下一個萬億AI賽道！上下文圖譜，才是AI創業的真正機會

在硅谷，圍繞一個問題的爭論正在升溫：

AI，尤其是 Agent，會不會取代 SaaS？

最早給出明確判斷的是SaaS 領域的知名專欄作者 Jamin Ball。

在《Long Live Systems of Record》一文中，他直言不諱地反對“Agent 會殺死一切舊系統”的說法。

在Ball 看來，Agent 越強大，對底層數據準確性的要求就越高。因此，作為數據“看門人”的傳統記錄系統（Systems of Record），其壁壘非但沒有消失，反而因掌握了解釋權而變得更昂貴。

但Foundation Capital 的合伙人 Jaya Gupta 認為，Ball 只看到了硬幣的一面。

她在最新文章《人工智能的萬億美元機遇：上下文圖譜》中指出，傳統系統的盲區不在于“數據”，而在于“上下文”匱乏。

企業真實的運行邏輯，往往不記錄在CRM 的標準化表格里，而是藏在例外的特批、臨時的調整、跨部門的 Slack 溝通中。

Gupta 將這些隱性的過程定義為「決策軌跡」。

當這些決策軌跡被持續記錄，并在時間和業務對象之間連接起來，就會形成一種新的結構——上下文圖譜。

這不僅是數據的堆砌，更是對企業“推理過程”的復刻。下一個萬億級平臺的機會，不是給舊系統裝上AI，而在于誰能抓住這些“數據”與“行動”之間的灰色地帶。這才是AI創業公司需要抓住的真正機會。

今天，我們就來拆解這個超級賽道的核心邏輯。

上下文圖譜：AI 時代企業最值錢的“第二資產”

上一代企業軟件通過成為“記錄系統”（Systems of Record, SoR），創造了一個萬億級的生態系統。Salesforce 管理客戶數據，Workday 管理員工數據，SAP 管理運營數據。

它們的邏輯是：掌握權威數據，掌控工作流，從而實現客戶鎖定。

現在的爭論焦點在于：在向Agent（人工智能體）轉型的過程中，這些舊系統還能存活嗎？

Jamin Ball 最近的文章《記錄系統萬歲》（Long Live Systems of Record）觸動了很多人的神經。

他反駁了“Agent 將殺死一切”的論調，認為 Agent 不會取代記錄系統，反而會提高對一個優秀記錄系統的要求標準。

這個觀點是對的。Agent 是跨系統的，且以行動為導向。工作的用戶體驗（UX）正在與底層的數據層分離。Agent 變成了交互界面，但底層仍然需要某種權威的東西來支撐。

但需要補充的是，Ball 的觀點假設 Agent 所需的數據已經存在于某個地方，Agent 只需要更好的訪問權限、更好的治理、語義契約以及明確的規則。

這只是一半的圖景。另一半是目前缺失的、真正驅動企業運行的那一層：決策軌跡（Decision Traces）。

這些決策軌跡包括例外情況、覆蓋操作、此前案例以及跨系統的上下文。目前，它們散落在Slack 的討論串里、交易審批臺（Deal Desk）的對話中、升級電話會議里，以及人們的大腦中。

這就引出了一個至關重要的區別：

規則（Rules）告訴 Agent 一般情況下應該發生什么（例如：“使用官方 ARR 數據進行報告”）。

決策軌跡（Decision Traces）記錄了具體案例中發生了什么（例如：“我們使用了 X 定義，依據 v3.2 政策，經 VP 特批，基于 Z 先例，且我們做了如下修改……”）。

Agent 不僅僅需要規則，更需要訪問決策軌跡，以了解過去規則是如何被執行的、在哪里獲得了例外豁免、沖突是如何解決的、誰批準了什么，以及實際上是哪些先例在主導現實。

這就是“Agent 系統”類初創公司擁有結構性優勢的地方。

它們處于執行路徑上。在決策發生的當下，它們能看到全貌：從各個系統中收集了哪些輸入、評估了什么政策、調用了什么例外路徑、誰進行了批準、寫入了什么狀態。

如果你將這些軌跡持久化保存下來，你就得到了大多數企業今天所不具備的東西：一份關于決策是如何做出的、可查詢的記錄。

我們將這些軌跡積累形成的結構稱為上下文圖譜（Context Graph）：它不是“模型的思維鏈（Chain-of-Thought）”，而是一份鮮活的記錄，將決策軌跡跨越實體和時間串聯起來，使“先例”變得可搜索。

