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]

核心观点 - 关于AI Agent是否会取代传统SaaS记录系统的争论焦点在于，AI时代企业最值钱的资产可能不是静态数据，而是连接数据与行动的“决策轨迹”及其形成的“上下文图谱”，这为初创公司提供了结构性机会 [4][9][22] 争论焦点：AI Agent与传统记录系统的关系 - SaaS领域知名作者Jamin Ball认为，Agent越强大，对底层数据准确性要求越高，因此作为数据“看门人”的传统记录系统壁垒反而会增强 [2] - Foundation Capital合伙人Jaya Gupta则认为，传统系统的盲区不在于“数据”，而在于“上下文”的匮乏，企业真实的运行逻辑往往藏在例外特批、临时调整和跨部门沟通中 [3] - 争论的核心在于，在向Agent转型过程中，旧系统是会被取代，还是会因掌握数据而继续存活 [7] 上下文图谱：定义与价值 - “决策轨迹”被定义为记录例外情况、覆盖操作、此前案例及跨系统上下文的隐性过程 [4][7] - 当决策轨迹被持续记录并在时间和业务对象间连接起来，就形成了“上下文图谱”，它是对企业“推理过程”的复刻，而不仅是数据的堆砌 [4][9] - 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 [9] - 这被认为是AI时代企业最值钱的“第二资产”，可能催生下一个万亿级平台 [5][9] 传统记录系统的局限 - 传统记录系统如Salesforce、Workday、SAP的逻辑是掌握权威数据以掌控工作流和实现客户锁定 [5][6] - 但其底层架构是为记录“当前状态”设计的，无法回溯决策发生那一刻的完整世界状态 [16] - 例如，Salesforce能记录“折扣已批准”的结果，但证明折扣合理性的上下文（如服务宕机警报、客户投诉、VP临时授权）在写入时便已丢失 [17] - 现有系统无法回放决策时的世界状态，因此无法审计决策并将其转化为AI可学习的“先例” [18] - 数据仓库如Snowflake和Databricks处于数据的“读路径”而非“写路径”，决策上下文在数据经过ETL管道进入数仓时已蒸发殆尽 [19] 初创公司的结构性优势与机会 - 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，并能将所有的输入、逻辑、例外和原因在“提交时刻”完整地“冻结”下来 [8][20][21] - 捕捉决策轨迹需要在提交时刻处于执行路径中，这是现有巨头难以通过事后打补丁或强加治理来实现的 [22] - 市场机会信号包括：高人力投入（如50个人手动路由工单）、高意外率（处理大量“视情况而定”的复杂逻辑）、以及系统交汇处的“胶水职能”（如RevOps, DevOps, SecOps） [29] - 自动化这些“胶水职能”的Agent，其核心价值在于通过持久化保存决策、例外和先例，将隐形的上下文实体化 [30] 初创公司的三条发展路径 - **路径一：从第一天起取代现有记录系统** 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Outreach/Salesloft [24] - **路径二：取代模块而非整个系统** 针对特定子工作流（如特殊情况审批）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在财务领域自动化工作流，但保留ERP作为底层总账 [25] - **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，使其成为可回放的关系数据和新权威资产，例如PlayerZero为生产工程建立关于代码、配置和客户行为交互的上下文图谱 [26] 新兴的基础设施层 - 随着决策轨迹堆叠，企业需要像监控代码一样监控Agent行为，催生了“Agent可观测性”这一新基础设施层 [27] - 例如，Arize正试图成为这一新堆栈中的Datadog，让团队能够看到Agent如何推理、在哪里失败，并评估其决策质量 [28] 未来展望 - 传统记录系统如Salesforce和SAP不会消失 [31] - 但下一个万亿级平台的构建，更可能源于捕捉让数据具有行动力的决策轨迹和上下文图谱，而非简单地为现有数据添加AI补丁 [31] - 正在构建“上下文图谱”的初创公司正在为这个新时代打下地基 [31]

