通俗解读｜缺万亿闭环，困住所有企业软件
硅谷有观点认为：
上下文图谱（Context Graph），
对于2030年来说，
就像数据库对于2000年一样重要。
一年之内，每个前沿实验室都将造一个。
而贾亚・古普塔（Jaya Gupta）女士，硅谷风投Foundation Capital合伙人，上下文图谱概念联合提出者，也是近期刷屏文章《企业软件从未有过的万亿美元闭环》的作者。
前文提要，她认为，
C端有20年数据飞轮：
点击→优化→增长，
B 端一直缺失；
传统软件（ERP或者CRM）只记结果，
不记决策过程、权衡、例外、博弈……
上下文图谱= 决策痕迹结构化图谱；
未来企业护城河，不是功能，
而是决策数据与上下文
这一条属于B2B的，迟到20年的，
万亿美元级新赛道。
但，这还没有成为共识。
过去二十年来，消费者平台围绕着一个不断循环的机制，构建了最强大的商业模式之一：每一次用户互动都成为改进系统的信号。
Netflix、Meta、亚马逊、TikTok 和谷歌不仅仅记录结果，它们还以极其精细的粒度捕捉用户行为：你点击了什么、忽略了什么、鼠标悬停在什么上、放弃了什么、是什么让你再次访问：并将这些信号输入到能够学习的系统中。这个循环：捕捉、学习、改进、再次捕捉，成为了互联网时代最伟大的复利资产之一。
企业软件从未有过类似的循环。这并非因为企业决策频率较低， 但因为它们更难观察。
消费系统运行于受控界面内，单个用户在公司完全拥有的产品中进行操作。企业决策则截然不同：它们是销售、财务、法务、运营、安全和管理等多个部门之间多方博弈的结果，每个部门都拥有不同的激励机制、不同的权限和不同的限制。
销售追求速度，财务追求利润，法务追求先例控制。这些决策需要协商，而不仅仅是点击操作。迄今为止，企业一直缺乏能够将行动与结果联系起来的推理过程的工具。
二十年来，B2C企业一直在不断积累行为信号，而 B2B 企业则不
然。如今，这种情况开始发生改变。
旧模式正在失效。
SaaS的估值倍数之所以下降，是因为人工智能正在将原本支撑高价的功能层商品化。当大语言模型 (LLM) 能够生成几乎任何工作流程的合格初稿时，“在已知流程上提供更好的用户界面”的价值就荡然无存。
而那些以功能而非数据作为护城河的公司，如今却面临估值下降的困境。他们构建了工作流程，却从未构建过复合循环。
问题在于，什么能够取代功能，成为企业价值的持久来源？答案是企业软件从未拥有过的复合循环，这种循环并非建立在行为轨迹之上，而是基于决策轨迹。
《缺万亿闭环，困住所有企业软件》
解读：
这篇贾亚・古普塔（Jaya Gupta），其实讲的是一件很本质的事。
她给的答案不是市场，
不是产品，等常见商业要素，
而是一个更底层的东西，
有没有“会自我强化的反馈闭环”。
她点出了一个很关键的差异：
B2C 是“单人操作系统”，
B2B 是“多人博弈系统”。
在消费产品里，用户在一个界面里操作，每一步都能被记录，平台完全掌控交互，但在企业里，一个决策是这样的：销售想快点（签单），财务提利润（压价），法务控风险，管理层看全局。
同时，从“动作”到“结果”之间的“推理过程”，
都不看不见，也就是不可观测。
以前的软件，很像记账本。
它只吃结果，不理解过程。
你用十年，它也不会变聪明，
最多只是数据越来越多，但认知没有积累。
但现在，这件事第一次开始松动了。
不是因为数据更多了，
而是因为AI开始坐上决策桌。
现在：
AI写邮件；
AI分析方案；
AI甚至参与执行；
这意味着什么？
决策过程，被“搬进了系统内部” 一旦进入系统，
就可以被：
记录（trace），分析（analysis），
归纳（pattern），反馈（loop）；
一旦“决策轨迹”可以被捕捉，
它就不再是一次性的消耗品，
而变成一种可以沉淀、复用、甚至放大的资产。
