在硅谷，围绕一个问题的争论正在升温：

AI，尤其是 Agent，会不会取代 SaaS？

在SaaS领域，有一位知名专栏作者，此人叫Jamin Ball的，他是最早展开给出明确依据作以判断这个行为动作的人。

《Long Live Systems of Record》这篇文章里，他毫不隐晦地对，“ Agent 会致使一切旧系统消亡 ” 这种说法予以反对 。

在Ball的观点里，Agent越是具强大之处，对于底层数据准确性的要求便会越高。所以，作为数据“看门人”存在的传统记录系统（Systems of Record），其壁垒并非没有消失，而是因掌握了解释权力从而变得更加昂贵。

但是，Foundation Capital 的合伙人，也就是 Jaya Gupta，持有一种观点，其认为 Ball 仅仅只是看到了硬币的那么一面，而已。

她于最新文章《人工智能的万亿美元机遇：上下文图谱》里表明，传统系统的盲区并非在于“数据”，而是在于“上下文”缺少 。

真实为企业的运行中之逻辑，常常并非于CRM的标准化表格里被记录，却是于例外情况下的特批之中藏着，于临时之际的调整当中隐匿，于跨部门的Slack沟通之内蕴含。

Gupta 将这些隐性的过程定义为「决策轨迹」。

这些决策轨迹倘若被持续记录，并且在时间以及业务对象两者之间连接起来，那么就会形成一种新型的结构，而这种结构便是上下文图谱 。

这并非单纯是数据的堆砌，更是对企业“那推理过程”的复刻，下一个万亿级平台存在的机会，并非是给旧系统装上AI，而是在于到底是谁能够抓住那些“数据”与“行动”之间所存在的灰色地带，这才是AI创业公司一定要抓住的真正机会。

今天，我们就来拆解这个超级赛道的核心逻辑。

/ 01 /

上下文图谱：AI 时代企业最值钱的“第二资产”

经过了成为“记录系统”（Systems of Record, SoR）这一过程的上一代企业软件，创造出了一个万亿级的生态系统，其中Salesforce负责管理客户数据，Workday负责管理员工数据，SAP负责管理运营数据， 。

它们的逻辑是：掌握权威数据，掌控工作流，从而实现客户锁定。

目前争论的关键所在是，于朝着Agent（人工智能体）转变的进程里，这些往昔的系统能否得以存续呢？

那名为Jamin Ball的，其最近所著文章《记录系统万岁》，也就是（Long Live Systems of Record），触动了好多人的神经。

他针对“Agent 将杀死一切”这种论调予以反驳。他秉持这样的观点，即，Agent 不会去取代记录系统。不仅如此，Agent 还会提升对一个优秀记录系统的要求标准。

以下这种说法准确无误，Agent具备跨越系统的特性，展现出以行动作出相应导向的特质，工作范畴内的用户体验正处于和底层数据层相互分离的状态，Agent业已转变成为交互界面，然而底层依旧需要借助某种具备权威性的事物予以支撑 。

但是呢，需要补充说明的是，Ball所提出的观点，是假设Agent所需要的数据，已经在某个不为它所知的地方存在着，而Agent仅仅是需要更好的访问权限，以及需有更好的治理方式，还要有语义契约，并且得有明确的规则才可以呢 。

这仅仅是画面的一半，另一半是当下所欠缺的，那真正促使企业运转的层面，即决策轨迹，也就是Decision Traces 。

这些决策轨迹涵盖例外情形、覆盖运作、既往案例以及跨系统上下文,当前散布于Slack讨论串里,交易审批台对话中,升级电话会议内,还有人们大脑中。

这就引出了一个至关重要的区别：

规则，也就是 Rules，使得一般意义上应当出现的状况被精确告知给 Agent！就好像，“使用官方 ARR 数据依已设定的要求去做报告”这种情况！ 。

决策轨迹，也就是 Decision Traces，记录下了具体案例之中所发生的情况，举例来说，像这样的情况，我们运用了 X 定义，依照 v3.2 政策，经过 VP 特别批准，基于 Z 先例，并且我们实施了如下的修改 。

