Atlan 以企業脈絡創造 AI 價值的主張，將焦點轉向模型以外
Atlan 正挑戰企業 AI「模型優先」的做法，認為即使系統能力強大，仍欠缺完成實際工作所需的業務理解。10 月 28 日 MIT Technology Review Insights 的一篇文章探討以企業脈絡創造 AI 價值，正好讓這項主張受到檢視。問題在於，組織究竟需要另一層基礎設施、更妥善地管理現有知識，還是兩者兼備。
這項論點本身亦帶有商業背景。該文章來自 MIT Technology Review 的客製內容部門，而非其編採部。Atlan 的會議材料指出，相關研究是與該公司共同製作。評估一項同時支持供應商產品定位的診斷時，這層關係值得留意。
Microsoft 的 Work IQ 提供了一個有用的比較：另一家供應商同樣圍繞業務脈絡來組織其企業 AI 策略。核心張力不僅是供應商之間的競爭。組織希望 AI 能實際執行工作，但其定義、權限及營運規則往往仍需由人作出詮釋。取得模型的使用權，並不能解決這些問題。
以企業脈絡創造 AI 價值，超越模型本身
10 月 28 日的企業脈絡分析從 Atlan 偏好的角度，呈現一個常見的部署問題。AI 工具可以迅速回應，卻可能誤解其服務的業務。Atlan 聯合創辦人 Prukalpa Sankar 認為，脈絡基礎設施有助縮窄這個落差。
脈絡層是向 AI 系統提供業務定義、關係、政策及其他資訊的基礎設施，讓系統能夠詮釋公司數據。這個概念之所以重要，是因為尋找資訊與理解其業務意義是兩回事。一份文件可以包含答案，卻未必能確立該答案是否仍具權威性。
這項發展更像是對企業 AI 價值來源作出更明確的商業論述，而非一項新近獲驗證的技術突破。
這項區分讓新聞維持適當比例。該文章並未證實單靠脈絡基礎設施便能帶來更佳財務回報。它提出了部署成效未如理想的解釋，以及解決問題的方向。買家應把這項解釋與任何特定實作方案分開評估。
以一個具說明性的銷售流程為例。助理找到客戶紀錄、概述近期對話，並草擬續約建議。每份檢索到的文件本身都可能準確。若助理混淆付款實體與其母公司，或忽略已獲批准的例外情況，建議仍可能失效。
較佳的模型或能識別模糊之處，並提出有用問題。持續維護的業務定義，則可在生成內容前消除歧義。兩種做法可以互補，但處理的是失誤的不同部分。把每個錯誤都視為模型問題，會掩蓋這項差異。
因此，以企業脈絡創造 AI 價值會改變採購對話。買家不應只問哪一個系統能產生最強答案，也必須問是甚麼令答案在其組織內具有效性。這包括誰批准了相關規則，以及規則最後一次修改是在何時。
出版關係同樣值得注意。Atlan 的脈絡研究活動推廣了與該公司共同製作研究的優先閱覽。這支持把相關論點視為由供應商支持、對這場辯論作出的貢獻，但不足以據此否定其所指出的根本問題。
實際含意比廣泛的銷售敘事更為狹窄。脈絡是企業 AI 失效的可信來源，但其重要性必須就每個工作流程加以確立。組織仍需有證據，證明所提出的介入措施可帶來可量度的改善。缺乏這種連繫，脈絡便會成為另一種難以驗證的解釋。
業務擁有人承擔 AI 可靠性問題
脈絡論點不僅向技術團隊施壓，也令業務擁有人面對壓力。若助理誤解已獲批准的政策，更換模型或許有幫助。若部門之間連政策本身也存在分歧，組織必須先解決分歧，軟件才可一致地套用該政策。
企業 AI 令長期被忽略的知識擁有權成為營運問題。
AI 開發人員可以連接文件庫，卻未必有權決定哪項政策凌駕另一項政策。安全團隊可以執行存取限制，卻不能決定財務部如何定義客戶。這些責任彼此交錯，但不屬於同一個人。
這帶來的實作負擔，與安裝對話介面不同。必須有人識別權威來源、指派擁有人、記錄例外情況，並維護這些決定。相關工作可能會揭露員工過去透過非正式對話處理的分歧。自動化令這些分歧更難繼續懸而未決。
