這兩年我做了不少企業(yè)的AI咨詢和培訓，越往后越發(fā)現一件事：

一家公司里，真正在發(fā)生的「數據」，有一大半根本不在線上。而缺乏數據這件事，讓AI在企業(yè)內的落地變得尤其困難。

工位旁那五分鐘的爭論，走廊里那段路上拍的板，茶水間一杯咖啡功夫聊出來的方向，所有這些都沒進過任何系統(tǒng)。事后回看，連當事人自己都未必能復述清楚當時的判斷邏輯。

粗略估一下，一家公司40%的關鍵決策，最后是沒有數字痕跡的。

協作鏈外的那一半

為什么這件事重要？

這一兩年AI在企業(yè)內部鋪得挺快的。寫郵件、做總結、畫PPT、批工單，幾乎所有線上協同環(huán)節(jié)都被AI滲透了一遍。但你只要跟一線員工聊幾句，會發(fā)現一個共同的尷尬：

AI的輸出經常只是半成品。

不是模型不行，是它看不見當時那場會議的語氣，看不見那場爭論里被否掉的方案，看不見那個客戶當面提的真實顧慮。

AI在線上看到的，是已經被人為簡化過的協作記錄。那些沒被打字打出來的判斷、權衡、臨時決定，對它來說不存在。

隨著模型能力一波接一波往上提，現在影響AI在企業(yè)里真正落地的，已經不再是模型本身，更多是你能給AI多少context。

如果你不太熟悉「context」這個詞，簡單理解就是「上下文」、「來龍去脈」的意思。一份會議紀要、一段歷史聊天、一個客戶的過往記錄，都是context。

這兩年AI圈挺愛聊prompt engineering（提示詞工程）和harness engineering，但比這兩個都更基礎、更核心的，其實是context engineering。能不能把上下文給清楚，才是決定AI干得出靠譜活的最關鍵一步。

決策者做對的判斷，靠的是context的密度和完整度。AI給好的輸出，靠的也是context。當一半的context停留在線下時，AI能干的也就是半個事。

過去為什么補不上

這件事其實也不是沒人想過。

兩年前我就寫過一句話：理想的AI硬件應該是無限長上下文、能處理多模態(tài)信息的Copilot。那段時間市面上一堆AI Pin形態(tài)的產品，戴脖子上的、夾衣領上的、放桌上的，各種形態(tài)都有。

大家在賭的也不是硬件本身，是賭誰能把context這件事先做成。

但回頭看，那一波基本都沒成。跟試用過的朋友聊下來，結論都差不多：用一陣就放下了。

倒不是產品本身做得有什么問題，主要還是入口錯了。

各種AI硬件都在試圖解決個體的數據收集問題。它依賴使用者個體的意識：你得記得帶、記得開、記得回去整理、記得同步給同事。整理出來的內容也只能進自己的筆記軟件，進不到組織層面的工作流里。

組織級的數據，用個體級的設備來接，注定零散。

這是入口問題，不是技術問題。

企業(yè)微信這次的切入

所以看到近期企業(yè)微信的升級的時候，我立刻覺得這個方向在企業(yè)級的AI應用市場上是個不同的嘗試。

企業(yè)微信現在希望能夠讓AI融入內外協作場景，為辦公和對外服務提質增效。5.0.8這一波更新里，我反復看下來，真正的價值是它從一個組織級入口系統(tǒng)性地動手了。

最顯眼的功能是新增的「記錄面聊」。

第一眼看上去和錄音轉寫類工具區(qū)別不算大，手機放桌上、開始錄、結束后自動出總結。但你只要看一下使用流程，會發(fā)現差別完全不在錄音這一步。

聲紋識別這件事本身不新鮮，但它跟企業(yè)通訊錄聯動這一下，含金量就完全不一樣了。這些身份信息系統(tǒng)里早就有，只是過去從來沒流到錄音轉寫這一步。

總結這一步其實只是中間過渡。它緊接著要干的事，才是真正不一樣的地方。

這一步是關鍵。待辦不是停在聊天記錄里，是直接進了被@那個人的工作流。從口頭溝通到任務分派，中間不需要誰去手動整理，閉環(huán)是自動閉上的。

我想強調的不是這個功能很方便。

真正不一樣的地方在于：這場原本會蒸發(fā)掉的線下討論，它的context第一次被組織系統(tǒng)正經接住了。誰說了什么、達成了什么共識、要誰去做、什么時候交付，都能沉淀下來。