软件开始从“工具”，变成“会进化的系统”。
不再是谁的功能多，谁的界面好，
而是谁掌握了更多高质量的决策过程，
谁就拥有更强的“组织级大脑”。
这就打开了她说的那个“万亿美元闭环”。
企业软件实际捕捉到了什么，又遗漏了什么。
企业系统的设计初衷是记录最终状态，而非过程。 折扣字段告诉你最终金额，而不是这个金额背后的原因。一份经过修改的合同只告诉你最终条款，而不是过程中被否决的备选方案。
一个已解决的工单只告诉你事件已结束，而不是为什么选择了某个升级路径而不是其他路径。决策轨迹填补了事件和结果之间缺失的这一层。
上下文图谱，当这一层变得结构化、可查询，并且能够跨越系统、参与者和时间连接起来时，就会发生这种情况。
相关信号也十分稀疏、分散，并且嵌入在人类工作流程中，而不是作为一流的遥测数据被捕获 。企业决策一部分是在会议上做出的，一部分是在某人的脑海中做出的，一部分是在电子邮件往来中做出的，一部分是在私下交谈中做出的，还有一部分是在彼此不通信的系统内部做出的。
而且也没有理由存储这些数据。 决策数据被视为流程废料，转瞬即逝、可丢弃，因为当时没有系统能够从中学习。即使偶尔捕获到一些片段，也很少能形成完整的信息。公司拥有会议记录、电子邮件往来、评论和审批文件，但却没有切实可行的方法从中提取结构化的决策要素，将它们在不同系统间连接起来，并与最终结果关联起来。原始数据零散地存在着，但完整的信息循环却缺失了。
《缺万亿闭环，困住所有企业软件》
解读：
这一段，其实在讲一件很“反直觉”的事：
企业不是没有数据，
而是最有价值的数据，一直被当成垃圾扔掉了。
你如果只看系统表面，会觉得企业数据很多：
CRM、ERP、工单系统、审批流，密密麻麻。
但这些系统有一个共同前提：
它们只关心“最后发生了什么”；
这些都是“状态”。
问题在于：
决策从来不是一个状态，而是一段路径。
真正有价值信息，其实在那条被抹掉路径里：
这个折扣为什么给到这个数？
中间是不是有两个更激进的方案被否掉了？
客户当时的反应是什么？
是谁在关键时刻拍板？
这些，系统一概不知道。
于是，你会看到一个很诡异的现象：
企业里最关键的东西：
判断、权衡、博弈、妥协；
全部发生在系统之外。
那些原本被丢掉的“过程噪音”，
会突然变成最有价值的信号源。
发生了哪些变化。
如今，企业工作已融入可监控的界面。 工作变得分散且异步。决策越来越多地在评论、文档建议、工单历史记录、审批流程和通话录音中形成。曾经只存在于某人脑海中的推理过程，如今在工作流程本身中留下了日益丰富的痕迹。
大语言模型使非结构化数据可计算。 多年来，企业拥有文字记录、聊天记录、文档评论和工单历史记录，但这些数据大多只能搜索，而无法学习。现在，语言模型可以从中提取决策信息。语言模型并不能消除对结构化或评估的必要性，但它使原本无意义的协作数据能够被系统理解和运用。
智能体会自动创建决策检查点。 这是最重要的转变。代理会在工作流程中提出行动方案，由人工审批、修改或上报。
例如，智能体起草了一份定价方案；销售代表将折扣从 25% 调整到 30%，并添加备注：“来自供应商 X 的竞争压力，需要匹配他们的报价。” 这次修改就是一个决策轨迹。
模型提出的方案是一种结构化的先验信息，系统认为正确的内容。而人的修改则是判断信号，模型遗漏的真正重要因素。随着智能体越来越多地参与到工作流程中，更多的判断必须通过编辑、审批、例外处理和覆盖等方式显性化。这种工具化不再是可选项，而是工作方式的必然产物。
最强烈的反对意见是，最有价值的判断往往不会留下任何痕迹，它存在于直觉、记忆和私下交流中。这种反对意见确实存在，但这并不意味着该论点是错误的。我们并不需要捕捉所有判断；我们只需要足够多的重复性高价值决策变得清晰可见，以便系统能够从中学习。智能体介导的工作流程正在跨越这一门槛，它将无声的专业知识转化为可观察的修正：每次人类修改智能体的提议时，原本隐含的信息就会变成结构化的信号。
