AI Agent与SaaS之争：上下文图谱或成下一个万亿级平台

在美国硅谷，一场关于AI（特别是AI Agent）是否会取代SaaS的热烈讨论正在展开。

SaaS领域的著名专栏作家Jamin Ball率先对此发表了明确观点。

在其文章《Long Live Systems of Record》中，他明确反对“Agent将摧毁所有旧有系统”的论调。Ball认为，Agent的能力越强，对底层数据的精确性要求就越高。因此，作为数据守护者的传统记录系统（Systems of Record），其价值壁垒非但不会削弱，反而因掌握了数据解释权而变得更加珍贵。

然而，Foundation Capital的合伙人Jaya Gupta提出了不同的看法。她认为Ball的观点只看到了问题的一个侧面。在《人工智能的万亿美元机遇：上下文图谱》一文中，她指出，传统系统的真正短板不在于数据本身，而在于上下文的缺失。企业的实际运作逻辑往往不会记录在CRM的标准表格中，而是隐藏在各种例外审批、临时调整以及跨部门的Slack沟通之中。Gupta将这类隐性过程定义为“决策轨迹”。当这些决策轨迹被持续记录，并在时间维度和业务实体间建立关联，便会形成一种全新的结构——上下文图谱。这不仅仅是数据的累积，更是对企业推理过程的数字化复刻。下一个万亿级平台的机会，并非简单地给旧系统添加AI能力，而在于谁能把握住数据与行动之间的灰色地带。这才是AI创业公司真正应该抓住的机遇。今天，我们就来深入剖析这一核心赛道的内在逻辑。

01 上下文图谱：AI时代企业的“第二核心资产”

上一代企业软件通过成为记录系统（Systems of Record, SoR），构建了一个价值万亿的生态系统。Salesforce管理客户数据，Workday管理员工数据，SAP管理运营数据。它们的核心理念是：掌握权威数据，控制工作流程，从而实现客户锁定。如今，争论的焦点在于：在向AI Agent转型的过程中，这些旧系统能否继续生存？Jamin Ball在《记录系统万岁》一文中触动了许多人的神经。他反驳了“Agent将终结一切”的观点，认为Agent非但不会取代记录系统，反而会提升对优质记录系统的需求标准。这个观点有其合理性。Agent是跨系统的、以行动为导向的。用户体验正在与底层数据层分离，Agent成为交互界面，但底层仍需权威数据支撑。然而，需要补充的是，Ball的观点假设Agent所需的数据已存在于某处，Agent只需更好的访问权限、治理和规则。这只是图景的一半。另一半是目前缺失的、真正驱动企业运作的层面：决策轨迹。这些轨迹包括例外情况、覆盖操作、历史案例以及跨系统上下文。目前，它们散落在Slack讨论串、交易审批台的对话、升级电话会议以及人们的脑海中。这就引出了一个关键区别：规则告诉Agent一般情况下应该发生什么（例如：“使用官方ARR数据进行报告”）。决策轨迹则记录了具体案例中发生了什么（例如：“我们采用了X定义，依据v3.2政策，经VP特批，基于Z先例，并做了如下修改……”）。Agent不仅需要规则，更需要访问决策轨迹，以了解过去规则如何执行、何处获得例外、冲突如何解决、谁批准了什么，以及实际主导的先例。这正是“Agent系统”类初创公司的结构性优势所在。它们处于执行路径上，在决策发生的瞬间能看到全貌：从各系统收集的输入、评估的政策、调用的例外路径、批准人以及写入的状态。若将这些轨迹持久化保存，便得到了大多数企业目前所缺乏的东西：一份可查询的决策过程记录。我们将这些轨迹积累形成的结构称为上下文图谱：它并非模型的思维链，而是一份鲜活的记录，将决策轨迹跨实体和时间串联，使先例变得可搜索。随着时间推移，这个上下文图谱将成为自动化真正的依据来源——因为它不仅解释了发生了什么，还解释了为何发生。核心问题不在于现有记录系统是否会存活，而在于是否会涌现出全新的系统——不仅是对象的记录系统，更是决策的记录系统——这些系统是否会成为下一个万亿级平台。