隨著時間的推移，這個上下文圖譜將成為自動化真正的事實來源（Source of Truth）——因為它不僅解釋了發生了什么，還解釋了它為什么會發生。

核心問題不在于現有的記錄系統是否會存活。而在于是否會涌現出全新的系統，不僅僅是對象的記錄系統，而是決策的記錄系統，以及這些系統是否會成為下一個萬億級平臺。

記錄系統沒能捕捉到的東西

當Agent 正在被部署到真實的工作流中，比如合同審查、報價到現金（Quote-to-Cash）、客服解決方案，團隊往往會率先撞上一堵“墻”。

這堵墻不是缺數據，而是缺決策軌跡。Agent 遇到了人類每天都要用判斷力和組織記憶來解決的模糊性問題。但這些判斷的輸入信息并沒有作為持久的資產被存儲下來。具體來說：

1.存在于人們腦中的例外邏輯。“我們總是給醫療保健公司額外 10% 的折扣，因為他們的采購周期太殘酷了。”這句話不在 CRM（客戶關系管理系統）里。它是通過入職培訓和私下交談傳遞的“部落知識”（Tribal Knowledge）。

2.過去決策的先例。“上個季度我們為 X 公司設計了類似的交易結構——我們應該保持一致。”沒有系統將這兩筆交易聯系起來，也沒有記錄為什么要選擇這種結構。

3.跨系統的綜合判斷。客服主管在Salesforce 中查看客戶的 ARR（年度經常性收入），在 Zendesk 中看到兩個未解決的升級投訴，讀到一條標記流失風險的 Slack 消息，然后決定升級處理。這種綜合判斷發生在他的腦子里。而工單上只寫著：“已升級至 Tier 3”。

4. 系統之外的審批鏈。一位 VP 在 Zoom 通話或 Slack 私信中批準了折扣。機會記錄（Opportunity Record）只顯示最終價格，不顯示是誰批準了偏差，也不顯示原因。

這就是“從未被捕捉”的含義。這并不是說數據是臟的或孤立的，而是說連接數據與行動的推理過程，從未被當作數據來對待。

把“決策現場”永久保存下來

當初創公司在Agent 編排層（Orchestration Layer）進行部署，讓每次運行都生成決策軌跡時，他們就得到了企業幾乎從未有過的東西：

一段結構化的、可回放的歷史，記錄了上下文是如何轉化為行動的。

這在實踐中是什么樣子的？

一個續約Agent 提議給予 20% 的折扣。公司政策規定續約折扣上限為 10%，除非批準了“服務影響例外”。

Agent 從 PagerDuty（運維監控）拉取了三個 SEV-1 級事故，從 Zendesk 拉取了一個未解決的“不修復就解約”的升級投訴，并調取了上季度一位 VP 批準類似例外的續約溝通記錄。

它將特殊申請提交給財務部門，財務批準。最終，CRM 中只留下了一個結果：“20%折扣”。

一旦你有了決策記錄，“為什么”就變成了頭等數據。

隨著時間推移，這些記錄自然形成了一個上下文圖譜：企業已有的實體（賬戶、續約、工單、事故、政策、審批人、Agent 運行記錄）通過決策事件（關鍵時刻）和“為什么”的鏈接連接在一起。

