上下文优势：AI 增长战略缺失的关键拼图 ｜ 技术趋势
点击查看原文>
2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！
当 AI 使用的每一条事实都准确无误，但最终做出的决策仍然错误时，换一个更好的模型并不能解决这类问题。
以 Maya 为例。她是一位虚构的高价值客户，两周前购买了一副高端滑雪板，此后又三次访问与之配套的滑雪靴页面。她的预测转化概率很高，因此公司的 AI 向她发送了一张她浏览过的滑雪靴八折优惠券。
但 AI 看不到这一系列事件背后的上下文：滑雪板到货时已经损坏，替换商品又出现延迟，而相关质量问题仍在处理中。按照公司的政策，在这种情况下，只要理赔问题尚未解决，就不应对这款滑雪靴提供折扣，同时公司应优先考虑有利润空间的客户留存。
从整个公司来看，这些信息其实都已经存在，但它们并没有在 AI 做决策时被提供给它，于是 AI 在这个具体场景中做出了错误选择。
问题出在上下文
在上面的例子中，AI 的推荐优化的是眼前的转化，也就是促使 Maya 完成下一次购买，却忽略了她所处的完整情境：一次尚未解决的服务失误、一条高端产品线的价格体系，以及一位正在经历糟糕消费体验的客户与品牌之间的长期关系价值。
上下文，能够让 AI 从一个通用助手，变成真正理解你的品牌、客户、业务，以及你希望实现什么结果的专家。
缺失上下文的问题，会随着决策速度加快而变得更加危险。在人的决策速度下，它可能只是造成一次时机不当的营销活动，营销团队还能在每周复盘时发现问题。但到了 AI 的决策速度，同样的盲区可能在任何人意识到规律之前，就已经导致成千上万次错误决策。
这才应该是营销负责人真正警惕的问题，但今天关于 AI 预算的讨论，依然主要围绕模型选择展开。
高能力模型已经人人可得
质量、速度、专业化能力和成本依然重要，但如今大多数公司都已经能够获取能力很强的模型。
真正难以被竞争对手快速复制的，是一家公司长期积累下来的业务判断：如何衡量客户价值、如何在增长和利润率之间取舍、如何保护品牌，以及如何理解多年实验所形成的经验。
这就是 上下文优势（context advantage）：把公司特有的业务理解带入每一次决策，再从决策结果中继续学习，为未来类似场景积累经验。
以客户 360 为基础构建上下文
对大多数营销组织来说，这条路径通常从现有的客户 360 建设开始，再逐步向外扩展。仍以 Maya 为例，这类投资可以带来以下价值：
客户 360 保留持续有效的客户事实： 对 Maya 来说，它能够把她的高价值客户身份、最近购买滑雪板的记录，与当前浏览滑雪靴页面的行为连接起来，同时包含她与公司的关系价值，以及公司是否获得了主动联系她的许可；
增强后的客户 360 能够解释发生了什么： 服务电话、在线评论等非结构化数据能够表明，Maya 当前非常沮丧，她急需替换商品，而且已经抵达滑雪度假地，却因为设备问题无法滑雪；
营销上下文加入目标和运营逻辑： 营销团队知道高端滑雪靴活动正在进行，但此时服务补救的优先级更高，因此促销应该暂停。成功的目标是留住 Maya，而此前的实验也表明，在服务失误之后，优先进行客户补救的策略表现更好；
企业级上下文提供来自营销部门之外的权威事实： 客服、电商和产品系统能够确认，Maya 的理赔仍未关闭、替换商品已有库存，并且适用保修政策。品牌、财务和法务团队则决定公司应该如何应对。这也说明了一个现实：仅靠营销上下文，或者任何单一部门的上下文，都远远不够；
连接后的企业级上下文，让完整情境真正可用： 信息仍然保留在原本负责拥有和维护它们的团队和系统中。营销团队可以在需要时调用相关事实，而无需额外创建和维护一套数据副本。到了真正做决策的时刻，只需要抽取一组规模合适的上下文，形成营销人员、应用程序或智能体实际需要的任务简报。下一步最佳行动也就不再依靠猜测：先解决问题、保护客户关系，再在合适的时间重新与客户互动。