它在干的事，是把組織協同的邊界，從會議室向走廊和茶水間又推了一段。

context黑洞，不止在線下

除了加了個面聊能力外，再往下看一層，我發(fā)現這一版升級真正想解的，是讓AI看見更完整的公司。而context黑洞，遠不止線下溝通這一種。

另一種黑洞，發(fā)生在數據庫和AI之間。

企業(yè)每天都在產生大量結構化業(yè)務數據：客戶跟進記錄、項目進度、銷售結果、內容表現、庫存。理論上AI能幫上很多忙。

但真用起來，業(yè)務人員要走一套挺折騰的流程：先從系統(tǒng)里把數據導出Excel，再復制粘貼喂給AI，AI給個結果，再貼回業(yè)務系統(tǒng)。

每一次中轉都在丟context。AI不知道這張表在公司里是干嘛的，不知道前面幾列是什么意思，不知道結果應該回到哪里。

5.0.8里全新升級的「智能表格」，干的就是這件事的另一面。

打開一張表，加一列AI字段，對應的卡片庫里已經按場景分好類——客戶管理、項目管理、信息提取，每張卡片都是寫好的現成prompt。

我自己造了一份模擬的銷售線索表，12條客戶記錄，故意混了不同情況：有主動加微信問API的、有要求降價30%的、有「領導出差回來再說」的、有看完Demo就消失的。

選了「分析客戶意向」這張卡片，沒寫一行prompt，直接跑。

跑出來的結果還挺出乎意料。12條里我心里有標準答案的那幾條，AI判得幾乎都跟我一致。

最讓我意外的是它對模糊回應的處理。「領導出差回來再說」這種含糊的話，它沒急著判低，給了中，留了余地。這種判斷在銷售場景里其實挺關鍵，把無效線索和等待線索區(qū)分開。

模型能力本身大家見過。真正不一樣的是體驗：從打開表格到拿到分類結果，中間沒有任何一步是「我得跑去AI對話框、復制粘貼、再貼回來」。常用的判斷邏輯都已經做成現成卡片，一鍵即用。

這點對企業(yè)里的AI落地其實特別關鍵。我做企業(yè)培訓這兩年發(fā)現，AI在公司推不開，根本原因往往不是工具不行，是普通員工不會用，不會寫prompt，也不知道哪個場景該用哪個工具。但凡門檻降到「選一下就跑」，普通同事就愿意主動用。AI在一家公司里真正有用的標志，不是少數極客玩得多深，而是絕大多數普通員工愿意主動打開它。

也支持自定義。卡片庫里沒有現成的，一句話寫需求加上選要參考的字段，AI自己把這個字段搭出來。

我順手又加了一個「推進建議」字段，讓AI根據溝通記錄給一句話建議。

跑出來的建議比我預想的更接地氣。我以為會是那種「保持密切溝通」式的廢話，結果每條都是具體動作，連時間節(jié)點都給到位。

這才是更野的玩法——離「用自然語言直接操作業(yè)務系統(tǒng)」又近了一步。

我順手又造了一份項目跟進表，讓AI看「最新進展」加「近期會議提及」加「資源投入」三列，自定義一個風險評級字段。

12個項目里11個判得跟我心里的預期一致。它能從「老板反復改方向」「方案被駁回還連續(xù)兩周被點名」這種自由文本里讀出風險信號，而不是只看「計劃完成時間」這種結構化字段。這點比我以為的強。

但有一條AI跟我判得不一樣。「營銷活動數據看板」我心里是高風險，因為已經上線但運營反饋數據延遲2小時無法接受，昨天還在開緊急會議討論修復。AI判了中。我猜它的邏輯是「已上線+問題已知+正在修復」，所以中；而我側重「業(yè)務方已經不能忍了」，所以高。

這種分歧反而是好事。AI做初篩、人做最終判斷，這個分工是合理的。不是AI的判斷一定對，而是它先把可疑的標出來，省掉人類那一遍人肉掃描。

但我覺得最關鍵的一步，是另一邊：

智能表格支持把企業(yè)散在各個平臺后臺的數據直接接進來。電商、營銷、ERP的主流后臺基本都覆蓋了。每一個來源原本要單獨導出、再人工合表，現在能在表格里直接同步。

