在矽谷，圍繞一個問題的爭論正在升溫：AI，尤其是 Agent，會不會取代 SaaS？最早給出明確判斷的是SaaS 領域的知名專欄作者 Jamin Ball。圖源丨Midjourney在《Long Live Systems of Record》一文中，他直言不諱地反對“Agent 會殺死一切舊系統”的說法。在Ball 看來，Agent 越強大，對底層資料精準性的要求就越高。因此，作為資料“看門人”的傳統記錄系統（Systems of Record），其壁壘非但沒有消失，反而因掌握瞭解釋權而變得更昂貴。但Foundation Capital 的合夥人 Jaya Gupta 認為，Ball 只看到了硬幣的一面。她在最新文章《人工智慧的兆美元機遇：上下文圖譜》中指出，傳統系統的盲區不在於“資料”，而在於“上下文”匱乏。企業真實的運行邏輯，往往不記錄在CRM 的標準化表格里，而是藏在例外的特批、臨時的調整、跨部門的 Slack 溝通中。Gupta 將這些隱性的過程定義為「決策軌跡」。當這些決策軌跡被持續記錄，並在時間和業務對象之間連接起來，就會形成一種新的結構——上下文圖譜。這不僅是資料的堆砌，更是對企業“推理過程”的復刻。下一個兆級平台的機會，不是給舊系統裝上AI，而在於誰能抓住這些“資料”與“行動”之間的灰色地帶。這才是AI創業公司需要抓住的真正機會。今天，我們就來拆解這個超級賽道的核心邏輯。上下文圖譜：AI 時代企業最值錢的“第二資產”上一代企業軟體通過成為“記錄系統”（Systems of Record, SoR），創造了一個兆級的生態系統。Salesforce 管理客戶資料，Workday 管理員工資料，SAP 管理營運資料。它們的邏輯是：掌握權威資料，掌控工作流，從而實現客戶鎖定。現在的爭論焦點在於：在向Agent（人工智慧體）轉型的過程中，這些舊系統還能存活嗎？Jamin Ball 最近的文章《記錄系統萬歲》（Long Live Systems of Record）觸動了很多人的神經。他反駁了“Agent 將殺死一切”的論調，認為 Agent 不會取代記錄系統，反而會提高對一個優秀記錄系統的要求標準。這個觀點是對的。Agent 是跨系統的，且以行動為導向。工作的使用者體驗（UX）正在與底層的資料層分離。Agent 變成了互動介面，但底層仍然需要某種權威的東西來支撐。但需要補充的是，Ball 的觀點假設 Agent 所需的資料已經存在於某個地方，Agent 只需要更好的存取權、更好的治理、語義契約以及明確的規則。這只是一半的圖景。另一半是目前缺失的、真正驅動企業運行的那一層：決策軌跡（Decision Traces）。這些決策軌跡包括例外情況、覆蓋操作、此前案例以及跨系統的上下文。目前，它們散落在Slack 的討論串裡、交易審批台（Deal Desk）的對話中、升級電話會議裡，以及人們的大腦中。這就引出了一個至關重要的區別：規則（Rules）告訴 Agent 一般情況下應該發生什麼（例如：“使用官方 ARR 資料進行報告”）。決策軌跡（Decision Traces）記錄了具體案例中發生了什麼（例如：“我們使用了 X 定義，依據 v3.2 政策，經 VP 特批，基於 Z 先例，且我們做了如下修改……”）。Agent 不僅僅需要規則，更需要訪問決策軌跡，以瞭解過去規則是如何被執行的、在那裡獲得了例外豁免、衝突是如何解決的、誰批准了什麼，以及實際上是那些先例在主導現實。這就是“Agent 系統”類初創公司擁有結構性優勢的地方。它們處於執行路徑上。在決策發生的當下，它們能看到全貌：從各個系統中收集了那些輸入、評估了什麼政策、呼叫了什麼例外路徑、誰進行了批准、寫入了什麼狀態。