AI Data AI 数据 AI 데이터
Pipelines, embeddings, vector stores, retrieval, labeling, and synthetic data.
Why AI demand reaches this layer · 需求为什么传导到这里 · 수요가 여기까지 오는 이유
A model without an organisation's own data answers generically. The path runs enterprise data → pipeline → embedding → vector store → retrieval → model, and most enterprise AI value is unlocked on that path rather than in the model itself.
没有企业自身数据的模型，只能给出通用答案。路径是：企业数据 → 数据管道 → 向量化 → 向量库 → 检索 → 模型。企业 AI 的大部分价值是在这条路径上释放的，而不是在模型本身。
조직 자체 데이터가 없는 모델은 일반 답만 한다. 경로는 기업 데이터 → 파이프라인 → 임베딩 → 벡터 저장 → 검색 → 모델이다. 기업 AI 가치의 대부분은 모델 자체가 아니라 그 경로에서 열린다.
Where the chokepoint sits · 瓶颈在哪 · 병목은 어디인가
Data readiness, not model capability, is usually what stalls an enterprise deployment.
卡住企业落地的通常是数据就绪度，而不是模型能力。
기업 배포를 멈추는 것은 보통 모델 능력이 아니라 데이터 준비 상태다.
A structural observation about supplier concentration and lead times — not a view on any security. 这是关于供应商集中度与交期的结构性观察，不是对任何标的的看法. 공급사 집중도와 납기에 대한 구조 관찰이지, 어떤 증권에 대한 의견이 아닙니다.
Companies in this layer · 本层级的公司 · 이 레이어의 기업
This layer is left empty on purpose. Assigning a company to it would be our opinion rather than a statement about the company's primary business, and we would rather publish nothing than publish a classification we cannot defend as fact.
这一层是有意留空的。把一家公司归入这一层，将是我们的观点，而不是对该公司主营业务的陈述；与其发布一个无法作为事实来辩护的归类，我们宁可不发布。
이 레이어는 일부러 비워 둡니다. 회사를 여기 넣는 것은 주력 사업에 대한 서술이 아니라 저희 의견이 되고, 사실로 방어할 수 없는 분류는 내지 않는 편이 낫습니다.
Same track · 同一赛道
Descriptive positioning only. `stance` says whether a company's business is exposed to a layer, never whether to buy it. Layers with no exposure are not recommendations to add any.