上下文图谱：AI 的万亿美元机遇

本文译自 AI’s trillion-dollar opportunity: Context graphs。这篇来自 Foundation Capital 的深度文章深入探讨了 AI 时代下一个万亿美元的机遇——上下文图谱。文章指出，真正的价值不在于现有数据，而在于捕捉决策轨迹，这将成为企业自治的真正真理来源。可以和 上下文图谱：为 AI 智能体时代构建生产世界模型 结合起来阅读。

上下文图谱：AI 的万亿美元机遇

上一代企业软件通过成为系统记录创造了一个万亿美元的生态系统。Salesforce 用于客户，Workday 用于员工，SAP 用于运营。拥有权威数据，就拥有工作流，就拥有锁定。

现在的争论是这些系统是否能在向智能体的转变中存活下来。Jamin Ball 最近的文章《系统记录已死，系统记录万岁》触动了神经。他反驳了”智能体杀死一切”的叙事，认为智能体不会取代系统记录，而是提高了对优秀系统记录的标准。

我们同意这一点。智能体是跨系统且行动导向的。工作的用户体验正在与底层数据平面分离。智能体成为界面，但在底层仍然必须有某种权威的东西。

我们更进一步的是：Ball 的框架假设智能体需要的数据已经存在于某个地方，而智能体只需要更好地访问它，加上更好的治理、语义契约以及关于哪个定义在哪个目的上胜出的明确规则。

这只是图景的一半。另一半是实际运营企业的缺失层：决策轨迹——例外情况、推翻、先例以及目前存在于 Slack 线程、交易谈判对话、升级电话和人们头脑中的跨系统上下文。

这就是重要的区别：

规则告诉智能体_一般情况下应该发生什么_（“使用官方 ARR 进行报告”）

决策轨迹捕捉_在这个特定案例中发生了什么_（“我们使用了 X 定义，在 v3.2 政策下，有副总裁例外，基于先例 Z，这是我们更改的内容”）。

智能体不只是需要规则。它们需要访问决策轨迹，这些轨迹展示了过去规则是如何应用的、例外情况在哪里被授予、冲突是如何解决的、谁批准了什么，以及哪些先例实际上支配着现实。

这就是智能体系统初创公司具有结构性优势的地方。它们处于执行路径中。它们在决策时看到完整上下文：跨系统收集了哪些输入、评估了哪些政策、调用了哪些例外路由、谁批准了、以及写入了什么状态。如果你持久化这些轨迹，你会得到当今大多数企业中不存在的东西：决策是如何做出的可查询记录。

我们将这些轨迹形成的累积结构称为上下文图谱：不是”模型的思维链”，而是跨实体和时间缝合在一起的决策轨迹的活记录，以便先例变得可搜索。随着时间的推移，该上下文图谱成为自治的真正真理来源——因为它不仅解释了_发生了什么_，还解释了_为什么允许发生_。

核心问题不是现有系统记录是否存活。而是是否会出现全新的系统记录——用于决策的系统记录，而不仅仅是对象——以及这些是否会成为下一个万亿美元平台。

系统记录没有捕捉到的东西

智能体正在进入真实工作流——合同审查、报价到现金流、支持解决——而团队正在撞上仅靠治理无法解决的墙。

这堵墙不是缺失的数据。它是缺失的决策轨迹。智能体遇到了人类每天用判断和组织记忆解决的同样歧义。但是这些判断的输入并没有作为持久工件存储。具体来说：

• 存在于人们头脑中的例外逻辑。“我们总是给医疗保健公司额外 10%，因为他们的采购周期太残酷了。“这不在 CRM 中。这是通过入职培训和私下对话传递的部落知识。
• 过去决策的先例。“我们上季度为 X 公司构建了类似的交易——我们应该保持一致。“没有系统将这两笔交易联系起来或记录为什么选择该结构。
• **跨系统综合。**支持主管在 Salesforce 中检查客户的 ARR，在 Zendesk 中看到两个未解决的升级，阅读标记流失风险的 Slack 线程，然后决定升级。这种综合发生在他们的头脑中。工单只说”升级到第 3 层”。
• **在系统外发生的审批链。**副总裁在 Zoom 电话或 Slack DM 中批准折扣。机会记录显示最终价格。它没有显示谁批准了偏差或为什么。

