AtScale 推出 AtScale for AI 语义层套件：HSBC 实测分析准确率从 65% 升至 99%

新闻原文

10 月 15 日，企业语义层厂商 AtScale 发布 AtScale for AI 套件，由 AI Computation Engine（ACE）驱动，把语义建模、问题澄清、受治理计算与答案评估串成闭环。

套件含四部分：CoModel 用 AI 创建与维护语义模型（改动需人工复核）；Ava（Ask, Verify, Answer）在计算前把自然语言问题解析到受治理指标，澄清营收究竟指预订、确认收入还是合同金额；ACE 应用治理后的定义做跨智能体、跨工具的一致计算；Canary 用 BIRD-Interact 框架对照验证答案并追踪回归。Ava 与 ACE 现已可用，CoModel 与 Canary 即将推出。

AtScale 引用 HSBC 案例：在其 Google Cloud 上 10TB 表部署语义层后，AI 驱动确定性分析准确率从 65% 提升到 99% 以上。Carrefour 也已有治理数千 KPI 的语义层。

AtScale 同期发布研究：在 BIRD-Interact 基准上，加入语义层使七个模型准确率平均翻倍（1.7x 至 2.4x），Claude Sonnet 5 从 46% 升至 93%；并支持通过 MCP 服务器向 Claude、ChatGPT、Gemini 等智能体提供认证指标。

企服观察

AtScale 这波发布戳中了企业 AI 最痛的点：模型再聪明，也算不出你公司里营收到底怎么定义。业务口径这种隐性知识，从不写在模型权重里，语义层正是把这套口径显式化、可计算化的那一层。

HSBC 从 65% 到 99% 的数字很能打，但它验证的不是模型变强，而是定义变清楚。一个几乎对的银行答案在金融场景里仍算错，确定性分析要的是可审计、可复现，而非概率性凑近，这恰恰是语义层的价值。

Ava 在计算前先做澄清，是设计上的克制。很多问答系统拿到问题就直接查库，结果不同人问营收得到不同数；Ava 先把意图对齐到受治理指标，等于给 AI 装了一道业务翻译官，避免各算各的。

对 CIO 而言，语义层最大的吸引力是模型无关。今天用 Claude、明天换 Gemini，底层业务定义不动，指标口径不漂移，企业不会被单个模型绑定，也省去每次换模型重做口径的苦工。

MCP 支持把语义层变成智能体的数据源，是顺应趋势的一步。当 Claude、ChatGPT、Gemini 都能通过统一 MCP 取认证指标，企业 AI 助手和仪表盘终于能说同一种业务语言，而不是各写各的 SQL。

但也别神话它。CoModel 与 Canary 还在路上，当前可用的是 Ava 与 ACE，完整闭环要等后续。企业若想立刻拿到全能力，得管理好预期，先用 Ava 加 ACE 解决最痛的口径一致性问题。

对数据团队，语义层是把脏活累活前置。过去分析师在文档、wiki、口头约定里维护口径，AI 一来就露馅；现在把口径落成模型与规则，AI 与人都读同一份事实，返工和扯皮会显著减少。

一个被低估的收益是合规。金融、零售等强监管行业，答案要可解释、可追溯，语义层让每个结果都能指回权威定义与计算逻辑，审计时不再靠人肉翻聊天记录，这正是大模型进生产系统的门票。

对企服厂商的启示很清楚：未来企业 AI 的竞争不在谁的模型大，而在谁能把客户的业务语义沉淀成可治理、可复用的资产。谁握有这层，谁就握有黏性。

风险在于语义层的维护成本。业务在变、口径在调，CoModel 虽用 AI 起草但仍要人工复核，说明这层不是一劳永逸，需要持续的治理资源，小团队未必养得起。

从行业看，AtScale 把语义层从 BI 工具里独立成 AI 时代的底座，和 dbt、Cube 等形成互补而非替代。它不碰数据搬运，只管定义与计算的一致性，这种做管道不做引擎的姿态，反而容易成为各方都愿接入的标准。

对国内企业，这套思路可直接迁移到财务、经营分析等强口径场景。很多公司 ERP 上了、BI 建了，但同一个指标十个报表十个数，语义层正是治疗这种数出多门的良方。

值得玩味的是 AtScale 的研究方法学。它坦白结果 Preliminary、用三次取最好对比一次，这种透明反而比一味报高数更可信，也给企业做选型时留了独立验证的余地。

从采购视角，这类语义层最容易被低估的价值是迁移自由。过去换 BI 工具或换模型，业务口径要重做一遍；现在口径沉淀在语义层，上层怎么换，底层一致，企业终于能把 AI 供应商当作可替换的零件而非绑定的主机。

对监管与审计机构，语义层提供了可解释性的抓手。每个 AI 答案都能指回权威定义与计算逻辑，审计不再靠翻聊天记录，这对金融、医药等强监管行业把 AI 写进正式流程是前提条件。

总体判断：AtScale for AI 不是又一个聊天工具，而是给企业 AI 补上最缺的语义地基。它把准确率的天花板从模型能力抬到业务治理，谁先把这层做扎实，谁就离可信 AI 最近。