智能体不但需要规则 ，还需要去访问决策轨迹 ，目的是去知晓 ，以往规则是什么样被执行的 ，在什么地方获得了例外豁免 ，彼此冲突是怎样被解决的 ，谁批准了什么 ，以及实际上究竟是哪些先例在主导着现实 。

这就是“Agent 系统”类初创公司拥有结构性优势的地方。

它们处在执行路径之上，于决策出现的那个当下，它们能够瞧见全貌，即从各个系统里收集了怎样的输入，评估了何种政策，调用了哪条例外路径，是谁进行了批准，写入了什么样的状态。

假如你把这些轨迹进行持久化留存，那么你便得到了现今多数企业所没有的事物，那就是一份关于决策是怎样做出的、可检索的记录 ？ .

如此这般我们积累的这些轨迹而后形成的结构被称作上下文图谱（Context Graph）：它并非“模型的思维链（Chain-of-Thought）”，恰恰相反是一份充满生机的记录，它把决策轨迹在实体以及时间方面串联起来，进而使得“先例”变成可搜索的。

跟随着时间持续地推进，这个上下文图谱将会成为自动化切实的确切事实源头，因为它不但阐释了到底发生了什么，而且还说明了它为何会发生。

核心问题并非是，现有的记录系统会不会存活，而是，会不会出现全新的系统，不只是对象的记录系统，还是决策的记录系统，并且，这些系统会不会变成下一个万亿级平台。

/ 02 /

记录系统没能捕捉到的东西

当代理正被部署至实际的工作流程里，诸如合同审查，报价到现金，客服解决方案，团队常常会首先碰到一堵“墙”。

这堵墙并非缺失数据，而是缺少决策轨迹，Agent 遭遇了人类每日都需凭借判断力以及组织记忆去解决的模糊性问题，然而这些判断的输入信息并未作为持久的资产予以存储，具体而言：

在人们脑中存在着的例外逻辑，“我们总是给予医疗保健公司额外 10% 的折扣”，这一情况的原因是他们的采购周期太残酷了，有这样一部分内容并不在 CRM（客户关系管理系统）里，它是以入职培训以及私下交谈这种方式传递的“部落知识” 。

过去所做出决策的先例是，上个季度我们替 X 公司精心构思并提供了与此相类似的交易结构，我们理应始终保持高度的一致性，可是当前尚无任何一套系统能够把这两笔交易紧密联系在一起，以往同时也压根不存在任何相关记录用以明确详细阐释当初究竟是基于什么样的原因才作出选择这种特定结构的决定，句号。

3. 涉及跨系统的综合判断行为。客服主管是，于Salesforce里查看客户的ARR，也就是年度经常性收入，又在Zendesk中看到存在两个尚未解决的升级投诉，而且读到一条标记有流失风险的Slack消息，之后才决定进行升级处理。这种综合判断的过程是发生在他的脑子里。然而工单上面仅仅写着：“已升级至Tier 3” 。

系统外部的审批链路，有一位副总裁于Zoom通话或者Slack私信里批准了折扣，机会记录仅展示最终价格，并不呈现是哪个人批准了偏差，同样也不显示缘由。

“从未被捕捉”所表达的意味是这样的，这并非意味着数据存在脏污或者处于孤立状态，而是表明连接数据与行动的那个推理过程，从来都没有被当成数据去看待 。

/ 03 /

把“决策现场”永久保存下来

当处于创业阶段的公司，于Agent编排层也就是Orchestration Layer之上予以部署，使得每一次运行之际均会生成决策轨迹之时，他们收获到了这样的东西：企业几乎从来未曾拥有过的 ，标点。

