编者按：前两年，企业聊AI张口就问“模型有多强”；往后两年，真正分出胜负的问题会换成“模型有多懂我的业务”。实验和运营之间隔着一条沟，沟里填的是业务约束、组织关系和那些说不清道不明的隐性知识，而把沟填上的，就是上下文。
今天的企业级AI，本事已经不小：能出建议、能自动跑流程、能在海量信息里迅速归纳，还能帮组织以前所未有的速度拍板。不过 MIT Technology Review Insights 最新文章提醒了一件事，这个前提老被忽略——模型要是不懂一家企业实际怎么运转，哪怕它再强，也可能绕开那些真正决定决策对错的约束条件和业务关系。
问题不在模型本身有多能干，出在“上下文”上。模型推理可以很严密，但它推理时依据的那个世界模型，通常是被简化过的通用版本，业务细节早被剔干净了。
通用模型进企业，为何总“水土不服”
通用大模型拿公开互联网语料训练，回答“一般来说该怎样”很在行，换成“我们这家公司、这个季度、这条产线上该怎样”，它就犯难了。企业决策的真实约束，多半藏在三个地方：一是数据语义，同一个字段在不同系统里指的业务含义可能完全不同；二是业务规则，合规红线、审批权限、库存和账期的硬性限制都算；三是组织关系，哪项指标归谁负责、哪个部门能一票否决某项变更。
这些上下文一缺，模型给的建议常常纸面上好看，一执行就撞墙。供应链优化就是个典型：模型可能建议集中采购压成本，可它不知道有些品类的供应商被长期合作协议锁死，也不知道某些物料卡在进出口管制上。建议本身挑不出错，错在它没把企业运行的现实边界放在眼里。
上下文感知AI，三层含义
上下文感知不是简单往模型嘴里“多塞点数据”，而是让AI下结论时能同时够到三类信息：事实上下文，也就是企业实时的业务数据和历史记录；规则上下文，包括制度、合规要求和流程约束；关系上下文，指指标之间、系统之间、人与职责之间那张关联网。三样叠在一起，模型才能从“博学的外部顾问”变成“知根知底的内部同事”。
本轮企业级AI落地里，一个方向性转变很扎眼：竞争力正从模型参数规模的大小，挪到对业务语义吃得多透上。
试点做得漂亮，日常运营却卡住
不少企业的AI项目在概念验证阶段成绩亮眼，真到全面铺开却推不动。原因往往不是技术栽了跟头，而是“最后一公里”的上下文没跟上：试点时有少数专家人工兜底，替模型解释数据、核对输出；一旦转入日常运营，人工兜底扩不了规模，模型的不确定性就全露出来了。
也正因如此，建统一数据语义层和知识图谱的企业多起来了。语义层把散在各系统里的指标统一定义，让“活跃客户”“有效订单”这类说法全公司只有一个解释；知识图谱把客户、产品、供应商、合同、组织单元之间的关系显式建出来，模型推理时就能顺着关系链核对约束，不用凭空编。
落地怎么走，治理抓什么
实践中走得通的路径一般分四步：先挑高价值的决策场景下手，把该场景的关键约束和责任归属定清楚；再把撑起这个场景的数据语义和规则清单理出来，从文档和专家脑子里搬成机器可读的形式；然后用检索增强、工具调用加知识图谱的路子，让模型生成时“先查再答”；最后建持续评估机制，答案准不准要评，对业务约束守没守、能不能追溯也要评。
治理这块同样得有上下文意识。哪些数据能进模型上下文、哪些规则必须硬校验、哪些建议必须过人工复核，企业都得划明白。上下文越丰富，模型的权限边界越要清楚——这既是控风险，也是让业务部门敢把系统信起来的前提。
结语
AI在企业里值多少钱，说到底不看它能生成多少内容，看它能不能在正确的约束下做出正确判断。企业开始把业务语义、制度规则、组织关系当成和算力一样重要的基础设施来建，AI才算真正从演示走进运营。上下文感知不是一个功能点，是一套系统性的工程能力，也是往后几年企业AI竞争的分水岭。
