更多上下文,救不了企业 AI

摘要


企业 AI 正面临一个关键误区:以为给模型更多的数据、更大的上下文窗口和更强的检索能力,就能让它更懂业务、做出更好的决策。但更多信息不等于正确信息,更多上下文也不等于业务理解。面对具体决策,AI 真正需要的是与“这项决策、这个用户、这个时刻”相关的上下文——含义、关系、历史、当前状态、溯源、政策、权限和业务规则。Denodo 将这种决策相关上下文称为动态上下文(Active Context)。随着 AI 从生成答案走向智能体行动,缺乏业务理解可能带来错误审批、不当客户触达、错误付款等真实业务事件。因此,企业 AI 的下一阶段,不是打造无所不知的模型,而是通过共享数据、共享语义和动态上下文,弥合“企业理解鸿沟”,让 AI 数据层成为理解层,支撑可信决策与行动。核心问题在于:在信任 AI 决策或行动之前,它需要理解我们的哪些业务情境?

01 从数据到理解

让 AI 获得更多上下文的竞赛,已经全面展开,企业正在把大语言模型连接到企业数据,扩展检索增强生成(RAG),增大上下文窗口,构建知识库,并让 AI 智能体访问更多应用、API 和信息源。
这些活动背后的假设可以理解:如果 AI 知道得更多,它就应该能做出更好的决策。但这个假设存在一个问题:更多信息,未必是更好的信息。检索到更多内容,未必是更好的上下文。一个 AI 系统能够访问企业更多的部分,也未必意味着它理解了自己被要求回应或行动时所处的业务情境。
随着 AI 从生成答案走向影响决策、采取行动,这一区别将变得越来越重要。因为企业 AI 面临的挑战,不再只是模型能否理解问题,而是它能否理解足够多的业务情境,从而做出恰当的回应。
02 AI 能理解文字,却不一定理解业务

考虑一个相对简单的问题:为什么我的薪资成本增加了?我该怎么办?一个能力足够的 AI 模型可以理解这句话里的每一个词。但要恰当回答这个问题,可能远远不只是语言理解。
它可能需要知道:涉及哪些员工,他们的合同如何变化,适用哪些福利,加班是否增加,税务或监管规则是否改变,历史上发生了什么,现在正在发生什么,以及提问者被允许查看哪些信息。
其中一些信息可能在人力资源系统中,一些在薪资系统中,一些在财务系统中,一些在福利平台中,一些在合同或政策文件中,一些可能来自外部监管来源,还有一些可能只能通过运营 API 获得。
给 AI 更大的上下文窗口,本身并不能解决这个问题,单纯检索更多文档,也不能解决。挑战在于:为这个问题、这个用户和这个时刻,组装正确的业务上下文。这是一个截然不同的“上下文”定义。
03
市场正面临把上下文与数量,混为一谈的危险

当前很多关于 AI 的讨论,把上下文当作一种数量问题:模型能消费多少信息?上下文窗口能容纳多少 token?检索系统能找到多少企业内容?一个智能体能访问多少数据源?这些是有用的技术问题,但它们并不等于在问:AI 是否拥有理解当前情境所需的东西。
想象一个 AI 系统正在评估一份保险理赔,再给它 50 份文档,从技术意义上说,也许提供了更多上下文。但真正关键的信息可能是:保单昨天被修改了;索赔人还有另一个相关的未决索赔;某项特定除外责任适用于这个司法管辖区;损失发生在保单变更之前;而审核这份理赔的人只有权批准低于某个限额的付款。
五个高度相关的事实,可能比 50,000 个检索到的 token 更重要。这就是为什么更多上下文不等于正确上下文。这也是为什么企业 AI 需要超越把上下文简单视为“检索”的思维。
04 语义创造含义,但决策需要更多东西

语义是解决这个问题必不可少的一部分。AI 系统需要理解企业所说的客户、政策、产品、员工、资产、索赔、收入或风险分别是什么意思。但即便拥有共享含义,对许多业务决策来说仍然不够。
假设 AI 完全理解什么是保险保单。它可能仍然需要知道:哪份保单适用于这个索赔人;损失发生时保单是否有效;之后做了哪些修改;受哪个司法管辖区管辖;适用哪些除外责任;还有哪些相关索赔;信息来自哪里;信息有多新;用户的权限允许什么以及哪些业务规则约束这项决策。
语义定义告诉 AI 某个事物意味着什么。更广泛的上下文则帮助它理解,这一含义在这个具体情境中意味着什么。这一区分,把我们从严语义带向业务理解。
05 企业理解鸿沟

