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并不是智力问题，而是理解问题。

人工智能正在以惊人的速度变得更加智能。每隔几个月，我们就会看到更强大的模型、更强的推理能力和更加自治的AI代理。公司正在将数十亿美元投资于AI基础设施、模型和数据，全球企业AI投资额已达到252.3亿美元，且没有减缓的迹象。然而，尽管取得了这些进展，企业仍然难以将AI能力转化为持续的商业价值，95%的企业在其AI试点项目中没有看到任何可衡量的财务影响。

那么，为什么随着AI变得更加强大，价值却如此难以解锁？

人们通常认为，组织需要更好的模型、更好的数据、更好的集成，或者最近，需要更好的上下文。这些都是重要的因素。但是，上下文往往被视为一个技术挑战：更大的上下文窗口、改进的检索或访问更多信息。挑战更深刻。上下文可能解释信息的来源，但理解才解释为什么它很重要。

在未来，能够从AI中创造最大价值的公司将不一定是那些拥有最智能模型的公司，而是那些能够让人和AI系统从相同的理解出发，共同完成决策、优先级和意图的公司。

信息爆炸正在创造新的对齐挑战

生成式AI正在加速信息的创造，速度超过了组织能够解释、验证和管理信息的能力。更多内容、更多摘要、更多推荐。但是，企业不仅仅依赖于信息，它们依赖于共享的理解：为什么做出某些决定、哪些假设仍然成立、什么样的权衡被接受，以及内部语言如何被解释。

这种理解出乎意料地脆弱。随着战略在企业中传递——通过演讲、会议、摘要、工作流程和日益增加的AI生成内容——意义可能会变得模糊。每次转换可能都是有用的，但每次转换都会引入对原始意图的另一种解释。随着时间的推移，组织可能会积累更多信息，同时失去对信息意义和重要性的清晰理解。

对于人类来说，这创造了一个可追溯性的挑战：知道信息来自哪里、哪个版本是当前的、以及摘要是否准确反映原始决策。对于AI系统来说，挑战更深刻：仅仅访问信息并不能揭示组织中信息背后的意义。

问题不仅仅是信息的数量，而是信息可用性和共享理解之间日益增长的差距。错位是现代组织中最昂贵的项目，因为它隐藏在正常的工作中，直到成本变得明显。挑战不再是生成信息，而是维持信息被解释、转换和执行时的对齐。

组织理解一直难以捕捉

这种挑战存在是因为一些组织最有价值的知识既不是静态的，也不被正式系统捕获。它通过每个决策、会议、项目和客户互动而演变。挑战在于，随着时间的推移，如何保留这种理解。

企业一直依赖于超出文档化的专业知识：通过经验构建的判断、决策背后的假设以及通过处理复杂情况而发展起来的洞察力。大量这种知识是隐式的。人们往往知道的比他们可以轻松表达的更多，通过关系、协作和亲身经历而不是书面记录来携带上下文。

企业软件的设计初衷是记录交易、管理流程和存储信息。它记录了发生了什么，但很少记录为什么会发生。客户可能被标记为高价值客户，但不一定是因为关系历史、市场知识或战略判断，而是因为这些因素塑造了这一决定。产品决策可能被记录下来，但不总是记录决策背后的理由或权衡。

几十年来，组织一直依赖于人们在对话、团队和决策之间携带这种上下文。但是，随着工作变得越来越分散，AI系统也越来越深入地嵌入到日常工作流程中，依赖于非正式的知识转移变得越来越困难。

挑战不在于企业缺乏知识，而在于他们最有价值的知识从未被以机器可以理解的方式结构化。

从AI助手到AI代理的转变提高了赌注

随着公司从生成输出的助手转向采取行动的代理，这个挑战变得更加重要。根据2026年的一份Gartner报告，17%的企业已经部署了AI代理，尽管如此，超过60%的企业预计在接下来的两年内这样做。随着代理开始更新记录、触发工作流程并代表组织做出决定，误解的后果增加了。

许多研究都关注于AI模型的缺陷。这些担忧是真实的：45%的AI助手被发现歪曲了源内容，20%的输出包含重大准确性问题，包括编造的细节、糟糕的来源、不准确和过时的信息。

但是，更令人担忧的问题是，即使是完美准确的AI系统也可能做出错误的组织决策。准确性并不告诉AI系统为什么信息很重要、哪些优先级应该优先、以及什么意图支配着业务决策。即使AI检索到正确的信息，公司仍面临着更深层次的挑战：确保信息反映了赋予其意义的推理、优先级和意图。

随着AI变得越来越自治，公司将需要的不仅仅是访问数据。他们将需要能够保留信息背后意义的系统。

缺失的部分：组织理解的新层次

企业AI的下一个演进将需要在组织知识和AI行动之间添加一个新层次。

这并不意味着要替换现有的企业系统。系统记录将继续存储信息，AI系统将继续生成内容。相反，企业需要一种方法来连接组织中现有的信息，包括文档、会议记录、演示文稿、电子表格、转录、研究、消息和客户材料。

但是，连接信息只是开始。这个层次必须捕捉到做出的决定、支持这些决定的证据、塑造这些决定的假设和权衡、什么已经改变了、什么仍然不确定，以及哪里存在争议。这种基础设施的早期例子已经开始出现。与将单个文档视为孤立的真相来源不同，意义层维护了企业为什么得出某个结论以及什么可能改变它的不断演变的理解。

当一个人或AI系统开始一个任务时，可以将这种理解应用于上下文。这个层次识别相关信息，并将其连接到重要的决策、优先级和约束，同时表明相互矛盾的证据、过时的信息或未解决的问题。

对于人来说，这创造了一个共享的空间来探索证据、识别矛盾和理解决策背后的推理。对于AI系统来说，它提供了必要的基础来更准确地推理、识别不确定性并确定何时需要人类的判断。

因此，缺失的层次不像是一个更大的搜索索引或静态知识图，而更像是一种维护组织理解的基础设施，因为信息会随着时间的推移而变化和在企业中传递。其目的不是生成更多信息，而是确保推理、决策和意图背后的信息对采取行动的人和AI系统保持可用。

下一个AI优势：保留意义

第一个AI时代是建立在互联网规模的数据和计算能力之上的。企业软件创建了记录系统。生成式AI创建了生成系统。下一个AI时代将建立在特定于组织的理解之上。

组织已经积累了大量的专业知识，但他们越来越难以将这种专业知识扩展到成千上万的人、决策和现在的自治AI系统中。能够从AI中创造最大价值的公司将不仅仅是那些拥有最智能模型的公司，而是那些能够保留共享理解并在人、AI助手和自治代理之间优先对齐的公司。

因为智力正在迅速变得丰富。

共享理解正在变得稀缺的资源。