Satu Kosakata, Dua Audiens: Mengapa AI dan Dasbor Anda Harus Berbagi Lapisan Semantik

number yang berarti tiga hal berbeda

Tanyakan kepada tiga tim di perusahaan yang sama tentang "anggota aktif kuartal ini" dan Anda akan sering mendapatkan tiga angka. Pemasaran menghitung siapa pun yang membuka email. Tim loyalitas menghitung anggota yang melakukan pembelian. Keuangan menghitung anggota yang menukarkan nilai. Tidak satu pun dari mereka yang berbohong. Mereka bekerja dari definisi yang berbeda, dikodekan dalam SQL yang berbeda, hidup di alat yang berbeda. Kata itu sama; maknanya tidak.

Ini adalah masalah yang dapat ditoleransi ketika manusia adalah satu-satunya konsumen angka-angka tersebut. Seorang analis berpengalaman tahu untuk menanyakan definisi mana yang Anda maksud, dan catatan kaki pada slide menutupi sisanya. Tetapi begitu Anda mengarahkan agen AI ke data yang sama, catatan kaki tersebut menghilang dan ambiguitas menjadi beban. Agen tidak tahu bahwa "aktif" sedang diperdebatkan. Ia akan memilih definisi — atau lebih buruk lagi, mengarangnya — dan menyajikan hasilnya dengan keyakinan yang sama seperti saat menyajikan hal lainnya.

Alat adalah kata kerja; lapisan semantik adalah kosakata

Saat Anda memberi agen alat, Anda memberinya kata kerja: kueri, ringkas, bandingkan, ramalkan. Protokol Konteks Model Anthropic memformalkan hal ini — sebuah alat adalah kemampuan bertipe dan bernama yang dapat dipanggil oleh model. Kerangka kerja itu benar dan bermanfaat. Tetapi kata kerja tanpa kosakata bersama di baliknya adalah izin untuk berimprovisasi. "Beri tahu saya pendapatan" hanya aman jika "pendapatan" mengarah pada satu definisi bersertifikat, definisi yang sama yang dilihat manusia di dasbor, dihitung dengan cara yang sama setiap saat.

Ini adalah argumen inti: lapisan semantik metrik bersertifikat adalah kosakata bersama yang menjaga kejujuran kata kerja agen. Alat memungkinkan agen untuk bertindak. Lapisan semantik adalah apa yang diizinkan untuk diartikan oleh tindakan tersebut. Pisahkan keduanya dan Anda akan mendapatkan agen yang dapat menjalankan kueri tetapi tidak dapat dipercaya untuk menafsirkannya. Satukan keduanya dan agen akan mewarisi, secara gratis, setiap definisi yang telah diperjuangkan oleh analis Anda untuk disepakati.

Disiplin yang berikut ini mudah untuk dinyatakan dan sulit untuk dipalsukan: satu kosakata, dua audiens. Orang-orang mengonsumsinya melalui dasbor dan pertanyaan ad-hoc. Agen mengonsumsinya melalui alat MCP dan copilot. Keduanya membaca dari lapisan bersertifikat yang sama, sehingga number memiliki arti yang sama baik yang diminta oleh manusia maupun agen.

Mode kegagalan ketika tidak ada lapisan bersama

Lewati lapisan semantik dan tiga kegagalan muncul bersamaan. Pertama, AI berhalusinasi terhadap angka-angka — bukan karena modelnya rusak, namun karena Anda memintanya untuk mempertimbangkan tabel mentah yang tidak memiliki definisi kanonik tentang apa pun, sehingga AI mengisi kekosongan tersebut dengan tebakan yang masuk akal. Kedua, definisi KPI melayang: setiap tim, alat, dan buku catatan mengimplementasikan ulang "churn" atau "AOV" dengan sedikit berbeda, dan divergensi bertambah secara diam-diam. Ketiga, “analisis layanan mandiri” menghasilkan angka-angka yang bertentangan, dan organisasi diam-diam berhenti mempercayai semuanya.

