企業 AI 的下一個競爭點，不是更多 Agent，而是更深的場景上下文

幾年前，企業討論 AI 時，最常問的是：哪個模型最強？之後，問題變成：我們是不是也需要做 Agent？到了今天，更值得問的問題可能是：這個 AI 到底懂不懂我的業務？

這背後反映的是企業 AI 正在發生的一次重要轉向。模型仍然重要，Agent 也仍然重要。但當 AI 開始從聊天視窗進入客服、銷售、採購、營運、財務與專案管理等真實工作場景時，真正的瓶頸往往已經不是「模型會不會回答」，而是：它是否掌握足夠的工作上下文。

從 Prompt Engineering 到 Context Engineering

早期的大模型應用，很大一部分工作集中在 Prompt Engineering：如何把問題問得更清楚？如何設計 System Prompt？如何用更好的指令讓模型輸出更穩定？但 Agent 開始執行更長、更複雜的任務之後，只靠 Prompt 已經不夠。Anthropic 將 Context Engineering 描述為 Prompt Engineering 的自然延伸：工程重點從「怎麼寫一段好的提示詞」，變成「在每一次推理時，應該讓模型看到哪些最相關的信息」。

這些信息可能包括：

• ●系統指令
• ●業務數據
• ●歷史記錄
• ●用戶身份
• ●工具
• ●工作狀態
• ●外部資料
• ●記憶
• ●過去幾步的執行結果

因此，一個成熟的企業 Agent，不只是 Prompt + Model，而開始變成 Context + Model + Tools + Workflow + Governance。

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

Agent 越強，對上下文的要求反而越高

這是一個容易被忽略的現象。當 AI 只負責寫一段文案時，上下文不完整的代價可能只是「寫得不夠好」。但當 AI 開始：修改 CRM、發起退款、建立採購單、更新專案、聯繫客戶、處理訂單、執行企業流程——上下文錯誤的代價就完全不同。它必須知道：這是誰的客戶？現在處於哪個業務階段？公司規則怎麼要求？哪些信息可以讀？哪些操作可以做？什麼情況必須交給人？

OpenAI 在近期企業 Agent 的產品與研究中，也把 context、tools、persistence 視為 Agent 完成有意義工作的核心條件，同時強調企業需要對 Agent 的信息存取、操作範圍和高風險決策建立明確控制。這意味著：Agent 能力越大，場景上下文和治理能力越重要。

企業 AI 正從「使用工具」走向「理解工作」

過去的企業軟體通常把工作拆成一個個功能：CRM 管客戶。ERP 管資源。OA 管流程。BI 看數據。AI 最初也只是作為其中一個新工具加入。但現在正在發生另一種變化：AI 開始跨越不同系統，理解一件工作完整的前因後果。

例如一個 AI 客服處理退款，不只是回答退款政策。它需要同時理解：客戶是誰、會員級別、歷史服務情況；訂單買了什麼、付款狀態、物流狀態；規則是否符合退款條件；流程退款現在走到哪一步；權限它是否可以直接操作；系統需要在哪個訂單或支付系統完成動作。這時候，AI 處理的已經不是一個「問題」，而是一個完整的業務場景。

模型正在商品化，場景深度正在成為差異

不同大模型的能力仍然會持續進步。但對大多數企業來說，很少會因為模型排行榜相差幾個百分點，就形成真正持久的競爭優勢。真正難以複製的，往往是企業自身多年累積的：業務數據、工作流程、企業規則、客戶關係、組織角色、系統連接、歷史經驗。這些東西共同構成了企業自己的工作上下文。

OpenAI 2026 年推出的企業 Agent 平台 Frontier，也把 Business Context、Agent Execution、治理與持續評估放在同一個企業 AI 架構中，並強調 Agent 需要與企業的系統記錄、權限和真實工作流程連接。這反映出一個值得關注的行業方向：企業 AI 的競爭正在從「誰擁有更強模型」，逐步走向「誰能讓模型更深地理解並進入真實業務」。

Context 並不等於把更多資料塞給 AI

這裡還有一個常見誤區。Context 不是：把所有資料全部放進模型。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 的實踐中指出，Context Engineering 的核心恰恰是選擇和維護對當前任務最有價值的信息，因為 Agent 在長時間、多步驟工作中會不斷累積新的資料與狀態。因此真正重要的不是我們有多少企業資料，而是：在正確的時間、角色與任務下，AI 應該知道什麼。這也就是場景上下文與普通企業知識庫最大的差別。

下一代企業 AI，更像工作系統

如果沿著這個方向發展，企業 AI 的形態也會發生變化。

1. 1
   Chatbot（聊天機器人）

   人問，AI 答。
2. 2
   Copilot（副駕駛）

   AI 幫人完成工作。
3. 3
   Agent（智能體）

   AI 可以調用工具、執行多步任務。
4. 4
   場景智能（Scenario Intelligence）

   AI 理解自己的角色、任務、狀態、規則和權限，連接企業真實系統，在業務流程中持續工作。

OpenAI 最近也把企業 AI 的變化概括為從 assistance 走向 execution：AI 不只是協助思考，而開始真正完成工作。真正的分界點因此不是：有沒有 Agent。而是：Agent 有沒有進入真實業務。

71 SI 觀察

我們認為，企業 AI 下一階段的核心資產將不只是模型，也不只是 Agent。而是企業逐步沉澱下來的：數據 · 流程 · 規則 · 角色 · 系統，以及它們在不同工作狀態下形成的關係。這些關係讓通用 AI 開始知道：自己在哪裡、面對誰、正在做什麼、下一步應該怎麼做。

當 AI 通用能力與企業自己的場景上下文真正結合，企業 AI 才開始從一個工具，變成可以參與業務、執行任務並交付結果的工作系統。這也就是我們所說的：

Scenario Intelligence · 場景智能