企业 AI 的下一个竞争点，不是更多 Agent，而是更深的场景上下文

几年前，企业讨论 AI 时，最常问的是：哪个模型最强？之后，问题变成：我们是不是也需要做 Agent？到了今天，更值得问的问题可能是：这个 AI 到底懂不懂我的业务？

这背后反映的是企业 AI 正在发生的一次重要转向。模型仍然重要，Agent 也仍然重要。但当 AI 开始从聊天窗口进入客服、销售、采购、营运、财务与专案管理等真实工作场景时，真正的瓶颈往往已经不是「模型会不会回答」，而是：它是否掌握足够的工作上下文。

从 Prompt Engineering 到 Context Engineering

早期的大模型应用，很大一部分工作集中在 Prompt Engineering：如何把问题问得更清楚？如何设计 System Prompt？如何用更好的指令让模型输出更稳定？但 Agent 开始执行更长、更复杂的任务之后，只靠 Prompt 已经不够。Anthropic 将 Context Engineering 描述为 Prompt Engineering 的自然延伸：工程重点从「怎么写一段好的提示词」，变成「在每一次推理时，应该让模型看到哪些最相关的信息」。

这些信息可能包括：

• ●系统指令
• ●业务数据
• ●历史记录
• ●用户身份
• ●工具
• ●工作状态
• ●外部资料
• ●记忆
• ●过去几步的执行结果

因此，一个成熟的企业 Agent，不只是 Prompt + Model，而开始变成 Context + Model + Tools + Workflow + Governance。

Prompt + Model → Context + Model + Tools + Workflow + Governance

Agent 越强，对上下文的要求反而越高

这是一个容易被忽略的现象。当 AI 只负责写一段文案时，上下文不完整的代价可能只是「写得不够好」。但当 AI 开始：修改 CRM、发起退款、建立采购单、更新专案、联系客户、处理订单、执行企业流程——上下文错误的代价就完全不同。它必须知道：这是谁的客户？现在处于哪个业务阶段？公司规则怎么要求？哪些信息可以读？哪些操作可以做？什么情况必须交给人？

OpenAI 在近期企业 Agent 的产品与研究中，也把 context、tools、persistence 视为 Agent 完成有意义工作的核心条件，同时强调企业需要对 Agent 的信息存取、操作范围和高风险决策建立明确控制。这意味着：Agent 能力越大，场景上下文和治理能力越重要。

企业 AI 正从「使用工具」走向「理解工作」

过去的企业软件通常把工作拆成一个个功能：CRM 管客户。ERP 管资源。OA 管流程。BI 看数据。AI 最初也只是作为其中一个新工具加入。但现在正在发生另一种变化：AI 开始跨越不同系统，理解一件工作完整的前因后果。

例如一个 AI 客服处理退款，不只是回答退款政策。它需要同时理解：客户是谁、会员级别、历史服务情况；订单买了什么、付款状态、物流状态；规则是否符合退款条件；流程退款现在走到哪一步；权限它是否可以直接操作；系统需要在哪个订单或支付系统完成动作。这时候，AI 处理的已经不是一个「问题」，而是一个完整的业务场景。

模型正在商品化，场景深度正在成为差异

不同大模型的能力仍然会持续进步。但对大多数企业来说，很少会因为模型排行榜相差几个百分点，就形成真正持久的竞争优势。真正难以复制的，往往是企业自身多年累积的：业务数据、工作流程、企业规则、客户关系、组织角色、系统连接、历史经验。这些东西共同构成了企业自己的工作上下文。

OpenAI 2026 年推出的企业 Agent 平台 Frontier，也把 Business Context、Agent Execution、治理与持续评估放在同一个企业 AI 架构中，并强调 Agent 需要与企业的系统记录、权限和真实工作流程连接。这反映出一个值得关注的行业方向：企业 AI 的竞争正在从「谁拥有更强模型」，逐步走向「谁能讓模型更深地理解并进入真实业务」。

Context 并不等于把更多资料塞给 AI

这里还有一个常见误区。Context 不是：把所有资料全部放进模型。信息越多，不一定效果越好。

在這個時間、這個角色、這個任務下，AI 應該知道什麼？

Anthropic 在 Context Engineering 的实践中指出，Context Engineering 的核心恰恰是选择和维护对当前任务最有价值的信息，因为 Agent 在长时间、多步骤工作中会不断累积新的资料与状态。因此真正重要的不是我们有多少企业资料，而是：在正确的时间、角色与任务下，AI 应该知道什么。这也就是场景上下文与普通企业知识库最大的差别。

下一代企业 AI，更像工作系统

如果沿着这个方向发展，企业 AI 的形态也会发生变化。

1. 1
   Chatbot（聊天机器人）

   人问，AI 答。
2. 2
   Copilot（副驾驶）

   AI 帮人完成工作。
3. 3
   Agent（智能体）

   AI 可以调用工具、执行多步任务。
4. 4
   场景智能（Scenario Intelligence）

   AI 理解自己的角色、任务、状态、规则和权限，连接企业真实系统，在业务流程中持续工作。

OpenAI 最近也把企业 AI 的变化概括为从 assistance 走向 execution：AI 不只是协助思考，而开始真正完成工作。真正的分界点因此不是：有没有 Agent。而是：Agent 有没有进入真实业务。

71 SI 观察

我们认为，企业 AI 下一阶段的核心资产将不只是模型，也不只是 Agent。而是企业逐步沉淀下来的：数据 · 流程 · 规则 · 角色 · 系统，以及它们在不同工作状态下形成的关系。这些关系让通用 AI 开始知道：自己在哪里、面对谁、正在做什么、下一步应该怎么做。

当 AI 通用能力与企业自己的场景上下文真正结合，企业 AI 才开始从一个工具，变成可以参与业务、执行任务并交付结果的工作系统。这也就是我们所说的：

Scenario Intelligence · 場景智能