企业AI屡屡失败的原因，并非模型本身的问题

企业领导者们已经在AI上投入了两年时间和数千亿美元，但结果参差不齐。根据麦肯锡2024年全球调查，只有不到三分之一的公司报告其AI投资产生了有意义且持续的业务价值。演示往往令人印象深刻，而实际生产环境却令人失望。最常见的诊断是模型不够好、数据基础设施不成熟或员工未经过培训。这种诊断虽然有一定道理，但大多不完整，甚至错误。真正的问题在于上下文——具体来说，是缺乏一个位于AI与数据之间的持久、动态的企业上下文层。组织必须理解这一点并据此构建系统，否则模型升级和基础设施投资将无法弥补这一差距。

上下文差距：每个企业AI系统都需要将人类问题转化为机器可执行的任务。为此，系统必须了解业务、数据含义、指标定义、适用的业务规则及其演变。在大多数企业部署中，这种上下文要么缺失、不完整，要么比任何人所跟踪的衰减得更快。例如，一家全球2000强制造企业部署财务分析AI，系统可以访问数据仓库并进行查询，但能否准确计算跨业务单元的毛利率？这些规则存在于少数资深财务分析师的大脑中、电子表格中、三年老的Slack消息中以及非文档化的机构记忆里。当这些分析师换岗或退休时，知识消失，AI系统缺乏上下文，开始生成精确但错误的结果。这不是数据质量问题，而是上下文问题。

领导者搞错的四个维度：一、上下文必须自我学习。最常见的错误是将上下文视为一次性实施。组织投入大量精力进行初始上下文捕获，标记元数据、记录业务定义、编录批准查询，然后将其视为完成品，但上下文永远不会完成。上下文会持续且通常无形地衰减：模式变更、数据漂移、业务指标重新定义、业务流程重组。如果上下文层依赖人类维护，人类将成为瓶颈并不断落后。有效的上下文层需要从使用模式、验证答案和人工修正中持续学习。二、上下文是多维的，无法在一个地方捕获。企业知识并非存在于单一系统中，而是同时存在于模式、已验证查询的逻辑、正式和非正式文档、语义和元数据层以及人们的隐性知识中。大多数企业犯的错误是追求单一上下文源，如元数据目录或语义层，并期望其承担全部负担。但没有任何单一层能够做到。有效的上下文层必须跨越所有这些维度，并在每个维度独立演变时保持连贯。三、上下文层必须在架构上独立于底层数据平台。如果上下文构建在特定平台内，它会与该平台的专有结构和API纠缠在一起。上下文层是数据组织创建的最有价值的智力资产，它编码了多年的业务逻辑、验证查询和机构知识。当这一资产依赖于平台时，组织就丧失了架构灵活性和谈判杠杆。此外，大多数企业的数据分布在多个平台中：Snowflake、Databricks、Salesforce、SAP以及遗留系统。跨所有这些平台的上下文要求抽象化。四、每个AI代理都继承了上下文问题，并使其更糟。随着企业从协作工具和聊天机器人转向自主代理，这一问题变得紧迫。协作工具有人参与循环，分析师可以判断并纠正错误。而自主代理在没有人类检查点的情况下运行，自动执行查询、合成数据、生成报告并触发下游工作流。如果上下文不准确，代理会将错误传播到多个系统和决策。因此，上下文层质量变得不可妥协。

投资决策框架：高级领导者在评估AI投资时应直接提出四个问题。系统是学习型还是需要手动维护？它捕获了多少维度的上下文？上下文是否可移植？代理的治理模型是什么？成功的模式表明，带来持续价值的组织并非拥有最大的模型或最多的数据，而是投资于一个活的、多维的、平台独立的上下文层，并将其视为战略资产而非实施细节。认识到这一点的组织将建立复合优势，而那些仍将其视为脚注的组织将陷入昂贵的反复循环：演示令人印象深刻，生产令人失望。

关于作者：Soham Mazumdar是一位连续创业者和技术领导者，现任WisdomAI的联合创始人兼CEO，该公司提供基于AI的数据洞察平台。此前，他联合创立了Rubrik并担任首席架构师，将其发展至IPO。他还联合创立了Tagtile（被Facebook收购），并领导了谷歌的核心搜索基础设施。