企业 AI 不赚钱，缺的是一层上下文

最聪明的实习生被蒙上眼睛扔进你的公司——这是报道里对企业 AI 现状的比喻。模型什么都懂，就是不懂你这家公司。一份新调查给出的数字很扎眼：几乎全员在用 AI，拿到变革性价值的不到五分之一。

一、发生了什么

据 MIT Technology Review Insights 10 月 28 日发布的调查（该机构与数据公司 Atlan 合作，属定制内容部门出品，不是编辑线报道），所有受访企业都在某种程度上使用 AI，但只有 16% 从中获得变革性价值；40% 只在具体任务或团队上看到中等收益，21% 收益算得上可观，剩下 23% 几乎没有回报。使用形态也还浅：38% 停在试点，35% 只当员工助手，12% 有 agent 真正跑在生产里，能替 AI 干关键流程大部分工作的只有 3%。Atlan 联合创始人 Prukalpa Sankar 的判断是：模型能力和企业实际收益之间存在巨大落差——对一切实际目的而言，通用智能已经到了，只是它在大多数公司里还派不上用场。她认为缺的那一层是上下文：一套架在业务系统和 AI 平台之间的架构设施，把企业的数据、语义和业务规则转成受治理的、机器可用的形式，让知识能被 agent 持续复用。

二、跟你有什么关系

投了 AI 预算还没看到回报的。 先别急着换更强的模型。23% 零回报企业的共同点往往不是模型差，而是 AI 看不到客户的记录、部门的口径和历史决策，输出自然对不上业务。

管数据平台的。 上下文层是新的责任边界：它不是又一座数据仓库，而是把「治理好的业务知识」变成 AI 能直接消费的产品。这套东西正在成为新的采购品类。

做 agent 应用的。 报道里一个直接的推论：能理解客户历史、此前动作和固定业务规则的 agent，回答更有连续性，客户不用重复自报家门，流程也随之变快。

三、怎么用

1. 先做一次「蒙眼测试」：挑一个你的 AI 应用，列出它回答时能看到的信息清单。缺了客户历史、部门规则、之前决策中的哪几项，就是你要补的上下文。
2. 别一上来就建大平台。从一个人工审核环节做起：agent 摆出发现和证据，人确认后才进入下一步。这同时挡住错误扩散、留下审批记录。
3. 把反馈闭环建起来：agent 的输出、人工的修改、上下文层的更新，三边打通。判断标准是半年后同一个问题不再需要人纠错。

四、三个别信的说法

「换最新的模型就能解决」。 模型强不等于懂你的业务。蒙着眼睛的天才实习生换得更聪明，还是在盲飞。上下文不补，每次换代都是重付学费。

「上下文就是把文档喂给它」。 治理过的结构化上下文和一堆 PDF 是两回事。口径不一致、版本过期、权限混乱的语料，喂进去只会让错误显得更有根据。

「这是 IT 部门的事」。 上下文层装的是业务规则和语义，定义这些的是业务部门。IT 只能搭管道，填不进业务知识，层建了也是空的。

五、一句话结论

决定 AI 回报上限的不是模型，是你让不让它看见这家公司。

信息来源

• MIT Technology Review：用企业上下文创造 AI 价值，2026 年 10 月 28 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。