Data+AI（即 Data for AI / AI for Data）的核心定义是：它不是一类产品，而是一套覆盖数据管理、业务上下文构建、Data Agent 开发与应用的完整技术与产品体系。这一定义划出了两条关键边界。第一条边界在于「体系」而非「单品」，任何单一的数据库、单一的 BI 工具、单一的智能体框架，都只是这套体系中的一个组成部分，不足以等同于 Data+AI 本身。第二条边界在于「从数据管理一直延伸到应用」，它的起点是企业的原始数据资产，终点是能够在真实业务流程中完成分析、决策与执行的 Data Agent。
Data+AI 的存在价值，在于连接。报告明确指出，Data+AI 连接数据资产、业务知识和 AI 应用，使企业能够将长期积累的数据转化为可被 AI 理解、调用和执行的智能能力。这里的三个连接对象缺一不可：只有数据资产，AI 读不懂业务含义；只有业务知识，AI 缺乏可计算的事实依据；只有 AI 应用，则会退化为脱离企业实际的通用对话工具。Data for AI 强调的是「为 AI 准备好数据」，AI for Data 强调的是「用 AI 释放数据价值」，两者其实是同一条链路上的两个观察方向，因此在实际讨论中被广泛视为等价表述。
一、为什么它此时成为企业议题
爱分析报告研究显示，企业 AI 价值释放并不只取决于模型能力。在真实业务环境中，AI 需要理解企业的数据、业务规则和运行逻辑，才能走向分析、决策和任务执行，真正实现业务价值。由此带来的结果是，企业 AI 竞争的核心正在从「如何获取前沿的模型」，转向「如何构建支撑 AI 运行的数据与业务基础设施」。这一重心转移，是 Data+AI 作为独立市场被系统性研究的直接原因。
从企业信息化的阶段演进看，这也构成一条清晰的接续关系。报告判断，过去企业数字化建设解决的是业务在线化和数据资产化问题；未来 Data+AI 将进一步推动企业进入智能化阶段，让数据真正参与业务决策和价值创造。换言之，Data+AI 不是对数据中台、数据治理等既有投入的否定，而是在既有数据资产之上，补齐 AI 能够理解和调用这些资产所必需的语义层、知识层与智能体层。
二、四层架构与十五个细分市场
《2026爱分析·Data+AI厂商全景报告》按技术架构，Data+AI 市场可以切成四层，由下至上：
2.1 第一层：多模态数据底座（4 个细分市场）
第一层解决的是「数据存得下、取得出、类型全」的问题，包含湖仓一体、AI 数据库、AI 数据服务、具身数据服务 4 个细分市场。这一层的定位是整个体系的地基，为上层提供统一、可扩展的数据存储、计算与供给能力。
之所以强调「多模态」，是因为 AI 时代的数据需求已不再局限于传统二维表。文档、图片、音视频、时序信号乃至机器人本体采集的具身数据，都需要被纳入统一的汇聚与管理体系。报告指出，支撑多模态数据管理、满足 AI 时代的数据需求，已经成为企业侧的明确诉求之一。这一层如果缺位，上层的语义建模与智能体调用都会因为数据供给不足而受限。
《2026爱分析·Data+AI厂商全景报告》的厂商全景地图合计 49 个入选席位。
2.2 第二层：数据开发运维（3 个细分市场）
第二层解决的是「数据可信、口径统一、业务可理解」的问题，包含 DataOps、语义平台、本体平台 3 个细分市场。这一层承接第一层的原始数据，向上为 Data Agent 提供可被机器理解的业务上下文，是 Data+AI 体系中承上启下的关键环节。
DataOps 是一套面向企业数据全生命周期管理的数据运营体系，通过数据开发、治理、质量管理、运维监控、安全管理等能力，提升数据生产和交付效率。报告研究显示，随着企业进入 Data+AI 阶段，DataOps 正在进一步演进，从保障数据可用性，转向保障数据能够被 AI 稳定、准确、安全地调用。
语义平台是连接企业数据资产与业务应用的中间层，通过对指标、维度、业务逻辑等进行统一建模，将底层数据转化为业务可理解、AI 可调用的数据语义资产。报告判断，随着企业进入 AI 应用阶段，语义平台正从传统数据治理和 BI 支撑工具，演变为企业级 AI 应用落地的重要基础设施。
