企业智能体跑不起来，常被归咎于模型不够强。但 Dell 在 10 月 6 日给出的判断是：挡住企业 AI 规模化的往往不是模型，而是数据本身——同一个概念在不同系统里叫法不同、含义不同，智能体自然无从下手。它的解法是一套「让数据先说同一种语言」的底座。
三件套：语义层、知识图谱、知识智能体
Dell 这次给 AI Data Platform 加了三块。统一语义层用规则、定义和可检索的术语表，给结构化和非结构化数据赋予一致的业务含义——论文里举的例子很典型：一个系统说「客户」、另一个说「账户」，语义层让智能体知道它们指代同一回事。企业知识图谱则把数据怎么连起来画成一张图，靠元数据、血缘和查询历史建模。知识智能体坐在图谱之上，每个只就图里某一小块议题给建议，企业还能为它单独设数据访问权限、质量标准和花费上限。
要在客户自己的环境里跑
整套餐的卖点是「留在客户自有的环境里运行」，直接对着数据主权诉求。对银行、医疗这类怕数据出域的行业，这点比模型能力更关键。但成熟度要分清楚：眼下能用的只有 AI-ready 数据服务和一项存储性能工具；语义层、知识图谱和知识智能体要等到 2027 年上半年才到位。换句话说，Dell 先把「数据能进智能体」的地基打了，上层建筑还要再等几个月。
它补的是企业栈的哪一块
把 Dell 和同一周的其他发布摆在一起看脉络更清楚：Google Cloud 的 Gemini Agent 解决「谁在替你干活、能花多少钱」，DigitalOcean 与 Bright Data 解决「智能体能摸到防火墙外的活信息」，而 Dell 补的是最底层那一格——智能体到底读不读得懂公司的数据。三块拼起来，企业智能体才从「会聊天的助手」长成「能进生产系统的同事」。对甲方来说，Dell 这步的价值在于把最枯燥、最容易卡项目的数据治理，做成了智能体可用的前置能力。
和模型厂自带的语义层有何不同
把 Dell 这套和云厂商内置的「让模型读企业数据」能力放一起看，区别在于落点：云厂商往往把数据接入绑在自己的智能体产品里，Dell 则把它做成可以跑在客户自己环境、对接既有系统的独立层。对已经有一堆历史系统、又不想被单一云锁死的企业，这种「可移植的语义层」更有吸引力。当然，它不解决模型本身的推理上限，只是把「数据读得懂」这道前置关先过掉——后续的规划、执行与治理，仍要叠加别的能力。
目前官方及行业暂未披露更多细节，包括知识智能体的计费口径与各行业的落地排期，后续将持续跟进迭代动态。这篇把企业智能体「先懂数据再谈能力」的底层逻辑，摆到了台面上。