这揭示出一个我们认为将在企业 AI 中日益重要的挑战:企业理解鸿沟。前沿 AI 模型正变得极其强大,它们可以推理、总结、生成、分析,并且越来越多地操作工具和应用。但这些通用能力,并不会自动让它们理解自己正在被部署于其中的企业。
AI 最初并不知道你的组织如何定义风险,它不知道哪条客户记录最具权威性,它不知道一项资产五分钟前刚刚改变了状态;它不知道哪项法规适用于这笔交易;它不知道两个系统为什么会不一致;它不知道信息是否足够新,足以支持一项决策,它也不会知道,这个智能体是否被允许为这个目的使用这条信息。
这些东西之所以缺失,并不是因为 AI 缺乏智能,它们之所以缺失,是因为企业智能与企业理解是两回事。模型带来智能。企业必须提供理解。
06 从静态上下文到动态上下文

这就是为什么我们认为,组织需要以不同方式思考上下文,上下文不能只是一个静态的信息包,组装一次,然后交给每一次 AI 交互。
业务情境会变化:客户下单、支付失败、机器出现故障、政策改变、患者出院、公民处境变化、新的欺诈警报出现、供应商错过发货,因此,围绕一项决策的上下文,需要反映企业当下的真实状态,而不只是昨天数据副本中所代表的企业。
在Denodo,我们将其称为动态上下文 (Active Context),动态上下文把与特定决策相关的信息,与解释和使用这些信息所需的其他要素结合起来:数据 + 含义 + 关系 + 历史 + 当前状态 + 溯源 + 政策 + 权限 + 业务规则。
并非每项决策都需要所有这些元素,这正是关键所在。目标不是把企业所知的一切都交给 AI,而是提供当前情境所需的、与决策相关的上下文。这也引出了关于“业务理解”含义的一个重要区分。
我们不应设想,AI 系统必须先构建出一个庞大、通用的整个企业表征,然后才能发挥作用。客户服务智能体不需要知道 CFO 知道的一切,反欺诈系统不需要所有制造信息,维护智能体也不需要组织完整的员工历史。
理解是情境化的。问题是:这个 AI 需要理解企业的哪些内容,才能恰当做出这项特定决策?
这提供了一个务实得多的架构目标:组织不必试图打造无所不知的企业 AI,而可以构建可复用能力,围绕特定决策和行动,组装恰当的数据、语义、关系、政策和当前状态。
这样,共享的企业信息才能转化为可用的企业理解。
07 当 AI 开始行动,这一点为何重要得多

随着 AI 变得智能体化,信息与理解之间的区别变得尤其重要,聊天机器人给出不完美的答案,可能只是给某人带来不便。而 AI 智能体若基于对业务情境不完整的理解采取行动,就可能产生业务事件:它可能批准本应拒绝的事项,拒绝本应批准的事项,不当联系客户,更改运营流程,触发付款,把信息暴露给不应看到的人,或者优化了某个指标,却损害了组织真正关心的结果。
在这些情况下,仅有模型智能是不够的。企业需要确信:AI 访问了恰当的信息,用恰当的含义进行了解释,应用了相关政策和权限,理解了当前状态,并且是在被授予的授权范围内行动。
错误答案是个问题;错误行动则可能变成一个业务事件。这就是为什么业务理解正在成为可信 AI 架构的一部分。
08 AI 数据层需要成为理解层

这也改变了企业应如何思考 AI 之下数据层的作用。一个 AI 就绪的数据架构,不能只是组织把信息复制进去、再交给模型的另一个地方。它需要提供一种受治理的方式,围绕需要它的 AI 系统,把分布式的企业现实汇聚起来。这意味着跨数据库、云平台、SaaS 应用、API、数据产品和其他企业来源连接信息;意味着跨语义环境协调含义,也意味着把信息与关系、溯源、政策、权限和当前状态结合起来。这正是 Denodo 的角色超越单纯提供分布式数据访问的地方。
共享数据、共享语义和 Active Context 的结合,为应用、人员和 AI 发展出与决策相关的业务理解奠定了基础,演进路径变为:分布式企业数据 → 共享数据 → 共享语义 → Active Context → 业务理解 → 可信决策 → 行动 → 成果,这就是从数据可访问性通向企业价值的路径。
09 在 AI 决策之前,应该问的问题

企业将继续投资于更好的模型、更大的上下文窗口、更复杂的检索和更强的智能体。它们理应如此,但在允许 AI 影响一项重要业务决策之前,还有一个问题值得一问:在信任这个 AI 去决策或行动之前,它需要理解我们的业务情境中的哪些内容?
这个问题会把你引向一个与“模型能访问多少数据”截然不同的地方,它迫使我们思考含义、关系、历史、当前状态、授权、溯源、政策、目的,以及最终组织试图实现的成果。
企业 AI 的下一阶段,赢家不会仅仅是那些让 AI 访问最多信息的组织,而将是那些最擅长在决策发生的那一刻,为 AI 提供正确理解的组织。因为更多上下文可以让 AI 知道得更多,而正确的上下文,才能让它具备业务意识。