公司現在可以審計和調試自動化的過程，并將例外情況轉化為案例，而不是每個季度都在 Slack 里重新學習一遍相同的邊緣案例。

反饋循環是讓其產生復利效應的關鍵。捕捉到的決策軌跡變成了可搜索的先例。每一個自動化的決策又向圖譜中添加了一條新的軌跡。

這一切都不需要從第一天起就實現完全自動化。它從“人機協同”（Human-in-the-loop）開始：

Agent 提議、收集上下文、路由審批并記錄軌跡。隨著時間的推移，當類似的案例重復出現，越來越多的路徑可以被自動化，因為系統擁有一個結構化的過往決策和例外庫。

即使仍由人類做決定，圖譜也在不斷生長，因為工作流層將輸入、審批和理由捕捉為持久的先例，而不是讓它消散在Slack 中。

/ 04 /

為什么現有巨頭建不了上下文圖譜

Ball 樂觀地認為，現有的玩家會進化成這種架構。按照這個劇本，現有的巨頭們只需要在龐大的數據資產上外掛一個AI 大腦，就能平滑過渡到下一個時代。

Salesforce、ServiceNow 和 Workday也相信這一點，他們都在兜售同一個故事：“我們擁有數據，現在我們加上智能。”

但這個邏輯有一個硬傷：它們的底層架構是為“當前狀態”（Current State）設計的。

以Salesforce 為例，它本質上是一個巨大的、復雜的分類賬本。它精準地知道一個銷售線索現在長什么樣，但它無法回溯決策發生那一刻世界長什么樣。

比如，當一個20% 的違規折扣被批準時，Salesforce 記錄的是“折扣已批準”。

但那個證明折扣合理性的上下文，比如PagerDuty 剛剛報警顯示服務宕機、Zendesk 里客戶正在咆哮、Slack 群里VP的臨時授權。在寫入 Salesforce 的那一刻，全部丟失了。

無法回放決策時的世界狀態，就意味著無法審計決策，更無法將其轉化為AI 可學習的“先例”。

一個客服問題的升級，往往取決于CRM 里的客戶等級、計費系統里的 SLA 條款，甚至 Slack 里的流言蜚語。沒有一個現有的 SaaS 巨頭能看到全貌，因為它們的視野僅限于自己的圍墻之內。

既然應用層不行，那么處于底層的Snowflake 和 Databricks 呢？它們同樣被寄予厚望，被視為AI Agent 的基石。

確實，數倉擁有基于時間的快照，看起來像是擁有了“上帝視角”。但問題在于，它們處于數據的“讀路徑”（Read Path），而非“寫路徑”（Write Path）。

數據進入數倉，通常是在決策發生之后，經過漫長的ETL（提取、轉換、加載）管道搬運而來。這就像是正在發生激戰的前線，數倉只是那個戰后打掃戰場的記錄員。

當數據最終落地Snowflake 時，那個充滿博弈、權衡和突發狀況的“決策上下文”已經蒸發殆盡。也就是說，它還是只能告訴你發生了什么，但不能告訴你為什么。

Databricks 雖然在拼命整合碎片，但“存儲數據的地方”和“決策發生的執行路徑”之間，依然隔著一道無法逾越的鴻溝。

與這些大公司相比，Agent 系統類初創公司擁有結構性優勢：它們處于“編排路徑”上。

當一個Agent 正在分流工單、響應事故或審批報價時，它不僅僅是在調用工具，也在執行工作流。

它處于風暴的中心，從多個系統拉取信息，評估規則，解決沖突，然后行動。

因為身處“執行路徑”，它擁有了巨頭們無法觸及的特權：在“提交時刻”（Commit Time），將所有的輸入、邏輯、例外和原因，完整地“凍結”下來。

這就是上下文圖譜，也是AI 時代公司最有價值的單一資產。

當然，現有巨頭也會反擊。他們會嘗試通過收購來通過“打補丁”的方式增加編排能力。他們會鎖定 API 并采用數據流出費用（Egress fees）來讓數據提取變得昂貴。

這與超大規模云廠商使用的劇本相同。他們會建立自己的Agent 框架，并推行“把一切都留在我們的生態系統中”的敘事。

但是，捕捉決策軌跡需要在提交時刻（Commit Time）處于執行路徑中，而不是事后強加治理。巨頭可以讓數據提取變得更難，但他們無法將自己插入到一個他們從未參與過的編排層中。

/ 05 /

初創公司的三條路徑

Agent 系統類初創公司將采取不同的路徑，每條路徑都有自己的權衡。

1.從第一天起就取代現有的記錄系統。

圍繞Agent 執行重構 CRM 或 ERP，將“事件源狀態”（Event-sourced state）和“政策捕捉”作為架構的原生功能。這很難，因為巨頭根深蒂固，但在技術代際更迭的轉折點，這并非不可能實現。