如果你將這些軌跡持久化保存下來，你就得到了大多數企業今天所不具備的東西：一份關於決策是如何做出的、可查詢的記錄。我們將這些軌跡積累形成的結構稱為上下文圖譜（Context Graph）：它不是“模型的思維鏈（Chain-of-Thought）”，而是一份鮮活的記錄，將決策軌跡跨越實體和時間串聯起來，使“先例”變得可搜尋。隨著時間的推移，這個上下文圖譜將成為自動化真正的事實來源（Source of Truth）——因為它不僅解釋了發生了什麼，還解釋了它為什麼會發生。核心問題不在於現有的記錄系統是否會存活。而在於是否會湧現出全新的系統，不僅僅是對象的記錄系統，而是決策的記錄系統，以及這些系統是否會成為下一個兆級平台。記錄系統沒能捕捉到的東西當Agent 正在被部署到真實的工作流中，比如合同審查、報價到現金（Quote-to-Cash）、客服解決方案，團隊往往會率先撞上一堵“牆”。這堵牆不是缺資料，而是缺決策軌跡。Agent 遇到了人類每天都要用判斷力和組織記憶來解決的模糊性問題。但這些判斷的輸入資訊並沒有作為持久的資產被儲存下來。具體來說：1.存在於人們腦中的例外邏輯。“我們總是給醫療保健公司額外 10% 的折扣，因為他們的採購周期太殘酷了。”這句話不在 CRM（客戶關係管理系統）裡。它是通過入職培訓和私下交談傳遞的“部落知識”（Tribal Knowledge）。2.過去決策的先例。“上個季度我們為 X 公司設計了類似的交易結構——我們應該保持一致。”沒有系統將這兩筆交易聯絡起來，也沒有記錄為什麼要選擇這種結構。3.跨系統的綜合判斷。客服主管在Salesforce 中查看客戶的 ARR（年度經常性收入），在 Zendesk 中看到兩個未解決的升級投訴，讀到一條標記流失風險的 Slack 消息，然後決定升級處理。這種綜合判斷髮生在他的腦子裡。而工單上唯寫著：“已升級至 Tier 3”。4. 系統之外的審批鏈。一位 VP 在 Zoom 通話或 Slack 私信中批准了折扣。機會記錄（Opportunity Record）只顯示最終價格，不顯示是誰批准了偏差，也不顯示原因。這就是“從未被捕捉”的含義。這並不是說資料是髒的或孤立的，而是說連線據與行動的推理過程，從未被當作資料來對待。把“決策現場”永久保存下來當初創公司在Agent 編排層（Orchestration Layer）進行部署，讓每次運行都生成決策軌跡時，他們就得到了企業幾乎從未有過的東西：一段結構化的、可回放的歷史，記錄了上下文是如何轉化為行動的。這在實踐中是什麼樣子的？一個續約Agent 提議給予 20% 的折扣。公司政策規定續約折扣上限為 10%，除非批准了“服務影響例外”。Agent 從 PagerDuty（維運監控）拉取了三個 SEV-1 級事故，從 Zendesk 拉取了一個未解決的“不修復就解約”的升級投訴，並調取了上季度一位 VP 批准類似例外的續約溝通記錄。它將特殊申請提交給財務部門，財務批准。最終，CRM 中只留下了一個結果：“20%折扣”。一旦你有了決策記錄，“為什麼”就變成了頭等資料。隨著時間推移，這些記錄自然形成了一個上下文圖譜：企業已有的實體（帳戶、續約、工單、事故、政策、審批人、Agent 運行記錄）通過決策事件（關鍵時刻）和“為什麼”的連結連接在一起。公司現在可以審計和偵錯自動化的過程，並將例外情況轉化為案例，而不是每個季度都在 Slack 裡重新學習一遍相同的邊緣案例。反饋循環是讓其產生複利效應的關鍵。捕捉到的決策軌跡變成了可搜尋的先例。每一個自動化的決策又向圖譜中加入了一條新的軌跡。這一切都不需要從第一天起就實現完全自動化。它從“人機協同”（Human-in-the-loop）開始：Agent 提議、收集上下文、路由審批並記錄軌跡。