上下文感知AI：企业落地成败的关键

编者按：过去两年，企业谈AI最常问的是“模型有多强”；接下来两年，真正决定成败的问题将变成“模型有多懂我的业务”。从实验到运营之间，横着一条由业务约束、组织关系与隐性知识构成的鸿沟，而填补它的，正是上下文。

企业级AI的能力清单已经相当可观：它能够生成建议、自动执行流程、在海量信息中快速归纳，并帮助组织以前所未有的速度做出判断。然而，MIT Technology Review Insights 最新文章指出，一个被反复忽视的前提是——如果模型不理解一家企业究竟如何运转，那么即便是最强大的模型，也可能错过那些真正决定决策是否正确的约束条件和业务关系。

这并不是模型能力的问题，而是“上下文”的问题。模型的推理可以很严密，但它推理所依据的世界模型，往往是一个被简化过的、去掉了业务细节的通用世界。

为什么通用模型在企业里“水土不服”

通用大模型的训练语料来自公开互联网，它擅长回答“一般而言应当如何”，却难以回答“在我们这家公司、这个季度、这条产线下应当如何”。企业决策的真实约束往往藏在三处：一是数据语义，不同系统里同一个字段可能指向完全不同的业务含义；二是业务规则，例如合规红线、审批权限、库存与账期的硬性限制；三是组织关系，谁对哪项指标负责、哪个部门能否决一项变更。

缺少这些上下文，模型给出的建议往往在纸面上漂亮、在执行中碰壁。一个典型的例子是供应链优化建议：模型可能提出集中采购以降低成本，却不知道部分品类的供应商由长期合作协议锁定，或某些物料受进出口管制约束。建议本身没有错，错在它脱离了企业运行的现实边界。

上下文感知AI的三层含义

所谓上下文感知，并不是简单地给模型“多喂一些数据”，而是让AI在生成结论时能够同时访问三类信息：事实上下文，即企业的实时业务数据与历史记录；规则上下文，即制度、合规要求与流程约束；关系上下文，即指标之间、系统之间、人与职责之间的关联网络。三者叠加，模型才能从一个“博学的外部顾问”转变为“熟悉内情的内部同事”。

“企业AI的竞争力，正在从模型参数的规模，转向对业务语义的掌握深度。”——这是本轮企业级AI落地中最值得关注的方向性转变。

从试点到日常运营的鸿沟

许多企业的AI项目在概念验证阶段表现亮眼，却在全面铺开时陷入停滞。原因常常不是技术失败，而是“最后一公里”的上下文缺失：试点时由少量专家人工补位，替模型解释数据、校验输出；一旦进入日常运营，人工补位无法规模化，模型的不确定性便暴露无遗。

这也是为什么越来越多企业开始建设统一的数据语义层与知识图谱。语义层把分散在各系统中的指标统一定义，让“活跃客户”“有效订单”这类概念在全公司只有一种解释；知识图谱则把客户、产品、供应商、合同、组织单元之间的关系显式建模，使模型能够在推理时沿着关系链条核查约束，而不是凭空生成。

落地路径与治理要点

在实践中，可行的路径通常包含四步：第一步，从高价值的决策场景切入，明确该场景的关键约束与责任归属；第二步，梳理支撑该场景的数据语义与规则清单，把它们从文档与专家头脑中转化为机器可读的形式；第三步，采用检索增强、工具调用与知识图谱相结合的方式，让模型在生成时“先查再答”；第四步，建立持续评估机制，不仅评估答案的准确性，也评估其对业务约束的遵守程度与可追溯性。

治理层面同样需要上下文意识。企业应明确哪些数据可以进入模型上下文、哪些规则必须硬性校验、哪些建议必须由人复核。上下文越丰富，模型的权限边界就越需要清晰——这既是风险控制，也是让业务部门敢于信任系统的前提。

结语

AI在企业中的价值，最终不取决于它能生成多少内容，而取决于它能否在正确的约束下做出正确的判断。当企业开始把业务语义、制度规则与组织关系当作与算力同等重要的基础设施来建设时，AI才真正从演示走向运营。上下文感知不是一个功能点，而是一种系统性的工程能力，也是未来几年企业AI竞争的分水岭。

本文编译自MIT Technology Review