《缺万亿闭环，困住所有企业软件》
解读：
以前，人做决策是直接从脑子跳到结果：
想清楚 → 执行 → 结束。
中间那段推理，是黑箱。
但当Agent介入之后，流程变了。
Agent给出 25% 折扣，
销售改成 30%，并写一句：
“竞争对手在压价，需要匹配。”
这句备注，在过去只是一个随手解释，
现在，它其实是一个完整的“决策”；
所以你会发现一个很微妙的转变：
过去，专家经验是“沉默的”。
它存在，但说不出来，也留不下来。
现在，Agent把这些经验“逼”了出来。
不是通过培训、不是通过写文档，
而是通过一种更自然的方式：
你每改一次AI，
其实都在教它你是怎么思考的。
这就是作者说的那句话真正的重量：
“无声的专业知识，被转化成可观察的修正。”
当然，反对意见也很真实：
最顶级的判断，很多还是不会留下痕迹：
斗争博弈、个人偏好、隐性关系、直觉拍板……
这些确实抓不住。
但这里有一个认知上的转折点：
系统不需要“全部理解人”，
它只需要抓住足够多、
可重复、可规模化的决策模式。
就够了。
因为企业的大部分价值，
不来自一次性的天才决策。
一旦这个机制跑起来，
决策就不再是一次性行为，
而变成一种可以被持续提取、
放大、复用的资源。
为什么之前那些“流程废料”，
现在开始变得值钱了？
因为第一次，我们有能力，也有机制，
把它们变成“可学习的判断信号”。
为什么现有企业不愿建造这个。
要捕获决策轨迹，你必须在决策制定过程中参与其中，而不是事后。这是关键的架构问题：你处于写入路径还是读取路径？
当一项决策最终被记录在案时，其背后的原因就已不复存在。战略层面是指决策具有约束力的阶段：审批步骤、最终裁定、升级、代理提案、人为否决。在这个阶段，决策背后的逻辑仍然以可用的形式存在。
现有运营团队和销售组织各自为政，优先考虑现状。
Salesforce 、ServiceNow 和 Workday 都在现有平台之上构建代理，但这些代理继承了底层架构。
Salesforce 基于现状存储：它只了解当前商机的状态，而不是决策时的状况。当折扣获得批准时，支持该折扣的背景信息不会被保留。你无法重现决策时的状态，这意味着你无法审核决策、从中吸取教训或将其作为先例。
更重要的是，目前没有任何一个现有系统能够全面了解情况。
支持升级取决于客户关系管理系统 (CRM) 中的客户级别、计费系统中的服务级别协议 (SLA) 条款、PagerDuty 系统中记录的近期服务中断情况，以及 Slack 上标记客户流失风险的讨论串。没有任何一个现有系统能够全面掌握这些信息。
数据仓库参与者完全处于读取路径，而非写入路径。
Snowflake 和 Databricks 将自身定位为智能层，但数据仓库是在决策做出后通过 ETL 接收数据。它们接收的是决策的输出结果 ，而不是产生这些决策的推理过程。靠近代理构建的位置并不等同于处于决策执行路径中。
基于代理系统的初创公司拥有结构性优势， 因为它们默认处于流程的最前端。当代理对升级事件进行优先级排序、响应突发事件或决定折扣时，它会从多个系统中提取上下文信息，评估规则，解决冲突并采取行动。由于它正在执行工作流程，因此它能够在决策生效的瞬间（而非事后通过 ETL 流程）捕获决策依据，并将其作为一级记录即时保存。
由于企业决策轨迹过于敏感，普通的访问控制无法奏效，因此构建这一层架构的人员必须支持权限推理，而不仅仅是权限检索。律师事务所不能让一个客户的先例悄悄影响竞争对手的决策；医疗机构也不能允许运营历史通过抽象层泄露。能够解决这一问题的公司，其赢得的信任与数据本身一样，必将持续增长。
《缺万亿闭环，困住所有企业软件》
解读：
那为什么现有巨头做不了？
不是他们不会做 AI，
而是他们的世界观是“状态机”，
