编译：Block unicorn
每年的这个时候往往会涌现出许多回顾文章。但上周有几篇文章却因不同的原因而脱颖而出：它们为我们目前在人工智能发展曲线中所处的位置以及未来的发展方向提供了真实的历史性背景。
特别吸引我注意的三篇是：Ivan Zhao（Notion - 蒸汽、钢铁与无限的思维）、Aaron Levie（Box - 杰文斯关于知识工作的悖论）和Jaya Gupta（Foundation Capital - 人工智能的万亿美元机遇：背景图谱）。尽管是从截然不同的视角出发的，它们都汇聚到同一个核心观点：我们不仅仅是在现有软件上叠加人工智能，而是在从根本上重构工作、决策和企业系统的运作方式。
一些共同的主题逐渐显现出来：
1/ 这种转变是结构性的，而非渐进式的。
企业软件正在围绕 AI 原生系统进行重新架构，而不是升级 SaaS。
2/ 背景比原始数据更重要。
未来不仅仅是存储文件或工单，而是要理解决策背后的原因。
3/ 代理只有在丰富的背景中才能发挥强大的作用。
工作流程、意图、历史记录、权限和结果是将代理从演示转向系统的关键。
4/ 我们以前看过这部电影。
每一次重大的平台迁移，在合适的抽象层出现之前，看起来都很原始。而一旦出现合适的抽象层，价值创造就会加速。
5/ 这不是一年的炒作周期。
这是一项历时多年的重建工程，旨在重新审视工作方式、工作主体以及企业软件的意义。
这让我想到了过去一年来我一直在深入思考的一个主题：背景。我们谈论背景时，指的不是元数据或更完善的提示，而是决策时的理解。背景是围绕着每一个实际企业决策的输入、意图、约束、历史、权限、例外情况和结果的组合。它区分了“知道发生了什么”和“知道为什么会发生”。
大多数企业系统最初是为了存储记录而构建的，它们从未被设计用来捕捉决策逻辑的演变过程。如今，这一缺陷正成为人工智能普及应用的瓶颈。
这个想法并非全新。我们可以从软件开发领域找到一些早期迹象。规范驱动开发已成为人工智能领域增长最快的方向之一，其核心理念很简单：代理需要明确的约束才能正常运行。
在那个世界里，规范变成了鲜活的文件。它们编码了意图、界限和预期行为，并随着主体的行动和学习而不断演变。
现在不同的是范围。
决策智能将这一理念从代码层面延伸到企业的每个工作流程中，在这些工作流程中，代理能够解读模糊的人类意图、做出权衡取舍并在现实世界中采取行动。由此产生的是一种更广泛、更强大的抽象概念：执行智能层。
执行智能层位于意图和基础设施之间。它负责评估背景、做出决策、协调行动并记录结果。它将理解转化为行动。
我在《What's Hot #464》中对此进行了更详细的阐述：
规范是策略层的一种实际应用。它们不仅适用于代码，还可以应用于所有需要代理解读模糊的人类意图并据此采取行动的工作流程。一旦建立，规范就成为动态文档，将文本转化为代理的行为。
Aaron 阐述了未来的机遇，并解释了为什么背景比我们想象的要大。
Jaya Gupta 更进一步，指出了这件失踪文物的名称。
代理需要的不仅仅是规则。它们还需要访问决策痕迹，这些痕迹显示了规则在过去是如何应用的，例外情况是如何被批准的，冲突是如何解决的，谁批准了什么，以及哪些先例实际上支配着现实。
这就是代理系统初创公司所具有的结构性优势所在。它们位于执行路径中，能够在决策时看到完整的背景：跨系统收集了哪些输入、评估了哪些策略、调用了哪些例外处理路径、由谁批准以及写入了哪些状态。如果将这些跟踪信息持久化，就能获得目前大多数企业所不具备的东西：一份可查询的决策过程记录。
而关键就在于此——为什么初创公司能够获胜
代理系统初创公司具有结构优势：它们处于协调路径上。
当代理对升级事件进行优先级排序、响应突发事件或决定折扣时，它会从多个系统中提取背景信息，评估规则，解决冲突并采取行动。编排层则能看到全局：收集了哪些输入信息，应用了哪些策略，批准了哪些例外情况，以及原因。由于它负责执行工作流，因此可以在决策时立即捕获这些背景信息——不是事后通过 ETL 处理，而是作为一级记录实时获取。
这些想法共同指向同一个结论：模型本身并不能创造杠杆效应，执行智能层才能做到。
我在很多投资组合公司中都看到了这种情况。正如 Aaron Levie 所说，LLM （法拉第机制）之上还有一层比最初想象的要厚得多的因素。
护城河并非查询与响应之间的交互。当工作流程实现自动化、人类参与决策、异常情况得到妥善处理，以及系统从这些结果中学习并随着时间的推移形成更优的行为模式时，护城河就会变得更加坚固。
企业运营的“最后一公里”总是最漫长的。而这恰恰是 2026 年的机遇所在。随着代理系统演化为决策、执行和学习引擎，企业内部释放的价值将是巨大的。当然，要实现这一目标，我们仍需构建和完善许多方面。
一如既往，感谢阅读，我们下一篇文章再见！
