下一个万亿AI赛道！上下文图谱，才是AI创业的真正机会

在硅谷，围绕一个问题的争论正在升温：

AI，尤其是 Agent，会不会取代 SaaS？

最早给出明确判断的是SaaS 领域的知名专栏作者 Jamin Ball。

在《Long Live Systems of Record》一文中，他直言不讳地反对“Agent 会杀死一切旧系统”的说法。

在Ball 看来，Agent 越强大，对底层数据准确性的要求就越高。因此，作为数据“看门人”的传统记录系统（Systems of Record），其壁垒非但没有消失，反而因掌握了解释权而变得更昂贵。

但Foundation Capital 的合伙人 Jaya Gupta 认为，Ball 只看到了硬币的一面。

她在最新文章《人工智能的万亿美元机遇：上下文图谱》中指出，传统系统的盲区不在于“数据”，而在于“上下文”匮乏。

企业真实的运行逻辑，往往不记录在CRM 的标准化表格里，而是藏在例外的特批、临时的调整、跨部门的 Slack 沟通中。

Gupta 将这些隐性的过程定义为「决策轨迹」。

当这些决策轨迹被持续记录，并在时间和业务对象之间连接起来，就会形成一种新的结构——上下文图谱。

这不仅是数据的堆砌，更是对企业“推理过程”的复刻。下一个万亿级平台的机会，不是给旧系统装上AI，而在于谁能抓住这些“数据”与“行动”之间的灰色地带。这才是AI创业公司需要抓住的真正机会。

今天，我们就来拆解这个超级赛道的核心逻辑。

/ 01 /

上下文图谱：AI 时代企业最值钱的“第二资产”

上一代企业软件通过成为“记录系统”（Systems of Record, SoR），创造了一个万亿级的生态系统。Salesforce 管理客户数据，Workday 管理员工数据，SAP 管理运营数据。

它们的逻辑是：掌握权威数据，掌控工作流，从而实现客户锁定。

现在的争论焦点在于：在向Agent（人工智能体）转型的过程中，这些旧系统还能存活吗？

Jamin Ball 最近的文章《记录系统万岁》（Long Live Systems of Record）触动了很多人的神经。

他反驳了“Agent 将杀死一切”的论调，认为 Agent 不会取代记录系统，反而会提高对一个优秀记录系统的要求标准。

这个观点是对的。Agent 是跨系统的，且以行动为导向。工作的用户体验（UX）正在与底层的数据层分离。Agent 变成了交互界面，但底层仍然需要某种权威的东西来支撑。

但需要补充的是，Ball 的观点假设 Agent 所需的数据已经存在于某个地方，Agent 只需要更好的访问权限、更好的治理、语义契约以及明确的规则。

这只是一半的图景。另一半是目前缺失的、真正驱动企业运行的那一层：决策轨迹（Decision Traces）。

这些决策轨迹包括例外情况、覆盖操作、此前案例以及跨系统的上下文。目前，它们散落在Slack 的讨论串里、交易审批台（Deal Desk）的对话中、升级电话会议里，以及人们的大脑中。

这就引出了一个至关重要的区别：

规则（Rules）告诉 Agent 一般情况下应该发生什么（例如：“使用官方 ARR 数据进行报告”）。

决策轨迹（Decision Traces）记录了具体案例中发生了什么（例如：“我们使用了 X 定义，依据 v3.2 政策，经 VP 特批，基于 Z 先例，且我们做了如下修改……”）。

Agent 不仅仅需要规则，更需要访问决策轨迹，以了解过去规则是如何被执行的、在哪里获得了例外豁免、冲突是如何解决的、谁批准了什么，以及实际上是哪些先例在主导现实。

这就是“Agent 系统”类初创公司拥有结构性优势的地方。

它们处于执行路径上。在决策发生的当下，它们能看到全貌：从各个系统中收集了哪些输入、评估了什么政策、调用了什么例外路径、谁进行了批准、写入了什么状态。

如果你将这些轨迹持久化保存下来，你就得到了大多数企业今天所不具备的东西：一份关于决策是如何做出的、可查询的记录。

我们将这些轨迹积累形成的结构称为上下文图谱（Context Graph）：它不是“模型的思维链（Chain-of-Thought）”，而是一份鲜活的记录，将决策轨迹跨越实体和时间串联起来，使“先例”变得可搜索。

