AI 缺的 context 不是一件事：三层定义对照与自检清单

10 月 22 日，MIT Technology Review 的播客节目 Business Lab 与流程挖掘厂商 Celonis 合作制作了一期节目，嘉宾是 Celonis 企业 AI 首席科学家 Devavrat Shah，谈的是企业 AI 从试点走向规模化时”缺的是什么”。紧接着 10 月 27 日，元数据平台 DataHub 发布新闻稿，宣布 DataHub Cloud Context 正式可用（GA），同样把话说成”AI agent 缺的是 context”。一周之内两家公司口径撞车，这不是巧合——企业 AI 正处在 Shah 所说的”从实验走向主流”的关口，谁能在这一轮里定义”context”，谁就定义了下一阶段的采购清单。

本文有一条归属规则，只说一次：下面凡标「我的判断」的，是我的推导或经验判断，不是官方结论；凡标「厂商口径」的，是发布方自己的说法，我未做独立复核；其余事实均出自文末列出的原文。

三种 “context”，一张对照表

读完这三份材料最大的收获不是”context 很重要”——这句话谁都会说——而是发现它们嘴里的 context 根本不是同一个东西。三份材料来自三个完全不同的产品类别，回答的也是三个不同的问题。

第一列是流程视角，第二列是数据视角，第三列是环境感知视角。我的判断：多数企业团队当下真正缺的是第二层——数据口径和权威来源的问题，在 demo 阶段不会暴露，一接真实仓库就暴露；而第三层（感知当下处境）主要在消费级、移动设备场景才致命，企业后台流程里基本用不上。三份材料没有一份把这三层切开讲，因为三家各自只卖其中一层。

谁在说话：合作署名决定了叙事的起点

MIT Technology Review 那篇页面上明写着 “In partnership with Celonis”，节目正文也说明由 Celonis 合作制作——这是公开的合作署名，不需要谁来爆料。值得注意的是它推出的落地路径：Shah 建议组织”从一个具体业务决策出发，找出其中最困难的步骤，测试 AI 能否改善它，再用速度和价值的度量决定是否扩大”。这套方法本身是可操作的，但它把答案预设为”接上你已有的流程和数据”——这恰好是流程挖掘厂商的产品位置。

DataHub 的公告同理，它把 context 定义成”agent 之上的一层元数据与业务语义”，因为那是它的产品。这不是说结论错，而是说：当你听到”你的 AI 缺 context”时，先问”缺的是哪一层”，再问”回答这个问题的人卖哪一层”。两个问题分开，采购讨论才不会被话术牵着走。

老问题新包装：frame problem 与会乱响的电话

“context 很重要”并不是今年的新洞察。MIT 媒体实验室的 Mithril 项目页把这件事讲得比厂商材料更直白：没有 context 的数字应用是”聋的、瞎的”，再精致的 PDA 也只知道当前几点。它举的例子今天还成立——一部 context-blind 的电话会在任何时刻响铃，后果从社交尴尬到危及生命都有；而一部知道主人正在开车或正在交谈的电话，行为会更像人而不是像电话。

这一页把问题指认为 AI 里的经典难题 frame problem（框架问题）：一个系统做判断时，可选的规则几乎是无穷的，必须先筛出”此刻相关的那一小撮”。context awareness 提供的正是这个筛选器。换句话说，厂商今天要卖的”context 层”，学术界三十年前就给出了命名和动机；变化的不是问题，是我们终于有了愿意为它付钱的企业客户。

那个 50%：厂商口径该怎么读

DataHub 公告里最容易被截图传播的一句是：被指向企业数据仓库、又没有业务 context 的 agent，准确率经常只有大约 50%（厂商口径）。同一段还说，自动生成的 context 表现不可预测。这句话出现在新闻稿的动机部分，我读到的文本里没有对应的评测方法、数据集或样本量说明——所以我的建议是把它当量级参考，不要当成任何基准成绩。它要传达的信息不是”50%”这个数，而是”没有 context 时答案不可信”这个定性判断。

公告里更值得看的是能力构成：这是一次为期五个月的 beta，覆盖金融服务、零售和科技公司，GA 时主打的不是”更多连接器”，而是让 agent 监控、证明并累积自身准确率。我的判断：这标志着竞争焦点从”agent 能做什么”转向”agent 出错时你能不能查”——对买家而言，能审计比能演示更有采购价值。这一点和 Celonis 强调的”建议由人复核批准”殊途同归：两家都没承诺自主决策，都在卖可追责。

拿回去用：三步定位，一份自检清单

Shah 给出的路径可以压缩成三步：挑一个具体业务决策 → 找出这条链上最难的一步 → 用速度和价值两个指标判断值不值得扩大。把三份材料叠起来，我会在每一步里再追问三个层次的问题。下面这份清单可以直接复制成文件，逐行回答，答不上来的行就是你下一步的调研任务：

# 提交一个 AI 用例之前，逐行回答
decision: "写清是哪一类：战略型（低频、偶发）还是运营型（高频、例行）"
hardest_step: "这条决策链上最难、最占人工的一步是哪一步"
context_layer:
  process: "这一步有没有既定流程、审批顺序、角色分工可以喂给 agent"
  data: "这一步依赖的表、指标口径、上季度的算法变更有权威出处吗"
  environment: "agent 需要感知当下状态吗（在不在会中、谁在忙）"
guardrail: "哪些动作必须留给人确认，哪些可以自动执行"
measure: "试点期记录速度与价值两项，达标再谈扩大范围"
education: "执行的人能不能看懂 agent 的输出及其含义，而不是照单全收"

最后一行来自 Shah 在节目里的提醒：自动化重复劳动要真正省下人力，前提是组织愿意在员工教育上投入，让人能理解 AI 输出的含义，而不是把决策直接交给 agent。他也给出了未来场景清单——财务、人力管理、营销、销售的资源规划——但那需要前面的地基先打好。

参考来源

• Making the case for context-aware AI — MIT Technology Review（2026-10-22，与 Celonis 合作制作的 Business Lab 节目全文）
• DataHub Cloud Context Is Now Generally Available — DataHub 官方公告
• Why is context-awareness important? — MIT 媒体实验室 Mithril 项目页
• Can AI Be Contextualized?（第 8 章）— 剑桥大学出版社《Operationalizing Responsible AI》