这就是”从未捕捉”的含义。不是数据是脏的或孤立的，而是将数据与行动联系起来的推理从一开始就从未被视为数据。

上下文图谱是持久层

当年初创公司检测智能体编排层以在每次运行时发出决策轨迹时，它们会得到当今企业几乎从未拥有的东西：上下文如何变成行动的结构化、可重放历史。

_这在实践中是什么样子的？_续约智能体提议 20% 的折扣。政策将续约上限设定为 10%，除非批准服务影响例外。智能体从 PagerDuty 提取三个 SEV-1 事件、Zendesk 中未解决的”除非修复否则取消”升级，以及上季度副总裁批准类似例外的先前续约线程。它将例外路由给财务。财务批准。CRM 最终得到一个事实：“20% 折扣”。

一旦你有了决策记录，“为什么”就变成了一流数据。随着时间的推移，这些记录自然形成一个上下文图谱：企业已经关心的实体（账户、续约、工单、事件、政策、批准者、智能体运行）通过决策事件（重要时刻）和”为什么”链接连接起来。公司现在可以审计和调试自治，并将例外变成先例，而不是每季度在 Slack 中重新学习相同的边缘案例。

**反馈循环使这变得复合。**捕捉到的决策轨迹变成可搜索的先例。而每个自动化决策都会向图中添加另一条轨迹。

这一切都不需要第一天就完全自治。它从人类在环中开始：智能体提议、收集上下文、路由批准并记录轨迹。随着时间的推移，随着类似案例重复，更多路径可以自动化，因为系统具有先前决策和例外的结构化库。即使当人类仍然做出决定时，图也会继续增长，因为工作流层将输入、批准和理由捕获为持久先例，而不是让它们在 Slack 中消亡。

为什么现有企业无法构建上下文图谱

Ball 乐观地认为现有参与者会演变成这种架构。数据仓库变成”真理注册表”，而 CRM 变成”带有 API 的状态机”。他的叙事是演进，而不是替换。

这可能适用于使现有数据更易于访问。但它不适用于捕捉决策轨迹。

运营现有企业是孤立的，并且优先考虑当前状态。

Salesforce 正在推动 Agentforce，ServiceNow 有 Now Assist，Workday 正在为 HR 构建智能体。他们的说辞是”我们拥有数据，现在我们添加智能”。

但这些智能体继承了其母公司的架构限制。Salesforce 建立在当前状态存储之上：它知道机会现在是什么样子，而不是决策时的样子。当折扣被批准时，证明它合理的上下文没有被保存。你无法重放决策时的世界状态，这意味着你无法审计决策、从中学习或将其用作先例。

它们还继承了其母公司的盲点。支持升级不仅仅存在于 Zendesk 中。它取决于 CRM 中的客户层级、计费中的 SLA 条款、PagerDuty 中的近期中断以及标记流失风险的 Slack 线程。没有现有企业看到这一点，因为没有现有企业处于跨系统路径中。

数据仓库参与者有不同的问题：他们处于读取路径中，而不是写入路径中。

Ball 将 Snowflake 和 Databricks 定位为”真理注册表”层。两者都在倾斜——Snowflake 推动 Cortex 并收购 Streamlit，Databricks 收购 Neon 并推出 Lakebase 和 AgentBricks。说辞是：数据平台取代系统记录并成为 AI 智能体的基础。

数据仓库确实有基于时间的视图。你可以查询历史快照、跟踪指标如何变化以及跨期间比较状态。但是数据仓库在决策做出后通过 ETL 接收数据。当数据到达 Snowflake 时，决策上下文已经消失了。

一个只在事后看到读取的系统不能成为决策血缘的系统记录。它可以告诉你发生了什么，但不能告诉你为什么。

Databricks 在将这些部分组合在一起方面走得更远。但靠近智能体构建的地方与处于决策发生的执行路径中是不一样的。

智能体系统初创公司具有结构性优势：它们处于编排路径中。

当智能体对升级进行分类、响应事件或决定折扣时，它从多个系统提取上下文、评估规则、解决冲突并采取行动。编排层看到完整图景：收集了哪些输入、应用了哪些政策、授予了哪些例外以及原因。因为它正在执行工作流，所以它可以在决策时捕获该上下文——不是事后通过 ETL，而是在当下，作为一流记录。