隨著時間的推移，當類似的案例重複出現，越來越多的路徑可以被自動化，因為系統擁有一個結構化的過往決策和例外庫。即使仍由人類做決定，圖譜也在不斷生長，因為工作流層將輸入、審批和理由捕捉為持久的先例，而不是讓它消散在Slack 中。為什麼現有巨頭建不了上下文圖譜Ball 樂觀地認為，現有的玩家會進化成這種架構。按照這個劇本，現有的巨頭們只需要在龐大的資料資產上外掛一個AI 大腦，就能平滑過渡到下一個時代。Salesforce、ServiceNow 和 Workday也相信這一點，他們都在兜售同一個故事：“我們擁有資料，現在我們加上智能。”但這個邏輯有一個硬傷：它們的底層架構是為“當前狀態”（Current State）設計的。以Salesforce 為例，它本質上是一個巨大的、複雜的分類帳本。它精準地知道一個銷售線索現在長什麼樣，但它無法回溯決策發生那一刻世界長什麼樣。比如，當一個20% 的違規折扣被批準時，Salesforce 記錄的是“折扣已批准”。但那個證明折扣合理性的上下文，比如PagerDuty 剛剛報警顯示服務當機、Zendesk 裡客戶正在咆哮、Slack 群裡VP的臨時授權。在寫入 Salesforce 的那一刻，全部丟失了。無法回放決策時的世界狀態，就意味著無法審計決策，更無法將其轉化為AI 可學習的“先例”。一個客服問題的升級，往往取決於CRM 裡的客戶等級、計費系統裡的 SLA 條款，甚至 Slack 裡的流言蜚語。沒有一個現有的 SaaS 巨頭能看到全貌，因為它們的視野僅限於自己的圍牆之內。既然應用層不行，那麼處於底層的Snowflake 和 Databricks 呢？它們同樣被寄予厚望，被視為AI Agent 的基石。確實，數倉擁有基於時間的快照，看起來像是擁有了“上帝視角”。但問題在於，它們處於資料的“讀路徑”（Read Path），而非“寫路徑”（Write Path）。資料進入數倉，通常是在決策發生之後，經過漫長的ETL（提取、轉換、載入）管道搬運而來。這就像是正在發生激戰的前線，數倉只是那個戰後打掃戰場的記錄員。當資料最終落地Snowflake 時，那個充滿博弈、權衡和突發狀況的“決策上下文”已經蒸發殆盡。也就是說，它還是只能告訴你發生了什麼，但不能告訴你為什麼。Databricks 雖然在拚命整合碎片，但“儲存資料的地方”和“決策發生的執行路徑”之間，依然隔著一道無法踰越的鴻溝。與這些大公司相比，Agent 系統類初創公司擁有結構性優勢：它們處於“編排路徑”上。當一個Agent 正在分流工單、響應事故或審批報價時，它不僅僅是在呼叫工具，也在執行工作流。它處於風暴的中心，從多個系統拉取資訊，評估規則，解決衝突，然後行動。因為身處“執行路徑”，它擁有了巨頭們無法觸及的特權：在“提交時刻”（Commit Time），將所有的輸入、邏輯、例外和原因，完整地“凍結”下來。這就是上下文圖譜，也是AI 時代公司最有價值的單一資產。當然，現有巨頭也會反擊。他們會嘗試通過收購來通過“打補丁”的方式增加編排能力。他們會鎖定 API 並採用資料流出費用（Egress fees）來讓資料提取變得昂貴。這與超大規模雲廠商使用的劇本相同。他們會建立自己的Agent 框架，並推行“把一切都留在我們的生態系統中”的敘事。但是，捕捉決策軌跡需要在提交時刻（Commit Time）處於執行路徑中，而不是事後強加治理。巨頭可以讓資料提取變得更難，但他們無法將自己插入到一個他們從未參與過的編排層中。初創公司的三條路徑Agent 系統類初創公司將採取不同的路徑，每條路徑都有自己的權衡。1.從第一天起就取代現有的記錄系統。圍繞Agent 執行重構 CRM 或 ERP，將“事件源狀態”（Event-sourced state）和“政策捕捉”作為架構的原生功能。