麦肯锡下场，给企业AI补上关系课

企业AI落地两年多，最大的瓶颈终于被说破了：不是模型不够强，是数据没长脑子。

麦肯锡最近做了一件耐人寻味的事——把企业数据通过知识图谱连接起来，为AI应用提供决策所需的业务关系上下文。SiliconANGLE 的报道标题写得很直白：McKinsey connects enterprise data through a knowledge graph for AI。这不是一篇论文，也不是一个概念演示，而是全球最贵的咨询公司，亲自下场给企业数据补课。

这个动作的信号意义大于技术本身。当'卖方法论的'开始亲手搭图，说明知识图谱这条路，已经从学术叙事变成了交付刚需。这篇文章，我想从一个亲手搭过数仓和实时管道的架构师视角，把这件事拆开讲清楚：为什么是现在，为什么是图谱，以及落地到底有多难。

🧩 RAG吊起来的AI，正在撞上‘没有上下文’的墙

先讲一个所有做过企业AI项目的人都熟悉的场景。

某家制造企业上了大模型问答，技术团队信心满满：文档全进向量库，用户提问，检索、生成，一气呵成。上线第一周，业务方提了一个问题：‘我们华东区的核心供应商里，哪些同时服务过竞争对手的同类产线？’

系统沉默了。向量库里躺着几万份文档，但‘供应商’、‘客户’、‘区域’、‘竞对’之间的关系，从来不以文本形式存在——它们散落在CRM、ERP、采购系统里，以表格、外键、审批流的形式存在。模型知道每份文档说了什么，但不知道这些事物之间是什么关系。

这正是麦肯锡这次动作指向的核心问题。按照报道的表述：知识图谱能给企业AI应用提供上下文，方式是把数据与支撑决策所需的业务关系连接起来。注意措辞——不是'更多数据'，是‘关系’。

很多企业这两年犯的一个系统性错误，是把'AI就绪’等同于'文档数字化’。他们花大价钱做数据清洗、切分、向量化，结果发现大模型还是像个失忆的实习生：背下了所有培训材料，却不知道公司是怎么运转的。相当一部分所谓'AI战略项目'在POC验收后就被搁置，原因高度一致——模型回答‘看起来对，用不上’。

用工程的语言说：向量检索解决的是相似性问题，而企业决策的绝大多数问题，是关系问题。谁供货给谁、谁审批什么、哪个客户和哪个项目有依赖——这些是图结构，不是语义词。用余弦相似度去查关系，就像用搜索引擎找你的通讯录：技术上能跑，逻辑上不对。

麦肯锡作为每天泡在客户决策现场的组织，比技术社区更早看清了这一点。所以他们的方案不是‘再喂模型更多文档’，而是先在数据之上织一张关系网。

🕸️ 知识图谱不是新故事，为什么偏偏现在翻红

另一个必须先戳破的错觉：知识图谱不是什么新东西。

十几年间，图谱有过几轮起落。上一波热潮里，它更多服务于搜索推荐和风控反欺诈这类窄场景，企业级图谱项目常被诟病‘建图成本高、维护跟不上、业务价值说不清’。不少中台时代的图谱尝试，最后变成了 IT 部门自嗨的元数据艺术品。

那为什么现在翻红？三个变量同时变了。

第一，需求端被大模型彻底点燃。大模型让‘用自然语言问企业数据’成为普适需求，而这一需求把上下文缺失的问题暴露得前所未有地充分。检索增强生成（RAG）成为标配之后，业界很快发现纯向量 RAG 的天花板——多跳推理、跨系统关联、需要业务规则参与的问题，向量基本无解。

第二，供给端的建图成本在下降。过去建图谱最贵的是本体设计和实体抽取，全靠人工专家。如今大模型本身成了最好的信息抽取器——用模型抽实体、抽关系，再由人来校验，建图的人工成本曲线被实质性压低。用AI建图、喂给AI用，这个闭环第一次在经济上成立。

第三，背书方的分量变了。麦肯锡入场意味着什么？意味着知识图谱第一次被写进'管理层听得懂’的价值叙事。技术社区喊了十年‘图谱是AI的记忆’，不如咨询公司一句‘图谱支撑决策’。这不是技术判断，是采购链路判断——企业AI预算的签字权在业务高管手里，而麦肯锡恰好是他们的默认信息源。

报道里还有一句容易被忽略的话：很多人其实每天都在使用图谱，只是自己不知道。搜索引擎的知识卡片、社交平台的推荐、风控系统的关联账户识别——图谱早已无处不在，缺的从来不是技术验证，而是企业侧的规模化通路。现在，这条通路有了推土机。

🔌 向量还是图谱？先别急着二选一

聊到这里，必然有人要问：向量数据库和知识图谱，到底谁取代谁？

我的判断很明确：这是伪命题，两者是拼图的两半。用一张表说清楚：

看最后一行就明白了：两者恰好互补于对方的失效区。所以这两年业界真正在收敛的方向，不是替代，而是融合——GraphRAG：向量负责'广撒网’找到相关语料，图谱负责'精定位’沿关系链组织上下文，两者喂给同一个模型。这套打法目前已接近公开共识，这里不展开，只讲两个真正容易被低估的工程细节。