Riset Deloitte "State of AI in the Enterprise" secara konsisten menemukan bahwa kepercayaan dan tata kelola—bukan kemampuan model mentah—adalah faktor penghambat bagi perusahaan untuk meningkatkan skala AI dari tahap uji coba ke produksi. Hal itu berkaitan langsung dengan masalah analitik. Penghambatnya jarang terletak pada apakah model tersebut dapat menulis SQL. Yang menjadi masalah adalah apakah ada orang yang cukup mempercayai jawabannya untuk bertindak berdasarkan jawaban tersebut, dan apakah mereka dapat menjelaskan, kemudian, dari mana number berasal.

Definisi bersertifikat, dan riwayat versi di baliknya

Metrik bersertifikat adalah definisi yang telah ditinjau dan disetujui oleh pemilik sebagai satu-satunya sumber kebenaran. "Anggota aktif" bukanlah apa pun yang dihitung oleh kueri saat ini — itu adalah object yang diberi nama dan diatur dengan logika eksplisit, pemilik, dan status. Ketika pemasaran, loyalitas, dan keuangan tidak sepakat, mereka tidak lagi berdebat dalam SQL. Mereka berdebat sekali, secara terbuka, tentang definisinya. Kemudian disertifikasi, dan semua orang — setiap manusia dan setiap agen — mewarisi jawaban yang sama.

Pembuatan versi adalah yang membuatnya tahan lama. Definisi berkembang: kalender fiskal berubah, segmen disempurnakan, sumber data dikoreksi. Tanpa pembuatan versi, redefinisi diam-diam menulis ulang sejarah dan papan kuartal terakhir number tidak lagi direproduksi. Dengan itu, setiap metrik membawa silsilahnya, sehingga Anda dapat menjawab pertanyaan yang sebenarnya diajukan oleh auditor dan CFO — bukan hanya "apa itu number" tetapi "apa itu number, di bawah definisi mana, pada tanggal kami melaporkannya."

Satu titik masuk kueri, dengan cakupan penyewa diberlakukan di luarnya

Definisi hanya dapat dipercaya sejauh jalur yang mengeksekusinya. Dalam arsitektur kami, setiap metrik — baik yang diminta oleh dasbor atau alat agen — diselesaikan melalui satu titik masuk kueri. Tidak ada jalur kedua yang lebih longgar untuk AI. Copilot dan grafik di layar menjalankan logika bersertifikat yang identik, yang merupakan alasan mekanis mengapa angka mereka tidak dapat berbeda.

Isolasi penyewa diberlakukan di luar kueri, bukan di dalamnya. Pemanggil tidak pernah menyediakan, dan tidak dapat memengaruhi, data penyewa mana yang dilihatnya; Pembatasan cakupan diterapkan oleh lapisan eksekusi dari konteks terautentikasi. Ini sangat penting bagi agen, yang menyusun input dengan cara yang tidak Anda skripkan. Jika isolasi berada di dalam kueri string yang model bantu susun, sebuah perintah yang cerdas dapat mengganggunya. Karena pembatasan cakupan berada di luar kueri, tidak ada perintah — baik yang bersifat antagonis maupun tidak disengaja — yang dapat melintasi batas penyewa. Hasilnya adalah jawaban yang dapat direproduksi, terisolasi oleh penyewa, dan dapat diaudit berdasarkan konstruksi.

Tampilan baca-saja berbasis pemberian izin: keamanan yang tidak dapat diatasi oleh model

Pola paling berbahaya dalam AI perusahaan saat ini adalah memasang chatbot langsung ke tabel mentah. Ini terlihat bagus saat didemonstrasikan tetapi gagal tepat di tempat yang tidak mampu Anda tanggung. Dengan akses tabel, agen dapat menggabungkan data yang seharusnya tidak pernah digabungkan, menampilkan kolom yang seharusnya tidak pernah meninggalkan sistem sumber, dan menghitung metrik dengan tiga cara yang tampak valid tetapi semuanya tidak sesuai. Anda mempercayai sistem probabilistik untuk menghormati batasan yang hanya ada sebagai konvensi.

Alternatifnya adalah menegakkan batasan di dalam basis data, di bawah model. Kami mengekspos lapisan bersertifikat melalui tampilan baca-saja berbasis izin. Kredensial AI dapat membaca tampilan aman yang diizinkan tersebut dan tidak ada yang lain — tidak ada tabel mentah, tidak ada jalur penulisan, tidak ada kolom di luar permukaan bersertifikat. Model tidak pernah melihat batasan yang mungkin tergoda untuk dilanggar, karena batasannya adalah izin basis data, bukan paragraf instruksi dalam perintah sistem. Inilah jenis kontrol teknis eksplisit yang didorong oleh kerangka kerja seperti NIST AI RMF 1.0: mengatur dan memetakan akses aktual dan aliran data sistem AI Anda daripada mempercayai model untuk berperilaku.