這很難，因為巨頭根深蒂固，但在技術代際更迭的轉折點，這並非不可能實現。在眾多追逐AI SDR（銷售開發代表）類別的初創公司中，Regie選擇了建構一個 AI 原生的銷售參與平台，以取代像 Outreach/Salesloft 這樣的傳統平台（後者是為人類在碎片化工具鏈中執行序列而設計的）。Regie 專為混合團隊設計，其中 Agent 是一等公民：它可以挖掘潛在客戶、生成外聯、跟進、處理路由並升級給人類。2. 取代模組而不是整個系統。這些初創公司針對特殊情況和審批集中的特定子工作流，成為這些決策的記錄系統，同時將最終狀態同步回現有巨頭系統。Maximor 在財務領域就在踐行這一邏輯。它自動化了現金流、結帳管理和核心會計工作流，卻保留了 ERP 作為底層總帳（GL）的地位。換句話說，ERP 依然是那個記帳的“帳本”，但 Maximor 成為了掌握對帳邏輯的“大腦”。3. 建立全新的記錄系統。這些公司從編排層起步，捕捉了企業從未系統化儲存過的東西——決策痕跡。隨著時間推移，這種可回放的關係資料變成了一種新的權威資產。此時，Agent 不再僅僅是自動化工具，而是成為了企業回答“我們為什麼這樣做”的檔案室。PlayerZero 是這種模式的典範。生產工程（Production Engineering）長期處於 SRE、QA 和開發的交匯點，這是一個典型的“膠水職能”，依靠人類的經驗來承載軟體無法捕捉的上下文。PlayerZero 建立了一個關於程式碼、配置和客戶行為互動的“上下文圖譜”。當生產環境出問題時，它能回答“為什麼會壞”以及“這個變更會帶來什麼後果”——這是任何現有系統都無法回答的問題。而在這些路徑之上，一個新的基礎設施正在形成：Agent 的可觀測性（Observability）。隨著決策軌跡的堆疊，企業需要像監控程式碼一樣監控Agent 的行為。Arize 正試圖成為這一新堆疊中的 Datadog。它讓團隊能夠看到 Agent 如何推理、在那裡失敗，並評估其決策質量。在自主決策的時代，這不僅僅是工具，更是安全感。創業者的兩個關鍵訊號對於創業者而言，應該在那裡落子？市場釋放的訊號雖然重疊，但指向了不同的機會。首先是兩個通用的訊號：高人力投入與高意外率。第一，高人力投入。如果一家公司還在用50 個人手動路由工單或核對資料，這就是最直接的訊號。大量勞動力的存在，恰恰證明了決策邏輯太複雜，傳統工具做不到自動化。第二，需要處理大量的“意外”情況。那些充滿“視情況而定”的交易審批、合規審查環節，因為邏輯複雜且先例重要，也是 Agent 建立決策血緣的最佳土壤。而另一個訊號，則專門指向了“新記錄系統”的誕生：系統交匯處的“膠水職能”。RevOps（收入營運）的存在，是因為沒有人能同時搞定銷售、財務和市場系統；DevOps 的存在，是因為開發和維運之間有深溝；安全營運（SecOps）則卡在 IT 和合規之間。這些角色的出現，本身就是對現有軟體生態的一種諷刺——因為沒有單一的記錄系統能擁有跨職能的視野，組織只能創造一個人類角色來充當“人肉中介軟體”，承載那些軟體無法捕捉的上下文。一個自動化該角色的Agent，其價值不僅僅是效率，而是它通過持久化保存決策、例外和先例，將這種隱形的“膠水”實體化了。這不是在拆除現有的巨頭，而是在捕捉一種只有當 Agent 介入工作流時才會顯現的真理。回到最初的問題：記錄系統會存活嗎？當然會。Salesforce 和 SAP 不會消失。但真正的問題是，下一個兆級的平台會是什麼？它是通過簡單地給現有冷冰冰的資料加入AI 補丁建構的？還是通過捕捉那些讓資料具有行動力（Actionable）的決策軌跡而建構的？我們賭注押在後者。而今天那些正在建構“上下文圖譜”的初創公司，正在為這個新時代打下地基。 (創業邦)
