2. 用本体反哺商业分析：检查需求歧义和质量，连接流程、规则、状态与数据，追踪一个概念变化怎样穿透采购、库存、门店和订单。

3. 把业务语义做成产品：讨论AI业务知识分析台、Context Pack、知识库分工，以及本体产品的治理和价值。

贯穿案例：食味里餐饮总部

这是一个完全虚构但力求业务可信的餐饮连锁案例。我们会跟随一款新品，从套餐、产品、配方和物料走到供应商、仓配、门店可售与订单。它不包装完美案例，而是用同一组冲突和数据，让方法能够被看见、质疑并继续演化。

从文档交付走向业务语义资产

我越来越相信，AI时代BA的交付物不会只是一份归档的需求文档。证据、定义、关系、规则、追踪路径和适用版本，都可能成为持续维护的语义资产，并进一步变成企业AI可调用的上下文能力。

这条路不会因接入大模型就自动完成。本体也不是答案本身。AI可以扩大候选空间、发现冲突和生成反例；业务边界、价值取舍和风险责任，仍要由人裁决。

这个专栏记录的，正是从分析到语义、再从语义到产品的过程。希望它为BA、需求分析师和产品经理提供新的工作抓手，也让本体从业者更接近真实业务现场。

让AI真正理解业务，起点不是教AI记住更多文档，而是让企业回答：我们谈论的究竟是什么，为什么这样定义，又由谁为这个答案负责。

系列说明

“食味里餐饮总部”及文中组织、系统、人员、数据与指标均为虚构案例。涉及食品安全、标签、过敏原、保质期或监管要求时，正式发表前应核对最新国家标准、监管要求和企业制度。