本体平台是用于构建、运行和治理企业业务本体的软件平台。平台将企业数据映射为业务对象、属性、关系和状态，并在同一体系中管理业务规则、函数、行动与权限，使本体能够支持业务查询、计算、决策和流程执行。报告为本体平台归纳了三个定义特征：其一，能够构建完整本体，支持规则、函数、行动和权限等业务运行要素；其二，能够连接数据与业务行动，将企业真实数据持续映射为本体对象，通过函数和行动连接业务流程及外部系统；其三，能够管理本体全生命周期，提供发布、版本、血缘、权限、监控和变更管理能力。在覆盖环节上，本体平台涵盖本体设计、数据连接、发布运行、监控维护、版本迭代和权限治理，保障本体及其承载的业务逻辑在生产环境中持续运行和演进。
《2026爱分析·Data+AI厂商全景报告》的厂商全景地图合计 45 个入选席位。
2.3 第三层：Data Agent 开发（3 个细分市场）
第三层解决的是「智能体怎么造出来、怎么管起来」的问题，包含智能体开发平台、LLMOps、知识工程 3 个细分市场。这一层把第二层沉淀的语义与知识资产，转化为可运行、可迭代、可治理的 AI 应用构件。
智能体开发平台是面向企业构建、部署和运营 AI Agent 的基础平台，通过提供模型接入、知识管理、工具调用、流程编排、智能体运行管理等能力，帮助企业快速开发面向业务场景的智能应用。报告判断，随着大模型从对话助手向业务执行型 Agent 演进，智能体开发平台正在成为企业规模化建设 AI 应用的重要基础设施。LLMOps 与知识工程则分别从模型运营侧和知识供给侧，为智能体的持续运行提供支撑。
《2026爱分析·Data+AI厂商全景报告》的厂商全景地图合计 45 个入选席位。
2.4 第四层：Data Agent 应用（5 个细分市场）
第四层解决的是「智能体在具体业务里干什么」的问题，包含通用 Data Agent、工业 Data Agent、金融 Data Agent、能源 Data Agent、决策智能平台 5 个细分市场。这一层直接面向业务价值，也是企业直观感知到投入产出的环节。
通用 Data Agent 是面向企业数据分析场景的智能体，通过自然语言交互理解用户意图，自动完成数据查询、分析、归因、可视化和决策辅助等任务。报告指出，相比传统 BI 工具，Data Agent 进一步降低了数据使用门槛，使企业员工能够通过对话方式直接获取数据洞察，并推动数据分析从人工操作走向智能化。
工业 Data Agent 是面向工业生产和运营场景的智能数据分析与决策助手，通过连接工业数据、业务知识和分析工具，帮助企业完成设备监控、故障诊断、生产优化、经营分析等任务。相比通用 Data Agent，工业 Data Agent 需要进一步理解工业领域的数据特征、业务流程和专业知识。金融 Data Agent 与能源 Data Agent 同属行业化 Data Agent，其分化逻辑与工业 Data Agent 一致，即在通用能力之上叠加行业数据特征与行业 Know-how。
决策智能平台是面向企业经营管理场景，通过融合数据、业务知识、分析模型和 AI Agent 能力，帮助企业实现智能分析、决策推演和业务行动闭环的平台。报告判断，随着企业 AI 应用从信息查询向业务决策演进，决策智能平台正在成为连接数据资产与经营管理的重要应用层。，《2026爱分析·Data+AI厂商全景报告》的厂商全景地图合计 48 个入选席位。
《2026爱分析·Data+AI厂商全景报告》的厂商全景地图全市场共 63 家入选厂商（查重），完整名单详见报告原文。
三、四层之间如何衔接
四层架构的衔接逻辑，可以用一条完整链路概括：第一层把各类数据存下来并供得出，第二层把数据翻译成业务和 AI 都能理解的语义与本体，第三层把语义与知识装配成可运行的智能体，第四层让智能体进入具体业务场景产生结果。这条链路是单向支撑但双向反馈的，上层应用暴露出的口径歧义、数据缺失与知识空白，会反向驱动下层的治理与建模持续迭代。
也正因为存在这种层间依赖，Data+AI 建设很难通过采购单一产品一次性完成。企业在任一层次上的短板，都会在上层应用环节被放大为准确性问题或落地阻力，这也是报告将 Data+AI 定义为「体系」而非「产品」的现实依据。
四、价值如何层层传导
价值从底层数据资产出发，经过业务语义构建这一关键环节，传导到 AI 应用，最终落到业务决策闭环。实践中常见的一个坑，是只盯某一层的单点工具，忽视了层与层之间的贯通——这恰恰决定了项目是 "能跑 Demo" 还是 "能进生产"。
本文整理自《2026爱分析·Data+AI厂商全景报告》公开研究内容，仅作技术交流，版权归原作者所有。
