文章核心观点 - 在人工智能热潮中，数据工程是AI规模化落地的关键瓶颈，公司专注于通过"NoETL"理念和构建数据语义层来解决数据供给与AI需求之间的根本性矛盾[1][4][5] 行业背景与问题诊断 - 2025年人工智能与大数据是行业焦点，但数据领域的"脏活累活"被忽视[1] - AI时代存在"数据悖论"：企业拥有海量数据且AI能力强大，但传统数据架构是为人类设计而非AI，导致"大模型不懂大数据"[5] - 数据需求呈指数级增长，但数据供给方式仍依赖ETL工程师手工劳作，需求增长百分之几百而人力无法同步跟上[4] - 大模型在企业环境中面临数据找不到、找到不敢用、口径不一致、权限复杂以及"幻觉"问题，可信是AI在企业中规模化的基线[5] 公司解决方案与技术路径 - 公司提出"NoETL"创新理念，旨在重构数据生产力，将传统依赖人力的ETL流程转变为由AI与算法驱动的自动化数据工程体系[4] - 采用NL2MQL2SQL技术路径，在自然语言与SQL之间加入"指标查询语言"层，作为企业数据的"罗塞塔石碑"以沉淀业务知识[6] - 构建以"数据语义层"为核心的三大引擎：语义引擎负责业务语义管理，物化加速引擎解决查询性能瓶颈，数据虚拟化引擎实现跨云跨域数据连接[6] - 目标是让企业的数据资产能无缝转变为AI资产，构建对AI友好的数据土壤[7] 实践案例与验证 - 麦当劳中国案例：近7000家门店和百亿级订单数据，通过"双引擎支持"与"智能租户隔离"技术验证NoETL架构在超大规模场景下的可行性[8][9] - 中交一公局案例：在高严谨场景下，公司Data Agent实现90%以上准确率，验证了AI落地的可靠性[9] - 两个案例分别代表超大规模下的工程能力与高严谨场景下的AI落地能力[9] 公司竞争优势与市场定位 - NoETL是对过去30年ETL体系的重构，原有体系中的公司有历史包袱难以快速转向[10] - 核心团队来自蚂蚁集团等公司，对大数据和AI结合有深刻理解，具备四年先发优势积累的技术和客户壁垒[10] - 与云厂商是合作大于竞争的关系，专注于数据语义编织，并积极构建合作伙伴生态[10] 未来展望与公司规划 - 能建设好AI友好数据土壤的企业未来3-5年将获得5-10倍的成长加速度[10] - "数字白领"普及的细分场景会涌现新型公司，商业模式可能从软件订阅转向按服务收费[10] - 公司重点方向是帮助企业"一键将数据资产转为AI资产"以及布局出海服务，正从"技术驱动"转向"技术+商业双驱动"[10][11]