这就是上下文图谱，这将成为 AI 时代公司最有价值的单一资产。

**现有企业会反击。**他们会尝试收购以拼接编排能力。他们会锁定 API 并采用出口费使数据提取变得昂贵——超大规模企业使用的同样策略。他们会构建自己的智能体框架并推动”将所有内容保留在我们的生态系统中”的叙事。

但捕捉决策轨迹需要在提交时处于执行路径中，而不是事后拼接治理。现有企业可以使提取变得更难，但它们无法将自己插入它们从未成为一部分的编排层。

初创公司的三条路径

智能体系统初创公司将采取不同的路径，每条路径都有自己的权衡。

**一些公司将从第一天开始替换现有系统记录。**围绕智能体执行重建的 CRM 或 ERP，具有架构原生的事件溯源状态和策略捕获。这很难，因为现有企业根深蒂固，但在转型时刻变得可行。

在众多追求 AI SDR 类别的初创公司中，Regie 选择构建 AI 原生销售参与平台来替换像 Outreach/Salesloft 这样的遗留平台，这些平台是为人类在碎片化工具链中执行序列而设计的。Regie 为混合团队设计，其中智能体是一流参与者：它可以 prospect、生成外展、运行跟进、处理路由并升级给人类。

**一些公司将替换模块而不是整个系统。**这些初创公司瞄准例外和批准集中的特定子工作流，然后成为这些决策的系统记录，同时将最终状态同步回现有企业。

Maximor 在财务中正在这样做：自动化现金、结账管理和核心会计工作流，而不需要移除 GL。ERP 仍然是分类账，但 Maximor 成为对账逻辑所在的真理来源。

**一些公司将创建全新的系统记录。**这些初创公司从编排层开始，但它们持久化企业从未系统存储的东西：决策轨迹。随着时间的推移，该可重放血缘成为权威工件。智能体层不再”只是自动化”，而是成为企业去回答”我们为什么那样做？“的地方。

PlayerZero 是这种模式的典范。生产工程处于 SRE、支持、QA 和开发的交叉点：经典的”胶水功能”，其中人类承载软件没有捕获的上下文。PlayerZero 从自动化 L2/L3 支持开始，但真正的资产是它构建的上下文图谱：代码、配置、基础设施和客户行为在现实中如何交互的活模型。该图成为”为什么会中断？“和”这个更改会破坏生产吗？“的真理来源：没有现有系统可以回答的问题。

**随着初创公司追求这些路径，智能体的可观测性将成为关键基础设施。**随着决策轨迹累积和上下文图谱增长，企业将需要大规模监控、调试和评估智能体行为。

Arize 正在为这个新堆栈构建可观测性层——让团队可见智能体如何推理、它们在哪里失败以及它们的决策如何随时间表现。就像 Datadog 成为监控应用程序的关键基础设施一样，Arize 定位成为监控和提高智能体决策质量的关键基础设施。

创始人的关键信号

在哪里构建的信号重叠，但它们并不相同。

两个信号适用于所有三个机会：

**高员工人数。**如果一家公司有 50 人手动执行工作流（路由工单、分类请求或协调系统之间的数据），这是一个信号。劳动力存在是因为决策逻辑太复杂，无法用传统工具自动化。

**例外密集的决策。**常规的确定性工作流不需要决策血缘：智能体只是执行。有趣的表面是逻辑复杂、先例重要以及”看情况”是诚实答案的地方。想想交易谈判、承保、合规审查和升级管理等用例。

一个信号专门指向新系统记录机会：

**存在于系统交叉点的组织。**RevOps 的存在是因为有人必须协调销售、财务、营销和客户成功。DevOps 的存在是因为有人必须弥合开发、IT 和支持之间的差距。安全运营处于 IT、工程和合规之间。

这些”胶水”功能是一个信号。它们正是因为没有单个系统记录拥有跨职能工作流而出现。组织结构图创建了一个角色来承载软件没有捕获的上下文。

自动化该角色的智能体不只是更快地运行步骤。它可以持久化该角色被创建来产生的决策、例外和先例。这就是通往新系统记录的路径：不是通过移除现有企业，而是通过捕获只有当智能体处于工作流中时才变得可见的一类真理。

重新想象的系统记录

问题不是系统记录是否存活——它们会存活。问题是下一个万亿美元平台是通过向现有数据添加 AI 来构建，还是通过捕获使数据可操作的决策轨迹来构建。

我们认为是后者。而今天构建上下文图谱的初创公司正在奠定基础。