一是审计留痕。向量检索返回的是一堆相似片段，业务方没法验证'为什么这么答’；图谱返回的是一条显式关系路径——某供应商→某项目→某审批记录，每一步都可追溯。在企业环境里，'可解释’不是加分项，是准入项。金融、医疗、制造这些行业，AI给出的任何结论都要能回答‘依据是什么’。图谱在这里提供的，本质上是一种数据级的问责机制。

二是语义层的物理载体。麦肯锡方案的核心价值主张也在这里：图谱连接的不是数据本身，而是'AI应用所需的含义（meaning）'。翻译成架构语言就是：图谱是企业语义层的物理载体。数仓时代我们做主题域、做指标口径，本质上就是在做语义层，只是当年的消费者是BI报表；今天的消费者变成了Agent和Copilot，语义层的组织形式从星型模型升级成了属性图。

💼 咨询公司下场，生态牌桌重新洗牌

麦肯锡为什么亲自做，而不是给客户写份‘图谱建设白皮书’了事？

因为这背后是一场卡位战。AI落地市场正在分化成三层：模型层卷价格、工具层卷功能、而交付层——真正把客户数据变成AI可用资产的环节——长期是空档。云厂商想下沉，模型厂商想上探，但企业内部那些脏、乱、散的数据，谁来动手整理？

从这次公开的信息看，麦肯锡的打法有几个值得注意的细节。其一，它做的不是标准化产品，而是把图谱嵌进客户的交付服务里——图不是卖给IT部门的一套软件，而是咨询项目交付物的组成部分，沉淀在客户数据环境里。其二，建图路径上用大模型辅助本体设计与实体关系抽取、由行业专家做校验和定义，这正是麦肯锡'AI建图 + 人类定义标准'的方法论卖点。其三，从报道的关联信息看，Neo4j这类原生图平台是这套打法中的技术底座，麦肯锡补的是业务建模与治理方法论，引擎交给原生图平台——‘咨询定方法论 + 原生图平台做引擎'，打的是企业AI交付层的生态位。其四，也是最容易被低估的一点：麦肯锡手里有大量行业基准、KPI口径和流程知识，这些可以直接作为本体设计的起点——别的玩家可以从技术上追平，但这部分行业知识资产的迁移成本极高。

咨询公司下场的商业逻辑也在于此：客户越来越不愿为纯'战略咨询’买单，要的是‘建成之后模型能答对题’的结果承诺。这倒逼咨询公司从卖 PPT 转向卖管道——而图谱，恰好是管道里价值密度最高的一段，因为它沉淀下来的是客户的业务知识资产，做完就长在客户数据上，替换成本极高。

对国产图数据库和湖仓厂商来说，这同样是明确的窗口信号。中国企业在数据治理和主数据管理上历史欠账较重，恰恰意味着‘先补关系、再上模型’的路径有大量空白市场。图技术本身没有国界，但建图的过程深度绑定业务语言——这是本土厂商的主场优势。

⚠️ 先泼盆冷水：图谱落地的三道坎

作为一个被‘上一代图谱项目’毒打过的架构师，必须说说冷的一面。麦肯锡的入局降低了认知门槛，但降低不了工程门槛。

第一道坎：本体设计的业务成本没有消失。大模型能抽实体、抽关系，但'供应商’在你公司和在客户公司是两个概念，'有效客户’的定义可能每个事业部都不一样。模型负责抽，人负责定标准——定义权之争是企业政治问题，不是技术问题。这一步省不掉，只能靠咨询方法论硬啃，这也正是麦肯锡这类玩家的真正护城河。

第二道坎：图谱是有生命的，维护成本是持续负债。建一张图不难，难的是它跟着业务变化更新。组织调整了、供应商换了、审批流重构了——图不同步，AI的答案就开始腐烂，而且是以'一本正经地胡说’的方式腐烂。企业必须回答：谁对图谱的准确性负责？数据血缘怎么追？更新节奏跟谁的业务节奏对齐？做过数据治理与安全的老兵都懂：图不是建完交付，而是要持续养护的。项目立项时如果没把运维预算和责任主体写进合同，这张图大概率活不过第一次组织架构调整。

第三道坎：别把图谱当救命稻草。图谱放大的是数据资产的价值，放大不了不存在的价值。数据质量稀烂、主数据都没有的企业，先建图谱等于在流沙上浇筑。我的建议始终是：先把数仓和主数据的地基打牢，图谱作为语义层叠加其上——顺序错了，全盘返工。

还有一个更现实的提醒：GraphRAG 的查询延迟和成本显著高于纯向量方案，多跳查询在生产环境的性能调优是真功夫。演示里丝滑的多跳推理，上了真实并发就可能变成客服投诉。架构选型不追概念，追的是单位成本的可用性。

写在最后

一句话总结全文：企业AI的下一程，拼的不是模型参数，是上下文的质量；而上下文质量的天花板，由企业数据之间的关系决定；知识图谱是给关系建模的最短路径，但它放大的只是你已有的数据资产，替代不了数据治理的地基。

麦肯锡这次动作的最大价值，是把'知识图谱’从技术圈的内部话题，推到了管理层的采购议程上。当最懂企业决策的人开始亲手连数据，说明AI落地进入了深水区——从'让模型会说话’，转向‘让数据有关系'。

接下来一年值得盯三件事：一是 GraphRAG 在生产环境的规模化案例是否批量出现；二是图数据库厂商与云、模型厂商的绑定深度；三是咨询交付层会不会出现‘图谱方法论’的标准合同范式。如果这三件事都发生了，企业数据的语义层时代，就真的来了。