某一段呈现出结构化特征的、可以进行回放的历史啦，它留下了这样一个经由上下文而转化为行动的记录哦。

这在实践中是什么样子的？

有一个负责续约的Agent提出一个给予百分之二十折扣的提议 ，公司政策规定续约折扣的上限是百分之十 ，这得要看有没有批准 “服务影响例外” 才行 。

执行任务的主体从一款名为PagerDuty的运维监控工具那里获取到了三次具备SEV - 1级别的事故信息，又从Zendesk这个平台拉取到了一项尚未得到解决的、内容为“不修复就解约”的升级方式进行投诉的相关情况，同时还调取了上一个季度期间一位副总裁批准类似例外情况发生时的续约沟通记录 。

它把特殊申请递交给财务方面的数据处理部门，财务方面经审核进而准许，在最后最终结束之际，客户关系管理系统里仅仅留存下了这样一个最终呈现的成果结果：“20%折让优惠”。

一旦你有了决策记录，“为什么”就变成了头等数据。

随着光阴的缓缓流逝，这些记载自然而然地筑就了一个上下文图谱：企业所拥有的已存实体，即账户、续约、工单、事故、政策、审批人以及 Agent 运行记录，借助于决策事件，就是关键时刻，以及“为什么”的链路衔接在了一块儿。

公司如今能够对自动化的过程展开审计以及进行调试，再把例外情况转变为案例，并非每一个季度都要于Slack之中再次学习一回相同的边缘案例。

让其产生复利效应的关键在于反馈循环，捕捉到的决策轨迹成为了可搜索的先例，每增添一条新的轨迹是因为又有一个自动化的决策被添加到图谱之中。

这所有的一切，并非要从起始的第一天便达成丝毫的自动化，它起始于“人机协同”，也就是“Human-in-the-loop” 。

通过 Agent 进行提议，收集上下文，完成路由审批，记录轨迹。随着时间不断推移，当类似案例再次重复出现，将会有越来越多路径得以自动化，原因在于系统具备一个结构化的过往决策以及例外库。

哪怕依旧是由人类去做出决定，图谱可是持续在生长的呢，原因在于工作流层会把输入、审批以及理由当作持久的先例给捕捉起来，并非是任由它在Slack里烟消云散呀。

/ 04 /

为什么现有巨头建不了上下文图谱

Ball以乐观的态度这般认为，就是现有的玩家将会演变成这种架构，依据这个剧本来着，但现有的巨头们仅仅是要在庞大的数据资产那里外挂一个AI大脑，方可做到平稳顺利地过渡到下一个时代。

Salesforce相信这一点，ServiceNow也确信着，Workday同他们一样相信着这状况是真的，他们都在售卖同一个故事，那故事是，“我们拥有数据，现在我们加上智能。”。

但是，这个逻辑，它有个硬伤，什么样的硬伤，就是它们，注意这儿听好，底层架构，是被针对“当前状态”，也就是Current State，去设计的。

就拿Salesforce做例子来说，其本质是个极大的、繁杂的分类账本，它精确地清楚一条销售线索当下呈现出怎样的样子，然而却没法追溯到决策产生那个时刻世界呈现出怎样的样子。

臂如，在一个20%的违规额度折扣被予以准允的情况之下，Salesforce所记载的却是“折扣已获批”景象 。

可是，那个用于证明折扣具备合法性的相关背景情况，像是PagerDuty刚发出警报表明服务出现故障，进而无法正常运行；Zendesk里边客户正处于愤怒激动、怒火中烧般猛烈的大声叫嚷状态；Slack群中有着VP的随机性的暂时性的给予权限许可。而在将这些内容写入Salesforce的那个时刻来计时，发现它们全都遗失不见了，消失得无影无踪了。

如果没办法回放做出决策时呈现的世界状态，那就意味着没办法对决策实施审计，进而更是意味着没办法把它转变成 AI 能够学习的“先例”。

一位客服问题的升级，不单单取决于处在CRM之内的客户等级，它更多地要看置于计费系统之中的SLA条款，甚至还得留意Slack里流传的各方言论。没有哪一位当今现存的SaaS巨头能够全面洞悉，只因它们观视的范围仅仅严格限止于自身的围墙之内。

