了解差距：为什么更智能的AI仍然难以带来商业价值

企业 AI 的问题不在于智力，而在于理解。

人工智能正以惊人的速度变得更强。每隔几个月，我们就会看到能力更高的模型、更强的推理，以及自主性不断提高的 AI 智能体。企业在 AI 基础设施、模型和数据上投入巨资，全球企业 AI 投资已达到2523 亿美元 ，且没有放缓迹象。然而，尽管技术持续进步，企业仍难以把 AI 能力转化为稳定的业务价值， 95% 的企业 尚未从 AI 试点中看到可衡量的财务影响。

既然 AI 能力越来越强，为什么价值仍然如此难以释放？

人们通常认为，组织需要更好的模型、数据、集成，或者 最近更受关注的、更好的上下文。这些都很重要。但上下文往往被视为技术问题：更大的上下文窗口、更好的检索，或更多的信息访问能力。真正的挑战更深一层。上下文可以解释信息来自哪里，而理解才能解释它为什么重要。

未来，从 AI 中获得最大价值的企业，未必拥有最聪明的模型，而是能让人与 AI 系统基于同样的理解开展工作：理解影响工作的决策、优先级与意图。

信息爆炸正在带来新的协同挑战

生成式 AI 加快了信息的生产速度，超出了组织解读、验证和管理信息的能力。内容、摘要和建议都在增多。但企业并不只靠信息运作，还依赖共同理解：为什么作出某项决定，哪些假设仍然成立，接受了什么取舍，以及如何解释内部用语。

这种理解出乎意料地脆弱。当战略在企业中通过演示文稿、会议、摘要、工作流程以及日益增多的 AI 生成内容传递时，含义可能被稀释。每次转换或许都有用，却也引入了对原始意图的又一次解读。久而久之，组织积累了更多信息，却越来越不清楚信息意味着什么、为什么重要。

对人而言，这带来可追溯性问题：信息来自哪里，哪个版本最新，摘要是否准确反映原始决策。对 AI 系统而言，问题更深：仅仅能够访问资料，并不能揭示其背后的组织含义。

问题不只是信息量，而是信息可得性与共同理解之间不断扩大的鸿沟。目标和理解不一致，是现代组织中代价最高的成本项之一，因为它隐藏在正常工作中，直到成本显现才被发现。如今的挑战不再是生成信息，而是在信息被解释、转换和用于行动时维持一致理解。

组织层面的理解一直难以记录

这一挑战之所以存在，是因为组织中某些最有价值的知识既不是静态的，也没有被正式系统记录。它随着每一次决策、会议、项目和客户互动而演变。难点在于，当理解不断变化时，如何把它保留下来。

企业一直依赖文档之外的专业知识：经验形成的判断、决策背后的假设，以及应对复杂情况时获得的洞见。其中很多是隐性知识。人们知道的常常比能够轻易表达的更多；他们通过关系、协作和亲身经历传递上下文，而不是只靠书面记录。

企业软件的设计目标是记录交易、管理流程和存储信息。它记录发生了什么，却很少记录为什么。系统可以把某位客户标记为高价值，但未必记录形成这一判断的关系历史、市场知识或战略考量。产品决策可以被记录，背后的推理和取舍却不一定留下。

几十年来，组织一直依赖人把这些背景在对话、团队和决策之间传递。但随着工作日益分散，AI 系统融入日常流程，依赖非正式知识传递越来越困难。

企业并非缺乏知识，而是其中大量最有价值的知识，从未以机器能够理解的方式组织起来。

从 AI 助手转向智能体，后果变得更重大

当企业从生成结果的助手转向采取行动的智能体时，这个问题更为重要。 根据 Gartner 2026 年的一份报告，目前 17% 的企业已经部署 AI 智能体，超过 60% 则预计在未来两年内部署。随着智能体开始更新记录、触发工作流程并代表组织作出决策，误解的后果随之增加。

许多研究关注 AI 模型的不足，这些担忧确实存在： 研究发现，45% 的 AI 助手会歪曲来源内容，而 20% 的输出存在重大准确性问题，包括虚构细节、来源依据不足、事实错误和过时信息。

但更值得担忧的是，即使一个 AI 系统在事实层面完全准确，也仍可能作出错误的组织决策。准确性本身不会告诉 AI，信息为什么重要、哪些优先事项应当优先，或者某项业务决策背后的意图是什么。即使 AI 检索到了正确的信息，企业仍面临更深的挑战：确保信息体现赋予其意义的推理、优先级与意图。

AI 越自主，企业就越不能满足于数据访问能力。它们需要能保留行动依据背后含义的系统。

缺失的部分：连接组织知识与行动的理解层

企业 AI 的下一阶段，需要在组织知识与 AI 行动之间增加一个新的层次。

这并不意味着替换现有企业系统。记录系统仍会存储信息，AI 系统仍会生成内容。企业真正需要的是，把分散在组织各处的信息连接起来，包括文档、会议记录、演示文稿、电子表格、转录文本、研究、消息和客户资料。

连接信息只是起点。这个层次必须记录决定了什么、决策背后的证据、形成决策的假设与取舍、此后发生了什么变化、哪些问题仍不确定，以及哪些观点存在争议。这类基础设施的早期实例已经出现。它们不把单份文档视为孤立的事实来源，而是持续维护对企业为何得出某个结论、哪些因素可能改变该结论的理解。

当人或 AI 系统开始一项任务时，这种理解就可以结合具体情境加以运用。理解层识别相关信息，将其与重要的决策、优先级和限制条件连接起来，同时揭示相互冲突的证据、过时信息或尚未解决的问题。

对人而言，这创造了一个共同空间，用于探究证据、发现矛盾并理解决策推理。对 AI 而言，它提供了依据，使系统能够更准确地推理、识别不确定性，并判断何时需要人类判断。

因此，这个缺失的层次与其说是更大的搜索索引或静态知识图谱，不如说是在信息不断变化并流经企业时，维持组织理解的基础设施。其目的不是生成更多信息，而是让采取行动的人与 AI 系统始终能够获得信息背后的推理、决策和意图。

下一阶段的 AI 优势：保留含义

第一阶段的 AI 建立在互联网规模的数据与算力之上。企业软件创建了记录系统，生成式 AI 创建了生成系统。下一阶段的 AI 将建立在组织特有的理解之上。

组织积累了海量专业知识，却越来越难以让这些知识在成千上万的人、决策以及如今的自主 AI 系统之间扩展和共享。从 AI 中创造最大价值的企业，不会仅仅是拥有最聪明模型的企业，而是能够保留共同理解，并优先促进人、AI 助手与自主智能体之间协调一致的企业。

因为智能正在迅速变得充裕。

共同理解正在成为稀缺资源。