對財務主管而言，壓力在於一致性。回答收入問題的助理，需要採用恰當的會計定義、報告期間及組織範圍。即使解釋流暢，也無法彌補選錯衡量指標的問題。業務擁有人必須讓預期的詮釋可供使用和檢視。
對服務主管而言，壓力在於適用性。能選擇步驟或使用工具完成工作的 AI 系統，即 agent，需要掌握相關客戶情況。有效的退款政策可能因合約或地區而異。檢索一般政策只是作出決策的一部分。
這些例子屬於說明性質，而非已報道的客戶成果。它們顯示，當軟件由草擬文字轉向建議行動時，脈絡擁有權為何變得重要。錯誤摘要會造成修正工作；錯誤行動更可能產生另一個團隊必須撤銷的義務。
採購團隊面對相關挑戰。脈絡平台可以承諾提供共同定義，但合約無法保證各部門會就此達成共識。買家需要區分供應商責任與組織責任。否則，購買基礎設施可能掩蓋尚未完成的營運決策。
知識工作者也會在較小規模上遇到同一問題。可搜尋的檔案庫有助人們尋找資料，而權威知識庫則確立哪些資料應指引工作方向。當個人記憶影響共同決策時，個人與團隊知識之間的區別便變得相關。
短期應對措施應配合所處理的失誤。缺少來源材料，需要提升覆蓋範圍。定義衝突，需要有人負責並加以解決。推理不正確，則需要修改模型或應用程式。把這些類別合併為單一準確度評分，可能會掩蓋真正需要介入的環節。
長遠而言，壓力會轉向維護。產品、合約、團隊及政策改變時，業務脈絡也會改變。部署方案即使在推出時表現良好，無需任何模型更新也可能變得不可靠。因此，脈絡論點亦是在主張持續的營運責任。
Microsoft 顯示為何脈絡正成為平台問題
Microsoft 提供了具體比較，因為它同樣將企業脈絡描述為共享基礎設施。在其 6 月 11 日講述內部使用 Work IQ 的文章中，該公司說明組織資訊如何支援更貼切的 AI 回應。它把脈絡呈現為助理周邊環境的一部分。
Microsoft 表示，Work IQ 會運用工作場所訊號並遵從既有權限。其內部案例包括將會議資訊與參與者連結，以及把員工情況套用至指引中。這些是公司自行報告的例子，而非對業務回報的獨立衡量。不過，它們確實顯示供應商正處理同一類問題。
競爭的關鍵問題，是業務理解應存放在哪裏，以及能在多大範圍內重用。
Microsoft 的工作場所智能方案描述脈絡如何在其工作場所環境內發展。Atlan 的論點則聚焦於跨系統提供業務理解。即使兩家供應商採用相似語言，這些立場仍為買家帶來不同問題。
對集中使用特定軟件環境的組織而言，內嵌其中的脈絡可作為自然起點。既有文件、身分資料及協作紀錄已在附近。買家仍須確立涵蓋哪些來源，以及所產生的詮釋能否適用於該環境以外。
對使用多個業務系統的組織而言，重用變得更重要。為財務助理維護的定義，不應與營運助理所採用的定義悄然出現差異。共享脈絡承諾減少這類重複。能否成功取決於整合與管治細節。
這並非集中式與分散式架構之間的簡單競爭。架構是組件及其責任的安排。中央服務可以分發過時定義，而應用程式專用脈絡亦可以在有限範圍內保持準確。位置本身並不決定品質。
更有用的比較在於變更。當定義改變時，哪些應用程式會收到更新？當存取權被撤銷時，哪些儲存的表示形式會停止暴露該資訊？當答案受到質疑時，審閱者能否重建所使用的來源與規則？這些問題把平台設計與營運後果連結起來。
可攜性同樣值得留意。買家應詢問，已獲批准的定義能否在工具之間轉移，同時保留擁有權、版本歷史及存取限制。匯出文字比保留其權威性容易。若遷移保留文字卻失去適用性，便可能重現原本的問題。
因此，供應商比較支持一項更廣泛的判斷，但未能證明任何一家的方法更優越。脈絡正成為平台責任，因為多個應用程式需要相同的業務理解。這為共享基礎設施創造機會，同時亦有令許多應用程式依賴同一錯誤的風險。