在眾多追逐AI SDR（銷售開發代表）類別的初創公司中，Regie選擇了構建一個 AI 原生的銷售參與平臺，以取代像 Outreach/Salesloft 這樣的傳統平臺（后者是為人類在碎片化工具鏈中執行序列而設計的）。

Regie 專為混合團隊設計，其中 Agent 是一等公民：它可以挖掘潛在客戶、生成外聯、跟進、處理路由并升級給人類。

2. 取代模塊而不是整個系統。

這些初創公司針對特殊情況和審批集中的特定子工作流，成為這些決策的記錄系統，同時將最終狀態同步回現有巨頭系統。

Maximor 在財務領域就在踐行這一邏輯。它自動化了現金流、結賬管理和核心會計工作流，卻保留了 ERP 作為底層總賬（GL）的地位。

換句話說，ERP 依然是那個記賬的“賬本”，但 Maximor 成為了掌握對賬邏輯的“大腦”。

3. 創建全新的記錄系統。

這些公司從編排層起步，捕捉了企業從未系統化存儲過的東西——決策痕跡。隨著時間推移，這種可回放的關系數據變成了一種新的權威資產。

此時，Agent 不再僅僅是自動化工具，而是成為了企業回答“我們為什么這樣做”的檔案室。

PlayerZero 是這種模式的典范。生產工程（Production Engineering）長期處于 SRE、QA 和開發的交匯點，這是一個典型的“膠水職能”，依靠人類的經驗來承載軟件無法捕捉的上下文。

PlayerZero 建立了一個關于代碼、配置和客戶行為交互的“上下文圖譜”。當生產環境出問題時，它能回答“為什么會壞”以及“這個變更會帶來什么后果”——這是任何現有系統都無法回答的問題。

而在這些路徑之上，一個新的基礎設施正在形成：Agent 的可觀測性（Observability）。

隨著決策軌跡的堆疊，企業需要像監控代碼一樣監控Agent 的行為。

Arize 正試圖成為這一新堆棧中的 Datadog。它讓團隊能夠看到 Agent 如何推理、在哪里失敗，并評估其決策質量。在自主決策的時代，這不僅僅是工具，更是安全感。

/ 06 /

創業者的兩個關鍵信號

對于創業者而言，應該在哪里落子？市場釋放的信號雖然重疊，但指向了不同的機會。

首先是兩個通用的信號：高人力投入與高意外率。

第一，高人力投入。如果一家公司還在用50 個人手動路由工單或核對數據，這就是最直接的信號。大量勞動力的存在，恰恰證明了決策邏輯太復雜，傳統工具做不到自動化。

第二，需要處理大量的“意外”情況。那些充滿“視情況而定”的交易審批、合規審查環節，因為邏輯復雜且先例重要，也是 Agent 建立決策血緣的最佳土壤。

而另一個信號，則專門指向了“新記錄系統”的誕生：系統交匯處的“膠水職能”。

RevOps（收入運營）的存在，是因為沒有人能同時搞定銷售、財務和市場系統；DevOps 的存在，是因為開發和運維之間有深溝；安全運營（SecOps）則卡在 IT 和合規之間。

這些角色的出現，本身就是對現有軟件生態的一種諷刺——因為沒有單一的記錄系統能擁有跨職能的視野，組織只能創造一個人類角色來充當“人肉中間件”，承載那些軟件無法捕捉的上下文。

一個自動化該角色的Agent，其價值不僅僅是效率，而是它通過持久化保存決策、例外和先例，將這種隱形的“膠水”實體化了。這不是在拆除現有的巨頭，而是在捕捉一種只有當 Agent 介入工作流時才會顯現的真理。

回到最初的問題：記錄系統會存活嗎？

當然會。Salesforce 和 SAP 不會消失。

但真正的問題是，下一個萬億級的平臺會是什么？它是通過簡單地給現有冷冰冰的數據添加AI 補丁構建的？還是通過捕捉那些讓數據具有行動力（Actionable）的決策軌跡而構建的？

我們賭注押在后者。而今天那些正在構建“上下文圖譜”的初創公司，正在為這個新時代打下地基。

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。