随着时间的推移，这个上下文图谱将成为自动化真正的事实来源（Source of Truth）——因为它不仅解释了发生了什么，还解释了它为什么会发生。

核心问题不在于现有的记录系统是否会存活。而在于是否会涌现出全新的系统，不仅仅是对象的记录系统，而是决策的记录系统，以及这些系统是否会成为下一个万亿级平台。

/ 02 /

记录系统没能捕捉到的东西

当Agent 正在被部署到真实的工作流中，比如合同审查、报价到现金（Quote-to-Cash）、客服解决方案，团队往往会率先撞上一堵“墙”。

这堵墙不是缺数据，而是缺决策轨迹。Agent 遇到了人类每天都要用判断力和组织记忆来解决的模糊性问题。但这些判断的输入信息并没有作为持久的资产被存储下来。具体来说：

1.存在于人们脑中的例外逻辑。“我们总是给医疗保健公司额外 10% 的折扣，因为他们的采购周期太残酷了。”这句话不在 CRM（客户关系管理系统）里。它是通过入职培训和私下交谈传递的“部落知识”（Tribal Knowledge）。

2.过去决策的先例。“上个季度我们为 X 公司设计了类似的交易结构——我们应该保持一致。”没有系统将这两笔交易联系起来，也没有记录为什么要选择这种结构。

3.跨系统的综合判断。客服主管在Salesforce 中查看客户的 ARR（年度经常性收入），在 Zendesk 中看到两个未解决的升级投诉，读到一条标记流失风险的 Slack 消息，然后决定升级处理。这种综合判断发生在他的脑子里。而工单上只写着：“已升级至 Tier 3”。

4. 系统之外的审批链。一位 VP 在 Zoom 通话或 Slack 私信中批准了折扣。机会记录（Opportunity Record）只显示最终价格，不显示是谁批准了偏差，也不显示原因。

这就是“从未被捕捉”的含义。这并不是说数据是脏的或孤立的，而是说连接数据与行动的推理过程，从未被当作数据来对待。

/ 03 /

把“决策现场”永久保存下来

当初创公司在Agent 编排层（Orchestration Layer）进行部署，让每次运行都生成决策轨迹时，他们就得到了企业几乎从未有过的东西：

一段结构化的、可回放的历史，记录了上下文是如何转化为行动的。

这在实践中是什么样子的？

一个续约Agent 提议给予 20% 的折扣。公司政策规定续约折扣上限为 10%，除非批准了“服务影响例外”。

Agent 从 PagerDuty（运维监控）拉取了三个 SEV-1 级事故，从 Zendesk 拉取了一个未解决的“不修复就解约”的升级投诉，并调取了上季度一位 VP 批准类似例外的续约沟通记录。

它将特殊申请提交给财务部门，财务批准。最终，CRM 中只留下了一个结果：“20%折扣”。

一旦你有了决策记录，“为什么”就变成了头等数据。

随着时间推移，这些记录自然形成了一个上下文图谱：企业已有的实体（账户、续约、工单、事故、政策、审批人、Agent 运行记录）通过决策事件（关键时刻）和“为什么”的链接连接在一起。

公司现在可以审计和调试自动化的过程，并将例外情况转化为案例，而不是每个季度都在 Slack 里重新学习一遍相同的边缘案例。

反馈循环是让其产生复利效应的关键。捕捉到的决策轨迹变成了可搜索的先例。每一个自动化的决策又向图谱中添加了一条新的轨迹。

这一切都不需要从第一天起就实现完全自动化。它从“人机协同”（Human-in-the-loop）开始：

Agent 提议、收集上下文、路由审批并记录轨迹。随着时间的推移，当类似的案例重复出现，越来越多的路径可以被自动化，因为系统拥有一个结构化的过往决策和例外库。

即使仍由人类做决定，图谱也在不断生长，因为工作流层将输入、审批和理由捕捉为持久的先例，而不是让它消散在Slack 中。

/ 04 /

为什么现有巨头建不了上下文图谱

Ball 乐观地认为，现有的玩家会进化成这种架构。按照这个剧本，现有的巨头们只需要在庞大的数据资产上外挂一个AI 大脑，就能平滑过渡到下一个时代。

Salesforce、ServiceNow 和 Workday也相信这一点，他们都在兜售同一个故事：“我们拥有数据，现在我们加上智能。”