既然应用层不具备相应能力，那么处于底层位置的Snowflake以及Databricks又会怎样呢？它们同样被赋予了很高期望，被看成是AI⁃Agent的基础支撑。

的确，数仓存有按时间的快照，仿佛好似具备了“上帝视角”。然而问题在于，它们处在数据的“读路径”，也就是“Read Path”，并非“写路径”，即“Write Path”。

数据进入数仓，一般是在决策已然发生之后，历经漫长的ETL（提取、转换、加载）管道搬运过来的。这仿佛于正在进行激战的前线，数仓仅仅是那个战后打扫战场的记录人员。

在数据最终落到Snowflake之际，那个满是博弈、权衡还有突发状况存在的所谓的“决策上下文”已然完全消失不见掉了，这就是说，它依旧仅仅能够告诉你什么事儿发生了，然而却没办法告诉你为啥会发生 。

Databricks尽管紧赶慢赶将碎片糅合在了一起，可是位于“存储数据的所在之处”以及 “决策加以施行的途径” 二者之间，始终横亘着一条难以跨越的巨大沟壑。

跟这些大型公司相较而言，Agent系统类型的初创公司具备结构性方面的优势，它们处在“编排路径”之上。

当下，有一个Agent存在，它正处于分流工单环节，同时也在响应事故，并且还在审批报价，在此期间，它并非仅仅是在调用工具，而是也在执行工作流。

它处在风暴的核心部位，从好些系统那儿获取信息，对规则加以评估，把冲突予以解决，随后展开行动。

由于处于“执行路径”之中，由此它获得了巨头们无法牵涉到的特别权益，在“发送时间节点”时，这也就是“提交时刻”，能够把每个进来的内容、逻辑、意外情况以及缘由，全部且严实不间断地牢固锁止不变下来，也就是完整的“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，当下已有的巨头会进行还击，他们会试着藉由收购这种途径，运用“打补丁”这样的办法提升编排能力 ，其还会将API加以锁定，并且采用数据流出费用，以此让数据提取趋于高昂 。

此情形和非常具有规模体量的云厂商所运用的剧本相一致啦。他们之际于创立自身用于的Agent框架，而后还将力行推动那种把所有元素都留存于他们的生态系统范围之内这种叙事情况呢。

然而，捕获决策轨迹得在提交时刻处于执行路径里才行，并非是日后硬是强加管理，大公司虽说能够让数据获取麻烦些，可没能力把自己插到一个自己从没掺和过的编排层面 。

/ 05 /

初创公司的三条路径

主打 Agent 系统的处于初创时期的公司，会选取不一样的路径，每一条路径都存在着各自的权衡 。

1.从第一天起就取代现有的记录系统。

围绕智能体执行重构客户关系管理系统或企业资源计划系统，把“事件源状态”以及“政策捕捉”当作架构的原生功能，这是困难的，原因在于巨头势力深厚稳固，不过在技术代际变化的关键节点，这并非无法达成。

在诸多追逐AI SDR即销售开发代表类别的初创公司里头，Regie挑选了搭建一个AI原生的销售参与平台，用来替代像Outreach/Salesloft那样的传统平台，而那传统平台是为人类在碎片化工具链里执行序列所打造的。

Regie是专门针对混合团队来开展设计的，在这当中，Agent属于一等公民，它能够去挖掘潜在客户，能够生成外联线索，能够进行跟进操作，能够处理路由事务，还能够将相关情况升级给人类来处理。

2. 取代模块而不是整个系统。

有一些初创公司，它们面对特殊情形，针对审批集中的特定子工作流，成为了这些决策的记录系统。与此同时，它们还会把最终状态同步回现有的巨头系统。

在财务范畴当中，Maximor 正在切实实施践行这一逻辑，它将现金流、结账管理以及核心会计工作流予以了自动化处理，与此同时，它还保留了 ERP 处于底层总账亦即是 GL 的地位。