02 记录系统未能捕捉的盲区

当Agent被部署到真实工作流中（如合同审查、报价到现金、客服解决方案）时，团队往往会首先撞上一堵墙。这堵墙并非数据缺失，而是决策轨迹的缺失。Agent遇到了人类每天用判断力和组织记忆解决的模糊性问题，但这些判断的输入信息并未作为持久资产存储。具体表现为：1.存在于人们脑中的例外逻辑。“我们通常给医疗保健公司额外10%的折扣，因为他们的采购周期很艰难。”这句话不在CRM里，而是通过入职培训和私下交谈传递的“部落知识”。2.过去决策的先例。“上季度我们为X公司设计了类似交易结构——这次应保持一致。”没有系统将这两笔交易关联，也未记录为何选择这种结构。3.跨系统的综合判断。客服主管在Salesforce中查看客户ARR，在Zendesk中看到两个未解决的升级投诉，读到一条标记流失风险的Slack消息，然后决定升级处理。这种综合判断发生在他脑海中，而工单上只写着：“已升级至Tier 3”。4.系统之外的审批链。一位VP在Zoom通话或Slack私信中批准了折扣，机会记录只显示最终价格，不显示谁批准了偏差及原因。这就是“从未被捕捉”的含义：并非数据脏乱或孤立，而是连接数据与行动的推理过程从未被当作数据对待。

03 将“决策现场”永久留存

当初创公司在Agent编排层进行部署，让每次运行都生成决策轨迹时，他们就获得了企业几乎从未有过的东西：一段结构化的、可回放的历史，记录了上下文如何转化为行动。在实践中是什么样子？一个续约Agent提议给予20%折扣，公司政策规定续约折扣上限为10%，除非批准了“服务影响例外”。Agent从PagerDuty拉取三个SEV-1级事故，从Zendesk拉取一个未解决的“不修复就解约”的升级投诉，并调取上季度VP批准类似例外的续约沟通记录。它将特殊申请提交财务，财务批准。最终，CRM中只留下结果：“20%折扣”。一旦拥有决策记录，“为什么”就变成了头等数据。随时间推移，这些记录自然形成上下文图谱：企业已有的实体（账户、续约、工单、事故、政策、审批人、Agent运行记录）通过决策事件和“为什么”的链接连接在一起。公司现在可以审计和调试自动化过程，并将例外情况转化为案例，而不是每季度在Slack里重新学习边缘案例。反馈循环是产生复利效应的关键。捕捉到的决策轨迹变成可搜索的先例，每个自动化决策又向图谱添加新轨迹。这一切无需从第一天起完全自动化，可从“人机协同”开始：Agent提议、收集上下文、路由审批并记录轨迹。随着时间推移，当类似案例重复出现，越来越多的路径可被自动化，因为系统拥有结构化的过往决策和例外库。即使仍由人类做决定，图谱也在不断生长，因为工作流层将输入、审批和理由捕捉为持久先例，而非让它消散在Slack中。

04 为何现有巨头难以构建上下文图谱

Ball乐观地认为现有玩家会进化成这种架构。按照这个剧本，巨头们只需在庞大数据库上外挂一个AI大脑，就能平滑过渡到下一时代。Salesforce、ServiceNow和Workday也相信这一点，都在兜售同一故事：“我们拥有数据，现在我们加入智能。”但此逻辑存在硬伤：它们的底层架构是为“当前状态”设计的。以Salesforce为例，它本质上是巨大的复杂分类账本，精准知道销售线索现在长什么样，但无法回溯决策发生时世界的样子。例如，当一个20%的违规折扣被批准时，Salesforce记录的是“折扣已批准”，但证明折扣合理性的上下文——如PagerDuty刚报警显示服务宕机、Zendesk里客户正在咆哮、Slack群里VP的临时授权——在写入Salesforce的瞬间全部丢失。无法回放决策时的世界状态，就意味着无法审计决策，更无法将其转化为AI可学习的“先例”。一个客服问题的升级，往往取决于CRM里的客户等级、计费系统中的SLA条款，甚至Slack里的流言蜚语。没有一个现有SaaS巨头能看到全貌，因为它们的视野仅限于自己的围墙之内。既然应用层不行，那么底层的Snowflake和Databricks呢？它们同样被寄予厚望，被视为AI Agent的基石。确实，数仓拥有基于时间的快照，看似拥有“上帝视角”。但问题在于，它们处于数据的“读路径”，而非“写路径”。数据进入数仓通常是在决策发生后，经过漫长的ETL管道搬运而来。这就像正在激战的前线，数仓只是战后打扫战场的记录员。当数据最终落地Snowflake时，充满博弈、权衡和突发状况的“决策上下文”已蒸发殆尽。也就是说，它只能告诉你发生了什么，但不能告诉你为什么。Databricks虽在整合碎片，但“存储数据的地方”与“决策发生的执行路径”之间仍隔着无法逾越的鸿沟。与这些大公司相比，Agent系统类初创公司拥有结构性优势：它们处于“编排路径”上。当一个Agent正在分流工单、响应事故或审批报价时，它不仅是在调用工具，也在执行工作流。它处于风暴中心，从多个系统拉取信息，评估规则，解决冲突，然后行动。因为身处“执行路径”，它拥有了巨头们无法触及的特权：在“提交时刻”，将所有的输入、逻辑、例外和原因完整地“冻结”下来。这就是上下文图谱，也是AI时代公司最有价值的单一资产。当然，现有巨头也会反击。他们会尝试通过收购来“打补丁”以增加编排能力，会锁定API并采用数据流出费用来让数据提取变得昂贵。这与超大规模云厂商使用的剧本相同。他们会建立自己的Agent框架，并推行“把一切都留在我们的生态系统中”的叙事。但是，捕捉决策轨迹需要在提交时刻处于执行路径中，而非事后强加治理。巨头可以让数据提取更难，但他们无法将自己插入到一个从未参与过的编排层中。