但这个逻辑有一个硬伤：它们的底层架构是为“当前状态”（Current State）设计的。

以Salesforce 为例，它本质上是一个巨大的、复杂的分类账本。它精准地知道一个销售线索现在长什么样，但它无法回溯决策发生那一刻世界长什么样。

比如，当一个20% 的违规折扣被批准时，Salesforce 记录的是“折扣已批准”。

但那个证明折扣合理性的上下文，比如PagerDuty 刚刚报警显示服务宕机、Zendesk 里客户正在咆哮、Slack 群里VP的临时授权。在写入 Salesforce 的那一刻，全部丢失了。

无法回放决策时的世界状态，就意味着无法审计决策，更无法将其转化为AI 可学习的“先例”。

一个客服问题的升级，往往取决于CRM 里的客户等级、计费系统里的 SLA 条款，甚至 Slack 里的流言蜚语。没有一个现有的 SaaS 巨头能看到全貌，因为它们的视野仅限于自己的围墙之内。

既然应用层不行，那么处于底层的Snowflake 和 Databricks 呢？它们同样被寄予厚望，被视为AI Agent 的基石。

确实，数仓拥有基于时间的快照，看起来像是拥有了“上帝视角”。但问题在于，它们处于数据的“读路径”（Read Path），而非“写路径”（Write Path）。

数据进入数仓，通常是在决策发生之后，经过漫长的ETL（提取、转换、加载）管道搬运而来。这就像是正在发生激战的前线，数仓只是那个战后打扫战场的记录员。

当数据最终落地Snowflake 时，那个充满博弈、权衡和突发状况的“决策上下文”已经蒸发殆尽。也就是说，它还是只能告诉你发生了什么，但不能告诉你为什么。

Databricks 虽然在拼命整合碎片，但“存储数据的地方”和“决策发生的执行路径”之间，依然隔着一道无法逾越的鸿沟。

与这些大公司相比，Agent 系统类初创公司拥有结构性优势：它们处于“编排路径”上。

当一个Agent 正在分流工单、响应事故或审批报价时，它不仅仅是在调用工具，也在执行工作流。

它处于风暴的中心，从多个系统拉取信息，评估规则，解决冲突，然后行动。

因为身处“执行路径”，它拥有了巨头们无法触及的特权：在“提交时刻”（Commit Time），将所有的输入、逻辑、例外和原因，完整地“冻结”下来。

这就是上下文图谱，也是AI 时代公司最有价值的单一资产。

当然，现有巨头也会反击。他们会尝试通过收购来通过“打补丁”的方式增加编排能力。他们会锁定 API 并采用数据流出费用（Egress fees）来让数据提取变得昂贵。

这与超大规模云厂商使用的剧本相同。他们会建立自己的Agent 框架，并推行“把一切都留在我们的生态系统中”的叙事。

但是，捕捉决策轨迹需要在提交时刻（Commit Time）处于执行路径中，而不是事后强加治理。巨头可以让数据提取变得更难，但他们无法将自己插入到一个他们从未参与过的编排层中。

/ 05 /

初创公司的三条路径

Agent 系统类初创公司将采取不同的路径，每条路径都有自己的权衡。

1.从第一天起就取代现有的记录系统。

围绕Agent 执行重构 CRM 或 ERP，将“事件源状态”（Event-sourced state）和“政策捕捉”作为架构的原生功能。这很难，因为巨头根深蒂固，但在技术代际更迭的转折点，这并非不可能实现。

在众多追逐AI SDR（销售开发代表）类别的初创公司中，Regie选择了构建一个 AI 原生的销售参与平台，以取代像 Outreach/Salesloft 这样的传统平台（后者是为人类在碎片化工具链中执行序列而设计的）。