不是“过程机”。
像Salesforce、ServiceNow这些系统，
本质上都是在回答一个问题：
现在的状态是什么？
它们设计之初，
就不是为了理解“这个状态是怎么来的”。
所以当它们开始加Agent，看起来很先进，
但本质上只是：
在“结果数据库”上，套了一层智能壳。
Agent继承了它们的盲区。
你可以问它：“现在这个折扣是多少？”
但你很难问：“为什么不是另外一个折
扣？”
因为那个“为什么”，
从一开始就没被当成一等公民存下来。
再往深一层，是一个更现实的问题：
企业的“真相”，从来不在一个系统里。
没有任何一个现有系统，
能够在“决策发生的那一刻”，
真正理解“全局”。
它们都是局部视角，
而决策是全局行为。
真正的变量，其实是 Agent。
一旦 Agent 开始“干活”，
它的位置天然就在流程最前面。
它要帮你排优先级、给建议、做决策、甚至执行动作，
就必须同时拉取多个系统的信息，
在冲突中做判断，
然后输出一个方案。
也就是说，
它就在“决策发生的现场”。
这时候，事情就变了。
因为它不是在复盘，
而是在参与生成这个决策。
但最后一层，其实更隐蔽，也更难。
就算你能捕捉这些“决策轨迹”，
你也不能随便用。
因为这些东西，
本质上是企业最敏感的资产。
客户隐私，历史病历，交易成本……
一个很残酷的现实：
现有企业不是没看到机会，
而是它们的基础设施，数据流，权限，
模型，全部站在“旧世界”。
那个世界只适合记录结果，
不适合理解决策。
而新世界的门槛是：
你必须站进流程最前面，
在决策发生的瞬间捕捉它，
同时还能安全地使用它。
这不是“升级一个功能”，
而是，换一整套“操作系统”。
平台机遇
这将是一个平台，也是一个应用机会。所有现有企业都已盯上了这个机会，可见其规模之大。
对某些公司而言，关键在于拥有自己的上下文图谱，构建专有的决策基础设施，使其智能体在所属领域内比其他任何智能体都更智能。对于这些公司来说，一个新的基础设施层将会出现：用于构建、保护和查询企业级上下文图谱的工具。
对于应用公司而言，机遇在于构建上下文图谱本身，特定领域、跨职能、复合型的决策记录系统。
我们看到这些图谱沿着三个维度发展：
运营上下文图谱 （公司如何进行战术运营）、 面向客户的上下文图谱 （公司如何进行销售、支持和维系客户，销售、承保、客户管理）以及战略上下文图谱 （高管如何制定战略决策）。
每个图谱都是一个独特的层面，具有不同的保密要求、不同的决策模式和不同的结果信号。
一旦这些图谱足够密集，游戏规则就会从检索转变为预测。你不再需要问“上次我们是如何处理这种情况的？”，而是可以问“如果我们这样构建交易，可能会发生什么？”，这种预测并非基于通用的训练数据，而是基于你组织实际的决策历史和结果。这种能力尚未完全实现，但构建这些基础架构的公司正在朝着这个方向努力。
《缺万亿闭环，困住所有企业软件》
解读：
两条路，两种公司，两种护城河。
先看平台层。
有一类公司，不是去做某个具体业务场景，
而是要控制一件更底层的东西：上下文图谱本身。
本质上，它们在做的是企业的“决策操作系统”。
谁能把这层基础设施做出来，谁就掌握了一个新的入口：
1. 决策数据怎么被记录
2. 决策逻辑怎么被抽取
3. 哪些信息能被复用，哪些必须隔离
4. Agent调用决策时走什么路径
这不是一个功能，而是一整套“规则制定权”。
所以平台公司的核心，不是模型强不强，
而是，谁定义了决策数据的结构和使用方式。
一旦这层被占住，
后面的应用、Agent，都会长在它之上。
再看应用层。
另一类公司更直接：
它们不造“底座”，
它们直接去构建具体的上下文图谱。
而且不是一个统一的大图谱，
而是沿着企业真实运作，被拆成三块：
第一块是“怎么把事干完”。
这是最密集，最可重复，
最容易先跑起来的一层。
