AI Agent与SaaS系统的演进之争 - 行业围绕AI Agent是否会取代传统SaaS系统存在争论 知名SaaS专栏作者Jamin Ball认为Agent不会杀死旧系统 反而会因对数据准确性要求更高而强化传统记录系统的壁垒[5][6][13] - Foundation Capital合伙人Jaya Gupta提出不同观点 认为传统系统的盲区在于缺乏“上下文” 企业真实的运行逻辑藏在特批、临时调整和跨部门沟通等隐性过程中[7] - 争论的焦点在于 向Agent转型的过程中 旧系统能否存活 以及是否会涌现出全新的、专注于决策记录的系统 并成为下一个万亿级平台[13][17] 上下文图谱：定义与价值 - 上下文图谱是由持续记录的“决策轨迹”在时间和业务对象间连接形成的新结构 它不仅是数据堆砌 更是对企业“推理过程”的复刻[8][16] - 决策轨迹包括例外情况、覆盖操作、此前案例以及跨系统的上下文 目前散落在Slack、交易审批对话、升级电话及人脑中 未被系统化捕捉[14][19] - 上下文图谱将成为自动化真正的事实来源 因为它不仅解释发生了什么 还解释了为什么会发生 是AI时代企业最值钱的“第二资产”[10][16] 传统记录系统的局限与缺失 - 上一代企业软件如Salesforce、Workday、SAP作为“记录系统” 通过掌握权威数据和工作流创造万亿生态 其逻辑是掌握数据以实现客户锁定[11][12] - 传统记录系统是为记录“当前状态”而设计 无法回溯决策发生时的完整世界状态 例如批准一个20%折扣时 证明其合理性的服务宕机、客户投诉等上下文在写入系统时已丢失[30][31] - 现有系统无法捕捉连接数据与行动的推理过程 这包括存在于人脑中的例外逻辑、过去决策的先例、跨系统的综合判断以及系统外的审批链[19][20] Agent系统初创公司的结构性优势 - Agent系统类初创公司处于“执行路径”或“编排路径”上 在决策发生的当下能看到全貌 并能将决策轨迹持久化保存[16][33] - 与处于数据“读路径”的数据仓库（如Snowflake、Databricks）不同 初创公司在“提交时刻”处于“写路径” 能完整“冻结”所有的输入、逻辑、例外和原因[32][35] - 现有SaaS巨头难以构建上下文图谱 因其底层架构是为当前状态设计 且视野限于自身系统围墙之内 它们尝试通过收购或锁定API来反击 但无法将自己插入到未参与的编排层中[30][32][36] 初创公司的三条发展路径 - 路径一：从第一天起就取代现有的记录系统 围绕Agent执行重构CRM或ERP 将“事件源状态”和“政策捕捉”作为架构原生功能 例如Regie构建AI原生的销售参与平台以取代传统平台[39] - 路径二：取代模块而不是整个系统 针对特定子工作流成为决策的记录系统 同时将最终状态同步回现有巨头系统 例如Maximor在财务领域自动化核心工作流 但保留ERP作为底层总账[40][41] - 路径三：创建全新的记录系统 从编排层起步 捕捉企业从未系统化存储的决策痕迹 使其成为回答“我们为什么这样做”的档案室 例如PlayerZero为生产工程建立上下文图谱[43][44] 新兴基础设施与创业机会信号 - 随着决策轨迹堆叠 催生了新的基础设施需求：Agent的可观测性 例如Arize正试图成为新堆栈中的Datadog 让团队能够监控Agent的推理、失败和决策质量[45][46] - 创业者的两个通用关键信号是“高人力投入”与“高意外率” 例如用50个人手动路由工单或处理大量“视情况而定”的交易审批 表明决策逻辑复杂 传统工具难以自动化[49][50] - 另一个专门指向“新记录系统”诞生的信号是系统交汇处的“胶水职能” 如RevOps、DevOps、SecOps 这些人类角色承载了软件无法捕捉的上下文 自动化该角色的Agent能通过持久化决策将其实体化[51] 未来平台的机会 - 下一个万亿级平台的机会 不在于给旧系统添加AI补丁 而在于捕捉让数据具有行动力的决策轨迹 构建上下文图谱[8][52] - 现有记录系统如Salesforce和SAP不会消失 但构建上下文图谱的初创公司正在为新时代打下地基[52]