文章核心观点 - 智能体（Agent）的崛起正在重塑企业软件生态，其核心影响并非简单地取代传统的记录系统，而是暴露并催生了对新型“记录结构”的需求，这背后隐藏着万亿美元级别的市场机遇 [2][5][16] - 传统记录系统（如CRM、ERP）作为业务数据的“单一事实来源”不会消亡，但Agent的跨系统、面向行动的特性，迫使其角色从人类操作中心演变为服务于机器的“带API的状态机”，对数据质量和治理提出了更高标准 [10][14][15] - 当前企业自动化的真正瓶颈在于缺乏对“决策轨迹”的系统性记录，即那些解释“为什么”某个行动被允许发生的关键上下文信息，这些信息通常散落在聊天记录、个人经验和临时讨论中 [22][28][31] - 能够捕获并结构化“决策轨迹”以形成“上下文图谱”的创业公司，具备构建下一代万亿美元级平台（即“决策的记录系统”）的结构性优势，而传统软件巨头由于架构和历史原因难以涉足此领域 [26][40][42][50] - 构建有效的“上下文图谱”需要先建立“操作上下文”这一基础层，以解决身份、关系、时间状态等根本问题，而当前市场主流的RAG和AI记忆方案无法满足这一需求 [55][63][77][80] 记录系统的定义与演变 - 记录系统是企业的“总账本”和“黑匣子”，负责记录谁在何时做了什么、数据如何变更、流程进展到哪一步，用于对账、追责和合规检查，上一代万亿美元级的企业软件生态正是基于此构建 [7][8] - 传统工作流程严重依赖记录系统，例如销售必须将商机录入Salesforce，财务必须在ERP中做凭证，否则相关业务“就算没发生” [9] - Agent的出现动摇了记录系统的中心地位，Agent可以从各系统读取数据，在系统外完成决策和执行，最后只回写结果，这使得记录系统可能退化为只读的数据仓库，不再是流程的必经中心 [10] - 有观点认为记录系统已死，但反驳意见指出，自动化程度越高，越需要明确的“真相源”，记录系统通过各司其职（CRM管客户、ERP管财务）或通过数据仓库/湖仓作为“单一事实来源”来解决数据混乱问题 [11][13] - Agent是跨系统且面向行动的，其能力上限取决于对“哪个系统拥有哪项真相”以及“真相间契约”的理解，这迫使工作的用户体验与真相源分离，前端可以是自然语言界面，但底层仍需权威记录 [14] 上下文图谱：新机遇与核心价值 - “上下文图谱”是由长期积累的、结构化的“决策轨迹”构成，它是一份跨实体、跨时间连接的活的决策记录，使历史先例可搜索、可复用 [26][61] - 决策轨迹记录的是具体某次决策如何产生，包括：使用了哪种定义、基于哪个政策版本、是否获得例外审批、参考了哪些历史先例以及做了哪些调整，这与一般性的业务规则有本质区别 [24][25][58] - 上下文图谱的价值在于，它不仅能记录“发生了什么”，更能解释“为什么这些行为被允许发生”，从而成为自治系统真正的事实来源 [26][40] - 系统型Agent创业公司因位于实际执行路径中，能在决策发生时捕获完整的跨系统上下文、政策评估、例外流程和审批链条，从而具备构建上下文图谱的结构性优势 [25][42] - 上下文图谱能形成强大的反馈循环：被捕获的决策轨迹成为可搜索的先例，新的自动化决策又为图谱增添新轨迹，使得系统越用越懂业务，复利效应显著 [33] 传统系统的局限与创业公司的机会 - 传统记录系统（如Salesforce、ServiceNow）天然是孤立的、以当前状态为核心，它们擅长记录“当前状态什么样”，但无法回放决策发生时的完整世界状态，因此无法捕获支撑决策的上下文 [38][39] - 真实的业务决策几乎总是跨系统的，但没有任何传统厂商位于这个跨系统的执行路径中，因此无法捕获完整的决策上下文 [39][40] - 传统巨头可能通过并购、封锁API、收取高额数据外流费用等方式竞争，但他们无法强行插入一个自己从未参与过的编排层，因为捕获决策轨迹的前提是在决策提交时就身处执行路径中 [43] - 创业公司有三条主要发展路径：1）从头构建AI原生的记录系统以替换现有系统（如Regie）；2）聚焦于例外密集的关键子流程，成为该环节的决策记录系统，并与传统系统同步状态（如Maximor）；3）从编排层起步，创建专门记录决策过程的全新记录系统（如PlayerZero） [44][45] - 随着Agent规模化部署，对Agent可观测性的需求将催生新的基础设施公司，例如Arize正在构建监控和评估Agent决策质量的可观测性层 [46] 识别市场机会的关键信号 - 高人力密度是强烈信号，如果大量人力重复处理同一复杂工作流（如工单路由、跨系统对账），说明传统工具无法自动化，存在Agent切入机会 [47] - 例外密集型决策场景价值最高，例如交易审批、承保决策、合规审查、升级处理等，这些场景逻辑复杂、先例重要，需要视情况而定的判断 [48] - 位于多个系统交汇处的“胶水型”组织职能（如RevOps、DevOps、Security Ops）是通往新一代记录系统的明确信号，因为这些职能的存在本身就意味着没有现成系统能完整掌管其跨职能工作流 [49] 操作上下文：构建决策图谱的基础 - 在捕获“决策轨迹”之前，必须先解决“操作上下文”问题，即让Agent理解组织的真实结构、角色和关系 [55][63] - 操作上下文包含四个核心要素：1）身份解析，确保同一个人在不同系统中被识别为统一实体；2）所有权和关系建模，明确谁负责什么以及实体间关联；3）时间状态理解，能还原决策发生时的世界状态而非仅看当前结果；4）跨系统综合判断能力 [66][70][71][72] - 当前主流的RAG方案存储的是文本相似性，而非语义和关系；AI记忆平台记录的是聊天历史，而非组织现实，两者都无法解决操作上下文的结构性问题 [77][78][79] - 构建操作上下文层需要具备多模态数据接入、时间建模、关系映射、Agent互操作性以及企业级部署等核心能力 [81][82][83][84][85] - 决策轨迹是一种比传统Agent可观测性更高层级的业务语义记录，它描述在什么政策下、基于哪些上下文、触发了哪些例外、由谁批准、参考了哪些先例 [87]