也可以这么讲，ERP 依旧是那个用于记账的“账本”，然而，Maximor 却变成了掌控对账逻辑的“大脑”。

3. 创建全新的记录系统。

这些公司，是从编排层作为起始点的，捕捉到了企业从来都未曾进行过系统化存储的事物，也就是决策痕迹。随着时间不断的向前推移，这种能够进行回放的关系数据，进而变成了一种全新的权威资产。

这时，Agent已不单单是自动化的工具，而是摇身一变，成了可供企业用来回答“我们为何要这般去做”的档案室，。

PlayerZero乃此模式之典范，生产工程长期处在SRE、QA以及开发的交会点位，此为典型的“胶水职能”，借助人类经验去承载软件难以捕捉的上下文，。

PlayerZero构建起了一个“上下文图谱”，其中涵盖代码、配置跟头客户行为之间相互的交互关系。在遇到源自生产环境的诸多相关问题时，它能够针对一个具体问题，也就是‘为什么会坏’，以及另一个具体问题，即‘这个相应变更会导致产生什么样的一系列状况和接连后果和影响’提出相应解答。其中，后面提到的那两个具体问题均系任何当下现存可用系统都没有本事能够给出答案的问题。

而在这些路径之上，有一个新的基础设施，正处于形成的状态之中，它就是，Agent的observability，也就是，Agent的，可观测性，。

企业需要监控Agent的行为，随着决策轨迹堆叠而去监控，就如同监控代码那样，是这样的一种情况。

Arize 正努力力图迈进到这一新生堆栈里的 Datadog 的行列，它使得团队得以瞧见 Agent 怎样进行推理，于何处遭遇失败，并且对其决策质量予以评估 ，在自主决策的当下时代，这可不单单只是工具，更是一种安全感的呈现 。

/ 06 /

创业者的两个关键信号

创业者而言，落子之地该选哪儿呢？市场释放的信号，虽有重叠之处，可指向的却是不同机会。

首先是两个通用的信号：高人力投入与高意外率。

首先，存在高人力投入的情况。倘若有一家公司，其仍在运用五十个人以手动方式来处理路由工单或者核对数据，这便是最为直接明显的信号。有大量劳动力处于这种状况下，恰好证实且表明了决策逻辑过于复杂，传统工具在这方面做不到实现自动化。

其次，存在着大量要予以处理的，被称作“意外”的状况 。 那些弥漫着不确定，完全有赖于具体情形来判定施行的，交易审批以及合规会审事宜当中具备有，因逻辑构造繁杂，过往事例相当关键且起着重要作用的特性，所以它们同时还是Agent去构建决策关联脉络的最为理想的环境 。

而存在着另外一个信号，专门朝着“新记录系统”的诞生所指向：此为系统交汇处里具备的、有着某种作用类似“胶水”般那种职能 。

Revenue Operations（收入运营）之所以存在，原因在于不存在任何人能够同时将销售、财务以及市场系统都有效搞定，DevOps 的存在，是因开发与运维之间存在深深的沟壑，安全运营（SecOps）却是卡在 IT 与合规之间 。

这些角色的现身，其自身就是针对当下软件生态的一种讥讽，鉴于不存在任何单一的记录体系能够具备具备跨职能的眼界视野，故而组织不得不塑造创建一个人类角色去充任“人肉中间件”，以此去负载那些软件所无法捕获抓取的上下文内容信息，。

有一个可将此角色自动化的 Agent，它的价值并非仅仅在于效率，它依靠持久化去保存决策、还有例外以及先例，进而把这种隐形的“胶水”给实体化了。这并非是在拆除现有的巨头，而是在于捕捉一种唯有当 Agent 介入工作流之际才会显现出来的真理。

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。

但实际的关键在于，下一个万亿级别的平台究竟是什么呢 ，它是借助单纯地给现有的毫无温度的数据增添AI补丁来搭建的吗 ？还是凭借捕捉那些致使数据具备行动力的决策轨迹去构建的呢 ？

我们把赌注下在了后者身上，而如今那些搞“上下文图谱”构建的初创公司，在为这个崭新的时代夯实基础呢，句号。