第二块是“怎么赚钱”。
这里的决策更复杂，
涉及博弈、策略和客户差异。
第三块是“怎么做方向判断”。
高管层的战略决策，频率低，但价值极高，
而且最敏感、最难结构化。
最后，当这些图谱“稠密到一定程度”，
能力会发生质变。
过去系统能做的，是检索：
“类似情况以前怎么处理？”
未来系统开始做的，是预测：
“如果这次这样做，
结果大概率会怎样？”
这两者差别很大。
检索，是在找历史；
预测，是在模拟未来。
而且这个预测，
不再依赖常识与知识。
而是公司特有的：
决策习惯，
风险偏好，
成功与失败；
换句话说，模型不再是“懂世界”，
而是“懂你这家公司”。
平台在争“定义权”，
应用在争“场景密度”。
耗资万亿美元的重写。
每个垂直行业，法律、保险、医疗保健、金融服务、采购、安全，都积累了数十年的机构判断，这些判断从未被系统化、整合或付诸实践。正是这些判断，才使得一位时薪2000美元的合作伙伴物有所值。前沿模式提高了底线，但并未提高上限。
瓶颈在于制度层面。它指的是组织在既定约束条件下，基于特定领域、经结果检验而积累起来的决策逻辑 。 正是这些逻辑不断累积，无法被更完善的基础模型所复制。同时，这些逻辑也正逐渐变得可以捕捉、可以构建、可以学习。
消费巨头通过积累用户行为数据，打造了万亿美元的商业帝国。如今，企业界也开始出现类似的趋势，而且其潜在价值可能更大。那些构建起实现这一目标的基础设施的公司，将定义企业价值的下一个时代。
《缺万亿闭环，困住所有企业软件》
解读：
顶尖高手的能力不是写在书里的，
是几十年案例、失败、博弈堆出来的。
所以，哪怕模型再强，
也只能“拉高平均水平”，
却碰不到这个天花板。
这些东西，过去既抓不到，也学不了。
但现在变化来了：
这些“制度里的判断”，开始被一点点外显。
不是因为人愿意分享，
而是因为：
1. Agent参与决策
2. 人在修改Agent
3. 每一次修改，都在留下“判断痕迹”
于是原本只存在于“某个人脑子里的经验”，
开始变成可以记录、可以对齐结果、可以反复学习的数据。
这件事一旦成立，价值会非常大。
因为你不再只是拥有数据，
而是开始拥有：
经过真实结果验证的决策逻辑库。
最后那句话，
其实是在对标一个已经被验证过的模式。
消费互联网的本质，是把“用户行为”变成资产。
这些行为形成闭环，
最后长出推荐系统、广告系统，
变成万亿级公司。
而企业决策的价值，
一旦这个闭环跑通，
它的上限，不是复制消费互联网，
而是超过它。
未来最有价值的公司，
不是模型公司，
而是把“组织如何做判断”这件事，
变成可积累、可计算、可放大的公司。
更多阅读
《AI产品和技术模块》
1.Kimi Agent产品很厉害，然后呢？
2.搞懂“记忆”必看｜吃透Engram，坐等Deepseek新模型
《具身智能》
1.“26年具身智能，做不过来，根本做不过来”：含陶大程教授独家专访
2.漫画：大模型“强控”具身智能机器人？
《AI+医疗》
1.独家深度丨夸克健康大模型调研报告
2.离谱！熬夜三年肝损害，AI博主也靠AI学“续命”医学知识
3.为什么AI能预警心脏主动脉“血管炸弹”？
4.对话作者：全球首个开源手术视频大模型SurgMotion（第一期）
《超节点系列》
1.对抗NVLink简史？10万卡争端，英伟达NVL72超节点挑起
2.英伟达：『照抄者死』，阿里华为：AI集群狂飙『全解耦』
3.阿里华为『血战』英伟达AI超节点：悲观者正确，乐观者赚钱
4.抢在英伟达护城河合拢前，硅光的冲刺与最后窗口
5.OCP现场 l 北美AI巨头罕见共识ESUN，为利益『握手』
6.为什么有些『闪断的锅』，硅光不背?
《广域网》
1.AI原生的广域网技术来了，传统要被淘汰了？
2.为了AI，把底层的广域网重做一遍吗？
原标题：《通俗解读｜缺万亿闭环，困住所有企业软件》