文章核心观点 - 当前企业AI应用面临的核心矛盾在于：尽管模型智能（Intelligence）飞速提升且成本急剧下降，但绝大多数项目失败，其根本原因在于缺乏有效的上下文（Context）基础设施[6][7][8] - 企业AI项目的成功表现（Performance）是模型智能（Intelligence）与业务上下文（Context）的乘积关系，若Context为零或错误，即使使用最强模型，表现也为零甚至为负[8][10] - 企业无法通过频繁更换或升级AI模型来解决应用失败的问题，真正的竞争护城河和长期优势在于构建、积累和维护自身独特且无法被商品化的Context[11][19][20] 01 一个你可能每天都在经历的悖论 - 前沿模型推理成本在过去两年内下降了300倍，且预测到2030年LLM运行成本将再降100倍，模型能力在多项测试中达到或超越人类顶尖水平[6] - 与模型能力飞跃形成鲜明对比的是，行业研究显示高达95%的生成式AI试点项目失败，88%的AI概念验证从未进入生产环境[6] - 模型更聪明、更便宜、选择更多，但近一半的企业AI项目被取消，表明技术供应与成功应用之间存在巨大鸿沟[7] 02 一个公式，把问题说清楚了 - 提出核心框架：Performance = Intelligence × Context，强调是乘法而非加法关系[8] - 若Context为零，则Performance为零，无论模型多强；若使用高智能模型搭配错误Context，会产生更具说服力的错误，导致负绩效[8] - 模型智能（Intelligence）的瓶颈正被实验室快速解决，而企业独有的数据资产、语义定义和内部规则等Context需由企业自行构建[10] 03 三种失败模式，你公司大概率中了一个 - 数据孤岛与标识不一致：同一实体在不同系统中有不同标识，导致模型无法识别其同一性[12] - 业务语义不统一：如“营收”在销售和财务部门代表不同含义，模型生成报告技术正确但业务无用[12] - 隐性知识缺失：关键业务规则存在于未结构化的内部文件或人员记忆中，未被模型获取，导致合规等关键任务出错[12] - AI Agent在包含多个步骤的工作流中，即使每步成功率高达85%，全流程一次走通的概率也仅为20%[14] 04 认知科学早就说过这件事 - 早年的研究已指出，智能行为严重依赖于对具体情境的适应，而非机械执行预设计划，这与当前Agentic AI的局限性如出一辙[15] - “可供性”理论指出，物体的用处取决于物体与环境的关系，AI模型的智能表现也高度依赖于其部署的Context[15] - 技能习得理论表明，专家依赖直觉应对情境，越智能的系统应更依赖Context，而非更少[16] - 分布式认知理论认为，智能是系统属性，分布于人、工具和流程中，因此“系统智能”比“模型智能”更重要[16] - AI领域顶尖人物投入巨资（如10.3亿美元种子轮）开发“世界模型”，押注于对现实Context的理解，而非单纯扩大模型规模[16] 05 OpenAI 自己也踩过这个坑 - OpenAI在构建内部数据Agent时，发现需要构建并维护多达六个层次的Context才能使其正常工作[17] - 这六层Context包括：数据结构、人工标注、代码推导定义、非结构化机构知识、纠错历史记忆以及实时查询上下文[17] - 构建Context并非一次性工程，而是需要随着公司、数据和业务逻辑变化而持续投入和维护的基础设施[17] 06 Context 不能被商品化 - 模型智能（Intelligence）正变得商品化、廉价且易于获取，无法在此基础上建立持久的竞争优势[19] - 企业独有的Context，包括对自身数据的理解、独特的语义定义和历史决策逻辑，无法被训练进通用模型或通过API调用，难以被竞争对手复制[19] - 对Context的投资具有复利效应和飞轮效应：前期构建的Context基础设施可被后续AI应用继承复用，使得部署新Agent的准确率更高、成本更低，形成越来越宽的护城河[20] 07 对我们意味着什么 - AI领域的竞争焦点正在发生“大翻转”：从攻克“制造推理引擎”的难题，转向解决“让推理变得有用”的Context难题[22] - Context难题没有全局通用解，必须针对每家公司的特定领域和持续演变的业务情境单独解决[22] - 为企业构建Context基础设施虽不“性感”，但将是真正拉开竞争差距、决定AI投资成败的关键领域[22]