05 初创公司的三条路径

Agent系统类初创公司将采取不同路径，每条路径各有权衡。1.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”作为架构的原生功能。这很难，因为巨头根深蒂固，但在技术代际更迭的转折点，并非不可能。在众多追逐AI SDR类别的初创公司中，Regie选择了构建AI原生的销售参与平台，以取代Outreach/Salesloft等传统平台（后者是为人类在碎片化工具链中执行序列而设计的）。Regie专为混合团队设计，其中Agent是一等公民：可挖掘潜在客户、生成外联、跟进、处理路由并升级给人类。2.取代模块而不是整个系统。这些初创公司针对特殊情况和审批集中的特定子工作流，成为这些决策的记录系统，同时将最终状态同步回现有巨头系统。Maximor在财务领域践行此逻辑，自动化了现金流、结账管理和核心会计工作流，却保留了ERP作为底层总账的地位。换句话说，ERP依然是记账的“账本”，而Maximor成为掌握对账逻辑的“大脑”。3.创建全新的记录系统。这些公司从编排层起步，捕捉了企业从未系统化存储过的东西——决策痕迹。随着时间推移，这种可回放的关系数据变成一种新的权威资产。此时，Agent不再仅仅是自动化工具，而是成为企业回答“我们为什么这样做”的档案室。PlayerZero是这种模式的典范。生产工程长期处于SRE、QA和开发的交汇点，这是一个典型的“胶水职能”，依靠人类经验承载软件无法捕捉的上下文。PlayerZero建立了一个关于代码、配置和客户行为交互的“上下文图谱”。当生产环境出问题时，它能回答“为什么会坏”以及“这个变更会带来什么后果”——这是任何现有系统都无法回答的问题。而在这些路径之上，一个新的基础设施正在形成：Agent的可观测性。随着决策轨迹的堆叠，企业需要像监控代码一样监控Agent的行为。Arize正试图成为这一新堆栈中的Datadog。它让团队能够看到Agent如何推理、在哪里失败，并评估其决策质量。在自主决策的时代，这不仅是工具，更是安全感。

06 创业者的两个关键信号

对于创业者而言，应在哪里落子？市场释放的信号虽重叠，但指向不同机会。首先是两个通用信号：高人力投入与高意外率。第一，高人力投入。如果一家公司还在用50人手动路由工单或核对数据，这就是最直接的信号。大量劳动力的存在，恰恰证明了决策逻辑太复杂，传统工具做不到自动化。第二，需要处理大量“意外”情况。那些充满“视情况而定”的交易审批、合规审查环节，因为逻辑复杂且先例重要，也是Agent建立决策血缘的最佳土壤。而另一个信号，则专门指向了“新记录系统”的诞生：系统交汇处的“胶水职能”。RevOps的存在，是因为没有人能同时搞定销售、财务和市场系统；DevOps的存在，是因为开发和运维之间有深沟；安全运营则卡在IT和合规之间。这些角色的出现，本身就是对现有软件生态的一种讽刺——因为没有单一记录系统能拥有跨职能视野，组织只能创造人类角色来充当“人肉中间件”，承载那些软件无法捕捉的上下文。一个自动化该角色的Agent，其价值不仅仅是效率，而是它通过持久化保存决策、例外和先例，将这种隐形的“胶水”实体化了。这不是在拆除现有巨头，而是在捕捉一种只有当Agent介入工作流时才会显现的真理。回到最初的问题：记录系统会存活吗？当然会。Salesforce和SAP不会消失。但真正的问题是，下一个万亿级平台会是什么？它是通过简单地给现有冷冰冰的数据添加AI补丁构建的？还是通过捕捉那些让数据具有行动力的决策轨迹而构建的？我们押注后者。而今天那些正在构建“上下文图谱”的初创公司，正在为这个新时代打下地基。