對買家而言，有用的回應是檢視一個跨越實際組織邊界的工作流程。局限於整齊文件集合的示範，無法回答核心問題。真正相關的證據，是當資訊在部門、應用程式及決策擁有人之間流動時，脈絡能否保持一致。
檢索證據支持較狹窄的主張
檢索增強生成（RAG）會在模型作答前檢索相關資訊並提供給模型。這是把生成式回應與外部知識連結起來的一種成熟做法。它的局限，亦有助解釋為何企業情境的論點備受關注。
Anthropic 在 2024 年 9 月的研究提供了一個技術例子。其 Contextual Retrieval 方法會在文件片段建立索引前加入說明性資訊，目的是保留段落脫離原始文件後可能流失的意義。
Anthropic 表示，結合其情境化技術後，檢索失敗率降低了 49%；加入重新排序後，則降低了 67%。重新排序是按相關性重新編排已檢索資料的第二輪篩選步驟。這些是公司評估所得的結果，而非企業財務回報的衡量數據。
更佳的檢索可支持情境論點，但並不能證明完整的企業情境平台屬必需。
情境化檢索研究處理的是一項特定失敗：系統因片段缺乏周邊意義而錯過相關資訊。這與解決互相衝突的企業政策相比，範圍較窄；也比判定使用者是否有權執行某項行動的問題更為狹窄。
這個差異對採購決策十分重要。若支援助理因文件片段缺乏識別細節而錯過答案，檢索改進值得研究。若它找到正確段落卻錯誤套用，失敗便發生在其他環節。廣泛的基礎設施提案應說明它要處理的是哪一類失敗。
以合約作例子可更清楚說明兩者的分別。一段文字指出客戶符合某項例外資格，但客戶名稱出現在前一頁。保留這種關係可改善檢索；要確認該例外是否仍然有效，則需要日期、修訂及授權等額外資訊。
因此，系統可以準確檢索，卻仍然提出錯誤的業務建議。反過來說，採用範圍有限且妥善維護來源的工作流程，未必需要廣泛的共享情境服務也可有足夠表現。合適的介入方式取決於實際任務、其資訊要求及失敗後果。
透過企業情境創造 AI 價值，應從這條相互依賴鏈來評估。來源覆蓋影響系統能找到甚麼；來源詮釋影響它理解甚麼；決策規則影響它建議甚麼；行動控制影響它可執行甚麼。某一環節的改進，並不會自動證明整個流程均有改善。
這種推理亦改變了閱讀示範的方式。成功回答只證明某個特定配置在特定條件下處理了某個特定問題，並不能證明它在不同部門之間具備普遍可靠性。買家需要的證據應包括模糊輸入、已變更政策及相互衝突的來源。
最有力的技術論證，會指出原有失敗、情境介入措施，以及由此產生的差異。保持模型和任務可比較，有助隔離真正改變的因素。把檢索成功與決策準確度分開報告，能令結果更易解讀，也避免把狹窄的改進擴大為更廣泛的主張。
更多情境可能令錯誤答案傳播得更遠
懷疑論的觀點始於一個直接問題：業務情境可能是錯的。共享定義可能過時、不完整，或存在爭議。持續供應這些資訊，可能令輸出看似一致，卻仍然不正確。一致性是有用的證據，但不足以證明真實性。
情境層可以分發權威資訊，卻不能證明該權威本身合理。
當組織把非正式知識轉化為可維護規則時，這一點尤其重要。有經驗的員工有時知道，文件化流程並不適用於某些情況。要把這種判斷編碼，就必須決定哪些例外屬合理例外。從對話中自動擷取一句說法，並不能解決它是否應成為政策的問題。
會議參與者可能在描述暫時的權宜方案。另一位員工可能重複過時做法。項目文件也可能記錄已被放棄的提案。每個來源都提供資訊，但各自具有不同程度的權威性。把它們視為等同，會在生成開始前已造成管治問題。
模型層面也存在限制。NIST 的生成式 AI 風險概況把虛構內容，即自信地生成錯誤或失實內容，描述為一項典型風險。該機構亦指出，生成的解釋與引用可能誤導使用者。相關來源材料並不能免除評估輸出的需要。