文章核心观点 - 下一代万亿美元级别的企业软件平台机会在于捕捉和利用“决策轨迹”，构建“上下文图谱”，而非仅仅为现有记录系统添加AI功能 [3][5][10] - AI Agent不会取代传统的记录系统，但会凸显“决策轨迹”的价值，即记录数据背后的“为什么”和推理过程，这需要全新的系统来捕捉 [3][4][6] - 捕捉决策轨迹的“上下文图谱”将成为组织的“世界模型”，使AI能进行基于先例的推理和模拟，这是初创公司相对于传统软件巨头的结构性优势 [3][44][47][66] 对传统记录系统与AI Agent关系的讨论 - 上一代企业软件通过成为“记录系统”创造了万亿美元生态，其逻辑是掌握最权威的数据和核心工作流 [5] - AI Agent不会杀死记录系统，反而会对高质量、权威的数据源提出更高要求，Agent将成为新的交互界面，背后仍需权威数据支撑 [5] - 传统观点认为Agent所需数据已存在，只需更好访问和治理，但这忽略了让企业真正运转的“决策轨迹”信息 [2][6] 决策轨迹与上下文图谱的定义与价值 - **决策轨迹**：记录了企业运营中具体的“为什么”，包括例外、特批、过往案例及跨系统上下文，目前散落在聊天记录、会议和员工脑海中 [3][6] - **上下文图谱**：由决策轨迹积累形成的动态结构，是跨越实体和时间的决策记录，将“先例”变为可搜索数据，解释了“为什么允许它发生” [3][8][9] - 其核心价值在于连接“数据”与“行动”背后的“推理”过程，这是当前企业最稀缺的资产 [3][12][13] 当前企业信息系统的缺失与问题 - 现有系统普遍缺失对决策轨迹的捕捉，问题不在于数据脏乱或孤立，而在于推理过程从未被当作正式数据对待 [11][12] - 缺失的信息主要包括：存在于经验中的例外规则、来自过往决策的参考先例、跨系统的综合分析过程、以及系统之外的审批流程上下文 [21] - 现有系统主要围绕“状态时钟”构建，记录“现在是什么”，但几乎缺乏“事件时钟”来记录“为什么会这样” [24][25][26] 构建上下文图谱的核心挑战与思路 - 面临三大核心问题：1) 多数系统是“黑箱”；2) 没有通用标准；3) 一切都在动态变化 [30] - 构建思路是将AI Agent视为“有目标的探索者”，其解决问题的过程就是对组织信息空间的一次遍历，其执行轨迹构成了对组织结构的采样 [31][32][40][43] - 不需要预设模式，模式是结果而非起点，通过充分遍历系统，表达自然涌现 [37] - 需要编码决策的“结构”和“形态”，而非仅仅是语义，回答“解决什么问题通常牵扯哪些部门”、“什么事件先于另一些事件发生”等问题 [34][35][41] 上下文图谱作为“世界模型”的意义 - 上下文图谱本质上是组织的“世界模型”，是一个通过学习得到的、关于组织环境如何运转的压缩表示 [44][45] - 它使AI能进行推理和模拟，预测行动后果，实现反事实推理，这类似于经验丰富员工脑中的模型 [47][52] - 未来方向可能不是让基础模型持续学习，而是为其打造一个能持续进化的世界模型，基础模型是引擎，上下文图谱是世界模型 [51][53][54] 不同类型厂商的竞争格局分析 - **传统运营系统巨头**：如Salesforce、ServiceNow，其AI受限于“当前状态”陷阱和数据孤岛，无法回放决策上下文，存在视野盲区 [57][58] - **数据仓库厂商**：如Snowflake、Databricks，困在数据的“只读路径”上，决策发生后数据才入库，关键上下文已丢失 [60][63][64][65] - **Agent初创公司**：具有结构性优势，因其处于工作流的“执行路径”或“编排路径”上，能在决策瞬间捕获完整上下文，这是事后无法补丁的 [7][66][67][68] 潜在的创业机会与路径 - **路径一：直接取代**：打造AI原生的记录系统，架构原生支持事件溯源和策略捕捉，如Regie [69] - **路径二：模块化渗透**：聚焦例外审批集中的特定工作流，成为该决策的记录系统，而不替换整个底层系统，如Maximor [70] - **路径三：创造全新系统**：从跨系统编排层切入，核心是储存企业从未有过的“决策轨迹”，使其自身成为最权威资产，如PlayerZero [71] - Agent的可观察性将成为关键基础设施，如Arize旨在成为AI时代的Datadog [71] 识别市场机会的关键信号 - **高人力成本流程**：大量员工手动处理工单、核对数据，表明决策逻辑复杂，传统工具无法胜任 [73] - **充满例外的决策场景**：逻辑复杂、先例重要、答案需“看情况”的领域，如销售审批、保险承保、合规审查 [73] - **处在系统交叉点的部门**：如营收运营、开发运维等部门的存在，本身就表明缺乏能处理跨职能工作流的单一系统，自动化这些角色的Agent能沉淀全新决策事实 [74]