连接后的企业级上下文。营销团队可利用这些上下文，让人类和 AI 做出正确决策
上下文应该成为企业可持续的竞争优势
以下七项原则，可以解释上下文如何形成长期竞争优势。
上下文让决策更相关
事实只是起点。在这个案例中，这些事实告诉我们：Maya 买了滑雪板、收到了一件损坏的商品，而且服务工单仍未关闭。
事实、意义、意图、记忆和边界共同构成了上下文，使 AI 能够真正理解当前情境。
业务意义把问题的框架从交叉销售，也就是推销滑雪靴，转变为客户服务补救。意图明确了目标是实现有利润的客户留存；记忆则把过去围绕“优先补救”策略进行实验所得出的经验带入当前决策。边界进一步应用相关的抑制规则，例如暂停广告或营销活动，以及审批和客户同意规则。
尚未利用的上下文蕴藏机会
多年来，营销团队一直在优化那些最容易量化的信号。点击、购买和营销活动响应依然重要，但这些信息通常很难解释一件事情为什么会发生。
客户如何看待某个品牌或产品等信息，往往存在于我们所说的非结构化数据中，例如在线评论、聊天记录或者社交媒体内容。如今，企业已经能够从这些数据集中提取洞察，而这类信息仅靠交易记录是无法获得的。
AI 带来了一个机会：把过去很难利用的信息，转化为可以直接指导业务行动的信号。
正确的上下文带来精准决策
让 AI 访问所有信息，并不等于拥有上下文战略。最简单的做法，似乎是把所有内容都扔给 AI，然后寄希望于它自己找到答案。
正如前面看到的，上下文过少会让 AI 失去判断依据；但上下文过多，同样会给决策增加大量陈旧、冲突或无关的信息，不仅抬高成本和风险，还会让真正重要的信号更加难以被发现。关于长上下文语言模型的研究也发现，即便模型尚未触及上下文窗口上限，当相关信息被埋在很长的输入中时，模型对这些信息的利用可靠性也会下降。对于 Maya 来说，AI 并不需要她完整的客户历史、每一份客服聊天记录，或者所有品牌文件。它只需要那些真正会改变当前决策的少数最新事实和规则，例如她的服务工单仍未关闭。
因此，上下文层应该组装出 做出决策所需要的最小充分上下文：相关、最新、可信，并且经过授权。
同时也需要注意，“最新”并不总是意味着“实时”。营销授权状态发生变化后，可能需要立刻反映出来；但一项已经批准的品牌政策，可能几个月内都依然有效。
共享上下文实现协同
Maya 的情况之所以最终走向错误，是因为公司掌握的完整信息被分散在不同部门：营销部门看到了她的互动行为，客服团队掌握损坏商品的服务工单，而品牌部门则知道，在这一场景下，这款滑雪靴不允许参与折扣。
每个团队都可以在自己的边界内做出看似合理的决策，但如果无法引入其他部门的上下文，任何一个系统都无法做出正确的端到端决策。
因此，AI 很多时候并没有消除信息孤岛，反而正在把这些孤岛自动化。
共享上下文能够让不同系统围绕同一个客户场景和业务结果进行协同，同时不要求各个团队放弃对自身业务领域的控制。
受治理的上下文建立信任
AI 系统需要可信的数据事实来源，以及基于权限的访问控制、明确的行动阈值和可审计的记录。
这些控制机制必须在 AI 做决策之前和决策过程中，就影响 AI 能够获取的上下文，而不能等 AI 完成行动之后再检查结果。做到这一点之后，治理能够支持更高程度的自主性，而无需让人工介入每一次推荐。
治理，是可信自主性的操作系统。
自有上下文带来控制力
所谓控制力，就是在技术不断变化时，依然保留选择权。
当企业能够掌控自己的上下文时，多年来积累起来的业务理解也能随企业一起迁移。更换模型或者应用，并不意味着企业必须重新构建自己已经掌握的知识。
被封闭在某个平台中的上下文则不同。你可能仍然能够导出底层数据，但围绕这些数据建立起来的智能却可能继续被绑定在创建它的平台中。随着供应商调整其他系统访问这些上下文的方式，企业自身的访问能力也可能发生变化。
在那里积累的学习成果越多，在不损失一部分企业知识的情况下离开的难度也就越大。
上下文形成复利优势
