當下，AI 代理（Agents）的浪潮正席捲整個科技行業。從自動化銷售到 AI 客服，從程式碼生成到財務對帳，幾乎每個角落都在上演一場關於「代理是否會徹底顛覆傳統 SaaS」的激烈辯論。
然而，當所有人都將目光聚焦於 AI 代理的「行動能力」時，卻鮮有人問： 它們做出決策的「依據」是什麼？這些依據又將如何沉澱為企業真正的智慧資產？
矽谷創投公司 Foundation Capital 近期發布文章，直指這場變革的真正金礦並不在於代理本身，而在於它們在行動中所創造的一種全新數據：「決策軌跡」（Decision Traces）。
白話來說，決策軌跡是把每一步「如何做出決策」的過程清楚記錄下來的方式。可以把它想成是「決策紀錄小本本」，完整保留一路走來的思考路徑： 看了哪些資料、用了哪種方法、做了哪些嘗試、為何捨棄某些選項、最後如何定案。 這樣的紀錄能讓他人重現與審視你的推理，降低黑箱與幻覺風險，也方便日後追蹤與修正。
問題是，為何這種新形態的資料，未來有可能顛覆傳統 SaaS 的商業模式？
巨頭的「窘境」：為何舊地圖找不到新大陸？
要理解新機會的所在，必須先剖析現有巨頭們的結構性困境。 無論是 Salesforce 這樣的「紀錄系統」（Systems of Record）巨擘，還是 Snowflake 這般的「數據倉儲」（Warehouse Players），它們在面對 AI 代理時代時，都暴露出底層架構的先天性缺陷。它們就像手持舊地圖的探險家，無論多麼努力，都無法找到一片全新的大陸。
現有「紀錄系統」的盲點：沒有構成決策的上下文
以 Salesforce、Workday 和 SAP 為代表的上一代兆美元生態，其核心價值在於成為客戶、員工和營運的權威數據源。它們的架構設計精於記錄「當前狀態」——例如這個客戶的合約金額是多少？那位員工的職級是什麼？但它們的致命缺陷在於，幾乎完全遺失了決策過程中的關鍵上下文。
例如，Salesforce 的紀錄中可能顯示一個客戶獲得了 20% 的特殊折扣，但它無法告訴你，這個決策是基於從 PagerDuty（數位操作管理平台）拉取的三次嚴重事故報告、Zendesk（CRM平台）上一則「不解決就流失」的警告、以及參考了上一季度副總裁特批的先例後，才最終拍板定案的。
換言之，Snowflake 和 Databricks 等數據倉儲業者面臨一個根本性的問題：當數據通過 ETL（提取、轉換、載入）流程，在決策發生之後終於抵達時，那個充滿了 Slack 討論、郵件往來和多系統數據綜合判斷的、稍縱即逝的決策上下文，早已煙消雲散。
這些系統精於儲存最終結果，卻對過程一無所知。你無法重播決策當時的世界狀態，無法審計決策的合理性，更無法將其作為未來 AI 代理學習的養料。 簡而言之：它們只知道結果，卻不知道緣由。
當企業試圖將 AI 代理部署到真實工作流程中時，它們撞上的並不是數據不足的牆，而是「決策軌跡」缺失的牆。AI 代理遇到了與人類員工每天都要面對的同樣模糊性，但它們缺乏人類用以判斷的組織記憶和部落知識。這些寶貴的決策軌跡，從未被當作結構化數據儲存下來，例如：
- 存於人腦的例外邏輯
- 過往決策的先例
- 跨系統的綜合判斷
- 系統外的審批鏈
決策軌跡是什麼？
簡單來說，按照目前的數據架構，根本無法提供代理足夠的資訊，讓 AI 代理模擬人類的決策過程。而在 AI 代理的賽道上，這個轉捩點便是區分「規則」（Rules）與「決策軌跡」（Decision Traces），其指向一個足以誕生下一個兆級平台的巨大機會。
這兩者的區別是根本性的：
-
規則（Rules） ： 告訴 AI 代理**「在通常情況下應該發生什麼」**。例如，「使用官方定義的 ARR（年度經常性收入）進行財報統計」。
-
決策軌跡（Decision Traces） ： 記錄了**「在這個特定案例中實際發生了什麼」**。例如，「我們使用了 X 定義，依據的是 3.2 版政策，並獲得了副總裁的特批，其先例是 Z 案例，以下是我們修改的具體內容」。
AI 代理需要的遠不止是僵化的規則。它們更需要訪問那些展示了規則在過去如何被應用、例外如何被批准、衝突如何被解決、以及哪些先例真正主導了現實運作的「決策軌跡」。
新物種誕生：「上下文圖譜」
Foundation Capital 的 Jaya Gupta 與 Ashu Garg 指出，當我們開始系統性地捕獲和儲存每一次的「決策軌跡」時，一個全新的數據資產便應運而生了，這被稱為**「上下文圖譜」（Context Graph）**。