這件事比看起來重要。當業(yè)務數據從分散變成集中，AI第一次可以在一個完整的視圖里做判斷，而不是被困在某一個孤島里。

把面聊和智能表格連起來看，邏輯就清楚了：一個接住溝通的context，一個接住數據的context。

還有一件容易被忽略的事情是，大家都在聊AI，讓AI進工作流，但在一個團隊，一個企業(yè)內，這注定是少數人跑得快的事情。智能表格的AI字段要做的，就是讓更多企業(yè)成員可以不寫prompt，不用過多關注模型、配置，而是把實際工作里散落的數據、流程自動匯集到智能表格后，用“AI字段”，這一個個配置好的“技能卡”，真正為實際工作提效。

AI真正有用，就會有更多企業(yè)成員主動使用AI，讓更多的業(yè)務數據進入AI視野。

企業(yè)微信這次想補的是同一件事，讓AI真正能看見一個完整的公司。

一個人的context黑洞

上面講的都是公司層面。但context這件事，我自己其實先吃過虧。

做產品、寫文章這兩年，AI算是我的核心生產力工具。但越用越意識到，真正決定AI輸出好壞的，往往不是模型能力，是我能給它多少context。

我做AI編程不會自己改代碼，所有活都得AI干。這就逼著我必須想方設法把背景描述、問題歷史、相關代碼、過去為什么這么決定都喂給它。AI才能干出像樣的活。一個人對一個AI協作，已經這么費勁。

更難的是，我做過、寫過的東西分散在十幾個工具里。每次想讓AI幫我寫一篇新文章，光把過去相關的材料從各處撈出來就要半天。后來我下決心把這些信息整理成一個統(tǒng)一的、結構化的context，整體一次性喂給AI，輸出質量肉眼可見地不一樣。

一個人的context黑洞是這種感覺。一家公司的context黑洞，體量是它的幾百幾千倍。

context是AI時代的基礎設施

這件事其實管理學里早就有它的影子。

奈飛的Reed Hastings在自己公司沉淀過一條很有名的管理原則，叫「Context, not Control」。意思是：好的管理者不應該去控制員工每一步怎么做事，而是把戰(zhàn)略目標、市場處境、決策背景這些充分給到員工，讓他們自己做出更好的判斷。

往前再退六十年，Drucker其實早就講過類似的事。他說knowledge worker干的活本質上就是判斷，判斷的質量取決于他手里有多少信息。

Stanley McChrystal在《Team of Teams》里講的「shared consciousness」也是一樣：讓一線作戰(zhàn)單位也能看到最高指揮部能看到的全景，他們的決策質量會上一個臺階。

管理學這一脈一直在解的，本質上是一道題：怎么讓正確的人手里有正確的信息。

我覺得AI在企業(yè)里其實是這道題的延續(xù)。它是一個非人類的knowledge worker。決定它輸出質量的，不只是prompt寫得多好，更是它能看見多少你公司里的真實情況。

過去十年，企業(yè)數字化解決的事是「線上數據能不能被量化」。把流程搬上線、把表格做成系統(tǒng)、把客戶記錄電子化，這件事大體上做完了。

下一波的真問題是：這些數據，能不能流到AI面前。

其實不是問AI能不能跑、能不能寫，這些都不是瓶頸了。瓶頸在于：決策的現場、溝通的現場、數據的現場，AI能不能站在那里。

決策者真正缺的，不是AI能力本身，是那個能站到他旁邊、看著他做事、還知道他過去做過什么的AI。這個AI能看多遠，取決于你給它喂了多少context。

我個人挺看好這個方向。倒不是因為面聊或者智能表格本身有多神，而是因為有人開始系統(tǒng)性地把組織里那些散落的、隱性的、過去AI看不見的部分往里收。這是一件慢功夫，但入口對了。

走廊和茶水間的那部分

那些發(fā)生在工位旁、走廊里、茶水間的對話，那些散落在十幾個后臺里的業(yè)務數據，過去都屬于「組織里看得見但摸不著」的東西。

這次，開始被接住了。

我猜接下來一兩年，「補context」會是企業(yè)級AI真正卷的方向。模型多大、參數多少、跑分多高，都不是問題。問題是，誰能給AI看見一個更完整的世界。

這一局，企業(yè)微信先看見了。