每一次决策都会产生新的证据：AI 采取行动，客户做出响应，随后产生业务结果，而人类可能批准、拒绝或者纠正 AI 的建议。
这些证据需要重新回流到上下文基础中。
在 Maya 的案例中，真正有价值的信息并不只是“营销优惠最终被阻止”。企业还应该了解，服务补救是否成功保护了客户关系；她后来是否在没有折扣的情况下购买了滑雪靴；以及人工覆盖 AI 建议之后，最终结果是否有所改善。
这些结果会成为下一次类似决策的记忆。随着时间推移，企业可以逐渐理解：哪些干预方式最能保护高价值客户关系，哪些优惠真正带来了增量需求，以及在哪些环节中，人工判断持续改善了 AI 的建议。
单纯使用 AI，并不会自动形成学习优势。真正产生复利的是，企业能够把行动、结果和纠正重新沉淀为上下文，并在之后重复利用。
前面六项原则改善的是今天的决策，第七项原则改善的，是此后的每一次决策。
企业上下文层应该建在哪里？
这才是所有人真正关心的问题。通常有三种选择：模型提供商、营销应用，或者数据平台。
模型提供商和营销应用都能贡献有价值的智能，但两者都并非企业上下文理想的长期承载位置。
把上下文层构建在模型内部，可能会形成对某个模型家族的依赖；把上下文分散在不同应用中，则会产生另一种问题：每个系统逐渐形成自己的定义、政策和记忆，最终彼此无法对齐，同一个指标甚至会得出三种不同答案。
现实中，这个受治理的核心应该位于企业自身的基础平台上。在这里，业务含义能够保持一致，政策只需要统一应用一次，学习成果也能够跨不同获准使用的模型和应用持续积累。
Snowflake：承载企业上下文的受治理数据与 AI 基础平台
Snowflake AI 数据云通过三种实际方式支持这样的架构：
在做决策的时刻提供正确的上下文： 营销团队可以把支持决策的业务数据，包括解释“发生了什么”的非结构化证据，纳入同一个受治理的基础平台。Snowflake Horizon Context 能够让 AI 使用这些基础数据，同时保留上下文的来源，并应用一致的业务含义。智能体由此可以基于可信的定义进行推理，而不是依靠猜测，包括知道某个指标什么时候可以聚合、什么时候不能聚合；
在企业自主选择的生态中重复利用： 语义视图让企业只需要定义一次业务含义，就可以把这套含义带入团队使用的各种工具中，无论这些工具位于 Snowflake 内部还是外部。任何兼容工具都可以基于同一套受治理的业务逻辑工作，而不需要在每一个界面中重新构建；
形成复利： Snowflake 可以治理定义和数据血缘，但无法替企业决定业务应该学习什么。营销团队需要记录每一次 AI 决策之后发生了什么，包括营销人员什么时候修改了 AI 的建议，并将这些证据重新写入可复用的上下文。Snowflake 为这些记忆提供一个受治理的承载位置，以及一致的业务含义。
回到 Maya 的案例
在我们的例子中，当上下文不完整时，AI 会向 Maya 发送一张八折优惠券。
但当系统拥有连接起来且经过治理的上下文时，同一个模型就能够识别出：当前是一个需要进行客户服务补救的时刻。它会先解决问题、保护客户关系，再在合适的时机重新与她互动。
而 Maya 后续的反馈，又会成为下一位处于类似情境中的客户所使用的上下文。
模型会不断变化，但企业的上下文应该始终掌握在自己手中，并随着每一次决策变得更加聪明。
可以先从 AI 已经在大规模执行的一项决策开始，把当前 AI 无法看到、但会显著影响结果的所有重要事实记录下来。这就是你的上下文路线图。
面向营销负责人： 进一步了解面向营销场景的 Snowflake AI 数据云。
面向数据与技术负责人： 了解 Snowflake Horizon Context 如何收集、丰富并激活受治理的业务上下文。
点击链接立即报名注册：https://www.snowflake.com/events/snowflake-ascent-china/更多 Snowflake 精彩活动请关注专区
本文来源：InfoQ