企业AI为何失灵？缺失的上下文才是关键

编者按：过去两年，企业引入AI工具的速度前所未有。但工具数量的增长，并没有自动转化为业务价值的增长。MIT Technology Review Insights的一篇分析提出了一个朴素却关键的判断：决定AI能否创造价值的，不是模型有多强，而是企业能否把“自己如何运转”这件事，清楚地交给AI理解。

一个熟悉的场景：AI很多，答案很乱

在一家中大型企业里，同时运行多套AI系统早已是常态：面向客户的AI服务平台、内部对话助手、工作流与流程自动化工具，可能分属不同部门、由不同供应商提供。单看每一套系统，它们都足够精密、先进，响应速度也令人满意。

但真正把它们接入业务流程后，问题开始显现：产出的结果和动作可能是错误的、混乱的，或者缺少关键背景。客服助手给出的政策解释与最新条款不符，流程自动化工具把两个口径不同的指标当成同一个，对话助手回答得头头是道，却完全不了解这家公司的审批权限和历史决策。问题不在于单个工具不够聪明，而在于它们彼此不知道对方在做什么，也不理解企业特有的业务规则、数据口径和组织知识。

什么是“企业上下文”

企业上下文并不是某一份文档或某一个数据库，而是让AI理解“我们这家公司如何运转”的一整套信息环境。它至少包括几个层面：统一的主数据与业务口径，让“营收”“活跃用户”这类词在全公司只有一个定义；清晰的流程、角色与权限边界，让AI知道谁能做什么、什么动作需要审批；沉淀下来的历史决策与例外处理经验；行业术语、合规约束与客户语境；以及数据的新鲜度和来源可信度。

模型提供的是通用智能，上下文决定这份智能能否落到具体业务上。没有上下文的AI，像一个知识渊博却不了解公司情况的新员工。

为什么缺少上下文，AI就会“答非所问”

首先是数据孤岛。客户数据在CRM，订单数据在ERP，服务记录在工单系统，AI只能看到其中一角，自然拼不出完整答案。其次是口径不一致，不同系统对同一指标的定义存在细微差异，模型会把差异当成事实。第三是权限与合规，企业知识并非人人可见，AI若不加约束地调用，可能造成信息越权。第四是隐性知识难以传递，大量业务规则存在于老员工的判断里，没有被结构化，也就无法被AI调用。

这也解释了行业近两年的一个明显转向：讨论焦点从“用哪个模型”逐渐移到检索增强生成（RAG）、知识图谱、语义层、AI智能体编排，以及被称为“上下文工程”的实践上。业界的共识正在形成——模型能力会趋于同质化，而企业独有的上下文才是难以复制的资产。

从“堆工具”到“建底座”

要让上下文真正发挥作用，企业需要把它当作基础设施来建设，而非某个项目的副产品。第一，建立统一的数据与语义层，把核心指标、实体关系和业务规则显性化，让不同AI系统调用同一套“事实”。第二，建设可复用的上下文服务，把权限、来源、时效等元数据一并封装，避免每个应用重复造轮子。第三，把治理嵌入调用链路，明确哪些数据可被哪些AI在什么场景下使用。第四，保留人机协同与持续评估机制，让业务专家不断校正AI的理解，而不是一次性交付后放任自流。

分析：上下文是AI价值的分水岭

从更宏观的视角看，企业AI的竞争正在从“模型采购”转向“知识组织能力”的竞争。谁能把散落在系统、文档和员工头脑中的企业知识结构化、可调用、可治理，谁就能让同样的模型产出更可靠的业务结果。这对CIO和CTO提出了新的要求：他们不再只是技术的引入者，更是企业上下文的架构师。

值得强调的是，上下文建设不是一次性工程，而是伴随业务演进的持续过程。业务规则会变，组织结构会变，市场环境也会变，AI所依赖的上下文必须同步更新。那些把上下文当作长期能力来经营的企业，才更有可能把AI从“看起来很先进”变成“真正靠得住”。

归根结底，AI不会自动理解一家企业。它需要被认真地告知。而这份告知的质量，正在成为AI价值创造的分水岭。

本文编译自MIT Technology Review