NIST 的分析支持對情境論點採取審慎解讀。更佳資訊可處理知識缺失，卻不能保證推理正確。系統可能錯誤套用有效規則，或過度陳述不確定的推論。情境品質與輸出可靠性需要彼此相關、但各自獨立的審視。
權限帶來另一個壓力點。員工能閱讀某份文件，並不代表自動化系統獲授權根據其內容採取行動。情境服務需要與規管後續行動的控制措施建立清晰關係。否則，準確資訊也可能支持未經授權的決定。
財務論證同樣仍不確定。維護定義、處理爭議、檢查權限及檢討失敗，都會消耗員工時間。這些工作其中一部分或可改善 AI 以外的既有流程，但買家在判斷部署的經濟效益時，仍應把它們納入考慮。
某個組織可能取得更佳答案，卻增加了產生這些答案所需的總工作量。另一個組織則可能充分減少審核工作，足以支持大量維護投入。有意義的比較應涵蓋整個工作流程，而非只看生成速度。這是一項分析要求，而非來源文章所報告的結果。
透過企業情境創造 AI 價值，亦需要接受其限制。若政策衝突仍未解決，有用的助理應揭示該衝突；若授權不清晰，它應把決定轉交至合適渠道。永遠給出自信答案的系統，可能掩蓋情境基礎設施原應揭示的組織不確定性。
因此，懷疑論立場並不要求拒絕投資情境，而是要求更具體地說明這項投資改變了甚麼。供應商應指出哪些錯誤會減少、哪些責任仍由客戶承擔，以及哪些失敗模式仍然存在。這樣才能使提案可被驗證。
下一步證據應把情境與已完成工作連結起來
未來數月，最有用的訊號將關乎部署證據，而非新詞彙。10 月的討論提出了一項清晰主張：除了模型能力外，業務理解亦值得獲得更多重視。下一步是判定這項主張在哪些範圍能帶來可衡量的效益。
當經維護的業務知識能在變動條件下改善已完成工作時，情境論點便更具說服力。
第一個訊號是在真實工作流程中的文件化比較。買家應尋找展示明確情境介入前後結果的資料。比較應涵蓋來源錯誤、決策錯誤、人手修正及已完成任務。能隔離出改善因素的結果，將可強化這項論證。
只展示經挑選的成功答案，無法消除核心不確定性。同時更換模型、介面、來源集合與審核流程的比較亦然。這些改變或可改善產品，但會令企業情境所作貢獻難以分辨。
下一個訊號是在業務變更後的可靠行為。經修訂政策、被撤銷權限或改名客戶，都能提供有用觀察點。系統會否在所有受影響應用程式中採納該變更？它是否保留足夠歷史，以解釋早前的答案？一致行為將支持共享基礎設施的論點。
持續出現的矛盾則會削弱該論點。若每個應用程式仍需人手修復，所提出的共用層便未有消除重複維護。若過時資訊仍留存在衍生儲存庫中，組織便需要了解修正如何傳播。初始設定的品質無法回答這些問題。
最後一個訊號是整體營運負擔。組織應在計入情境維護後，檢視審核人員是否花更少時間修正輸出；亦應追蹤未解決個案是否交到合適人員手上。若隱藏的準備工作增長更快，表面可見的審核工作減少便意義不大。
這些訊號並不取決於某一供應商勝出。Microsoft、Atlan 及應用程式開發商都可透過不同方法提供證據。有用的分別在於可用能力的主張與持續使用的觀察結果之間。買家兩者都需要，但不應混為一談。
對知識工作者而言，眼前的相關性很實際。知道資訊所在位置的助理可以節省搜尋時間；理解哪些資訊適用的助理可以支援決策。這種額外理解的價值，取決於使用者能否檢視、質疑及維護它。
從錯誤答案會造成可識別返工的工作流程開始。應與擁有相關政策的人一同檢討失敗，而不是把每項修正都視為提示問題。把資訊缺失與定義衝突、推理錯誤及不恰當行動分開處理。然後檢視擬議的情境投資是否針對這些具體失敗。對個人工作而言，經維護的個人知識系統可協助整理相關材料，但共享決策仍需要共享權威。當這個分別在部署後仍然成立，透過企業情境創造 AI 價值才會成為可信的主張。要求下一位供應商展示其系統如何處理已變更規則、有爭議來源，以及一項它應保持未解決的決定。