Regie 专为混合团队设计，其中 Agent 是一等公民：它可以挖掘潜在客户、生成外联、跟进、处理路由并升级给人类。

2. 取代模块而不是整个系统。

这些初创公司针对特殊情况和审批集中的特定子工作流，成为这些决策的记录系统，同时将最终状态同步回现有巨头系统。

Maximor 在财务领域就在践行这一逻辑。它自动化了现金流、结账管理和核心会计工作流，却保留了 ERP 作为底层总账（GL）的地位。

换句话说，ERP 依然是那个记账的“账本”，但 Maximor 成为了掌握对账逻辑的“大脑”。

3. 创建全新的记录系统。

这些公司从编排层起步，捕捉了企业从未系统化存储过的东西——决策痕迹。随着时间推移，这种可回放的关系数据变成了一种新的权威资产。

此时，Agent 不再仅仅是自动化工具，而是成为了企业回答“我们为什么这样做”的档案室。

PlayerZero 是这种模式的典范。生产工程（Production Engineering）长期处于 SRE、QA 和开发的交汇点，这是一个典型的“胶水职能”，依靠人类的经验来承载软件无法捕捉的上下文。

PlayerZero 建立了一个关于代码、配置和客户行为交互的“上下文图谱”。当生产环境出问题时，它能回答“为什么会坏”以及“这个变更会带来什么后果”——这是任何现有系统都无法回答的问题。

而在这些路径之上，一个新的基础设施正在形成：Agent 的可观测性（Observability）。

随着决策轨迹的堆叠，企业需要像监控代码一样监控Agent 的行为。

Arize 正试图成为这一新堆栈中的 Datadog。它让团队能够看到 Agent 如何推理、在哪里失败，并评估其决策质量。在自主决策的时代，这不仅仅是工具，更是安全感。

/ 06 /

创业者的两个关键信号

对于创业者而言，应该在哪里落子？市场释放的信号虽然重叠，但指向了不同的机会。

首先是两个通用的信号：高人力投入与高意外率。

第一，高人力投入。如果一家公司还在用50 个人手动路由工单或核对数据，这就是最直接的信号。大量劳动力的存在，恰恰证明了决策逻辑太复杂，传统工具做不到自动化。

第二，需要处理大量的“意外”情况。那些充满“视情况而定”的交易审批、合规审查环节，因为逻辑复杂且先例重要，也是 Agent 建立决策血缘的最佳土壤。

而另一个信号，则专门指向了“新记录系统”的诞生：系统交汇处的“胶水职能”。

RevOps（收入运营）的存在，是因为没有人能同时搞定销售、财务和市场系统；DevOps 的存在，是因为开发和运维之间有深沟；安全运营（SecOps）则卡在 IT 和合规之间。

这些角色的出现，本身就是对现有软件生态的一种讽刺——因为没有单一的记录系统能拥有跨职能的视野，组织只能创造一个人类角色来充当“人肉中间件”，承载那些软件无法捕捉的上下文。

一个自动化该角色的Agent，其价值不仅仅是效率，而是它通过持久化保存决策、例外和先例，将这种隐形的“胶水”实体化了。这不是在拆除现有的巨头，而是在捕捉一种只有当 Agent 介入工作流时才会显现的真理。

回到最初的问题：记录系统会存活吗？

当然会。Salesforce 和 SAP 不会消失。

但真正的问题是，下一个万亿级的平台会是什么？它是通过简单地给现有冷冰冰的数据添加AI 补丁构建的？还是通过捕捉那些让数据具有行动力（Actionable）的决策轨迹而构建的？

我们赌注押在后者。而今天那些正在构建“上下文图谱”的初创公司，正在为这个新时代打下地基。

{{userData.name}}已认证

下一个万亿AI赛道！上下文图谱，才是AI创业的真正机会

做AI PPT，50人团队年入1亿美元，发布AI PPT提示词指南，从7000万用户工作流精选

2024 AIGC应用落地年我们的ChatBI让大模型不仅仅停留在聊天