Menghubungkan agen ke permukaan ini adalah masalah pengkabelan, bukan pembangunan ulang. Lapisan bersertifikat yang sama yang mendukung dasbor manusia diekspos ke agen melalui alat MCP dan SoCode, sehingga agen bernalar atas metrik bersertifikat dan tidak pernah atas tabel mentah. AI tidak dapat menciptakan angka, karena AI sama sekali tidak menghasilkan angka — AI meminta lapisan tersebut, dan lapisan tersebut mengembalikan number yang bersertifikat.

Mengapa lapisan bersama membuat pembuatan konten tanpa kode menjadi aman

Layanan mandiri terdengar seperti risiko tata kelola: berikan pembuat metrik kepada pengguna bisnis dan mereka pasti akan membuat definisi yang saling bertentangan dengan cara lain. Kebalikannya adalah true, asalkan pembuatnya berada di atas lapisan yang tersertifikasi. Pembuatan metrik tanpa kode dan terstruktur memungkinkan pengguna untuk menyusun metrik baru di atas tampilan aman yang diizinkan — memilih dimensi, filter, dan agregasi yang tersertifikasi — tanpa menulis SQL mentah dan tanpa pernah menyentuh tabel dasar.

Karena setiap metrik yang dibuat disusun dari blok bangunan yang sudah diatur, properti keamanannya diwariskan daripada diperdebatkan ulang. Metrik baru bersifat lingkup penyewa, dapat direproduksi, dan dapat diaudit karena alasan yang sama dengan metrik yang telah disertifikasi: metrik tersebut berjalan melalui titik masuk yang sama, melalui tampilan yang sama, di bawah izin yang sama. Tata kelola berhenti menjadi gerbang yang memperlambat orang dan menjadi fondasi yang memungkinkan lebih banyak orang membangun dengan aman. Itulah satu-satunya versi layanan mandiri yang dapat diskalakan tanpa memecah-mecah definisi Anda lagi.

Apa yang seharusnya menjadi tanggung jawab CDO

Jika Anda seorang CDO yang membangun lapisan analitik AI, tahan keinginan untuk memulai dengan chatbot. Chatbot adalah 20% yang mudah dan berbahaya. Mulailah dengan kosakata. Sertifikasi metrik utama Anda — definisikan, tetapkan pemilik, dan beri versi. Tempatkan metrik tersebut di balik satu titik masuk kueri yang memberlakukan cakupan penyewa secara eksternal. Paparkan metrik tersebut melalui tampilan baca-saja berbasis pemberian izin. Baru kemudian hubungkan agen, melalui alat bergaya MCP, ke permukaan yang diatur tersebut. Jika dilakukan dengan urutan tersebut, AI dapat dipercaya sejak hari pertama karena tidak ada yang dapat dikhawatirkan oleh AI.

Ini bukan latihan teoretis. Merek yang menutup siklus retensi dengan AI adalah merek yang agen dan dasbornya sudah berbicara dalam bahasa yang sama — McDonald's China, bekerja sama dengan SocialHub.AI, meningkatkan pangsa GMV dari anggota dari 5% menjadi 85%. Hasil pada skala tersebut hanya dapat dipercaya ketika angka-angka di bawahnya tersertifikasi, dapat direproduksi, dan sama untuk manusia yang meninjau dasbor dan agen yang bertindak berdasarkan dasbor tersebut.

Intinya adalah: alat adalah kata kerja, lapisan semantik adalah kosakata, dan Anda membutuhkan satu kosakata untuk dua audiens sehingga number memiliki arti yang sama baik yang ditanyakan oleh seseorang maupun agen. Jika Anda sedang membangun lapisan analitik AI dan ingin melihat seperti apa metrik yang tersertifikasi, terisolasi penyewa, dan dapat diaudit yang mendukung dasbor dan agen dari sumber kebenaran yang sama, pesan demo dan kami akan memandu tim Anda melalui definisi Anda sendiri.