它並非 AI 模型短暫的「思維鏈」（Chain-of-Thought），而是一個由無數真實的「決策軌跡」編織而成的、跨越實體與時間的、企業營運的活紀錄，其核心價值在於讓隱性的「先例」變得可搜尋、可複用。在這張圖譜上，客戶、合約、工單、政策、審批人等商業實體，被一次次的「決策事件」緊密地連接在一起。
文章指出，可以將「上下文圖譜」比喻為「企業決策的 DNA 圖譜」，它不僅記錄了每一次商業進化，更解釋了進化的原因。這個看似簡單的概念，卻為新創公司打開了一扇黃金窗口。那麼，它們具體該如何繪製這張寶貴的圖譜呢？
為何新創催生「上下文圖譜」更有優勢？
新創公司的核心優勢可以用一句話概括：它們從一開始就處於**「業務流程的編排路徑上」（in the orchestration path）**。
這意味著，當一個決策（如批准折扣、處理客訴）發生的瞬間，它們的系統能夠像一位現場指揮官一樣，看到並捕獲來自所有相關系統（CRM、Zendesk、PagerDuty 等）的完整上下文。它們在決策的「提交時刻」（Commit Time）記錄一切，而不是像巨頭們那樣，在事後通過 ETL 進行滯後且不完整的數據補救。
這就是新創公司更適合構建「上下文圖譜」的前提。
路徑一：直接革命，打造原生 AI 紀錄系統
這是最激進、也是最困難的策略：從第一天起就致力於徹底取代現有的紀錄系統。這意味著要圍繞 AI 代理的原生工作流，重新構建一個全新的 CRM 或 ERP。這種方法的挑戰極大，因為現有巨頭的護城河極深。但它在行業的轉型時刻，尤其是在舊系統無法適應新工作模式（如人機協作）時，會變得可行。
案例： Regie.AI
路徑二：模組切入，成為特定決策的「真理之源」
這是一種更務實、更巧妙的「切入」策略。它不輕易挑戰企業的 ERP 或總帳（GL）等核心系統，而是專注於那些異常處理、審批流程和跨部門協作最集中的特定子流程，成為這些決策的「真理之源」（Source of Truth）。
案例： Maximor
路徑三：創造新品類，從「自動化」到「原因學」
這是最具顛覆性的策略。這類公司起初可能只是一個自動化工具層，但通過持續記錄每一次自動化執行的「決策軌跡」，它們最終會演化為一個全新的、不可或缺的紀錄系統——一個關於「原因」的系統。
案例： PlayerZero
基礎設施：為新王權鋪路
當一個全新的數據資產（上下文圖譜）和一個全新的執行層（AI 代理）出現時，一個全新的監控層也必然隨之誕生。隨著企業的決策越來越多地被自動化，如何監控、除錯（Debug）和評估代理的行為表現，將成為至關重要的基礎設施。
案例： Arize
對於創業者而言，識別出那些最適合構建上下文圖譜的「價值窪地」至關重要。例如：尋找那些員工人數眾多的手動流程（如工單分發、數據對帳），這些流程的存在本身就說明決策邏輯複雜，難以用傳統工具自動化。
同時，要瞄準那些充滿例外情況的決策場景（如交易審批、合規審查），因為常規流程不需要「決策血統」，而充滿「視情況而定」的領域，恰恰是決策軌跡價值最高的地方。
無論選擇哪條路，核心都是捕獲「為什麼」。當這些決策軌跡積累成龐大的圖譜時，一個終極問題也隨之而來：我們該如何看待和管理這個 AI 時代最寶貴的資產？
結論：決策，才是AI代理的大絕
回到最初的論點：下一個兆美元級的平台，並非建立在對現有數據進行 AI 化的簡單應用之上，而是建立在對「決策軌跡」這一全新數據類別的捕獲、管理和應用之上。
「上下文圖譜」的長期價值遠不止於驅動自動化。它代表著企業的**「組織記憶」和「可審計的智慧」**。過去，那些關於「為什麼這麼做」的寶貴知識，零散地存儲在 Slack 的對話串、老員工的大腦和無數的郵件線程中，形成難以傳承和擴展的「部落知識」。
而「上下文圖譜」首次將這些非結構化的、隱性的智慧，轉化為了可查詢、可複用、可演進的結構化資產。未來，投資者評估一家企業的價值時，可能不再僅僅看其客戶或數據資產，更會審視其「上下文圖譜」的成熟度，因為這直接決定了其 AI 化的天花板和規模化智慧的成本。
它讓企業能夠真正地從歷史中學習，讓每一次例外處理都成為未來決策的先例，而不是每個季度都在 Slack 上重複解決同一個邊緣案例。這將是 AI 時代企業最堅實的護城河。
未來，企業最有價值的資產，不是它擁有的數據，而是它理解自己決策的能力。
資料來源：foundation capital
本文初稿為AI編撰，整理．編輯/ 李先泰
