Google 二十年来建立的商业秘密，本质是一个复利循环：每一次用户交互都成为改进系统的信号。Netflix、Meta、Amazon、TikTok 都是如此——记录你点击了什么、忽略了什么、悬停了什么，然后把信号喂给学习系统。Capture、Learn、Improve、Repeat。

企业软件从来没有等效的循环。不是因为企业决策不频繁，而是因为它们太难被观察。

B2C 能做到，B2B 为什么不行

消费者平台在单一用户界面内运行，产品由公司完全拥有，每一次点击都是可追踪的行为。

企业决策根本不同：跨销售、财务、法务、运营、安全、管理进行的多玩家谈判——每一方有不同的激励、不同的权限、不同的约束。销售要速度，财务要利润率，法务要控制先例。这些决策是被谈判出来的，不只是被点击出来的。

一直以来，企业缺乏的是把行动和结果连接起来的推理过程的可观测性。

SaaS 估值压缩的真正原因

AI 正在把功能层商品化，LLM 能生成任何工作流的合格初稿，"更好的 UI + 已知流程"不再支撑溢价。那些护城河是功能而非数据的公司正在被重新定价——它们建立了工作流，但从未建立复利循环。

问题是：什么能取代功能，成为企业持久价值的来源？

答案是：决策数据——而不是行为数据。

企业系统只记录终点，不记录推理

折扣字段告诉你最终数字，不告诉你为什么那个数字是合理的。修订版合同告诉你最终条款，不告诉你过程中哪些备选方案被拒绝了。已解决的工单告诉你事件关闭，不告诉你为什么选择了这条升级路径而不是另一条。

决策数据存在于事件和结果之间那个缺失的层次里。

过去的障碍：信号稀疏、碎片化，嵌入在人工工作流中，而不是被捕获为一级遥测数据。企业决策部分发生在会议里，部分在某人的脑子里，部分在邮件线程里，部分在闲聊中。没有理由存储它——决策数据被视为过程的废气，用完即弃。

三股力量让决策数据第一次变得可捕获

LLM 使非结构化数据可计算。 多年来，公司有会议记录、聊天日志、文档评论和工单历史，但这些大多是可搜索的，而非可学习的。现在 LLM 可以从中提取决策产物。

Agent 自动创建决策检查点。 这是最重要的转变。Agent 在工作流中提议行动，由人类批准、修改或升级。Agent 起草定价提案，销售人员把折扣从 25% 调整到 30%，附注："来自供应商 X 的竞争压力，需要匹配他们的报价"。那个修改就是一个决策数据。

模型提案是结构化先验（系统认为正确的），人类的修改是判断信号（实际重要的，模型遗漏的）。Agent 插入的工作流越多，判断就越被迫通过编辑、批准、异常和否决变得显式。可观测性不再是可选项——它是工作完成方式的副产品。

工作分布化和异步化。 曾经只存在于某人脑中的推理，现在在工作流本身中留下了越来越丰富的痕迹。

架构关键：你是在写入路径还是读取路径

决策一旦作为最终状态落入记录系统，"为什么"就消失了。战略层面存在于决策变得有约束力的时刻：批准步骤、红线、升级、Agent 提案、人工否决。

传统巨头都在读取路径。Salesforce、ServiceNow、Workday 在现有平台之上构建 Agent，但那些 Agent 继承了下面的架构——它们建立在当前状态存储之上，知道机会现在长什么样，不知道决策时的机会什么样。当折扣被批准时，证明它合理的上下文没有被保留。

系统型 Agent 创业公司拥有结构性优势，因为它们默认在写入路径。当 Agent 对升级进行分类、响应事件或决定折扣时，它从多个系统拉取上下文、评估规则、解决冲突并执行——因为它在执行工作流，所以在决策变得有约束力的时刻捕获理由，而不是事后通过 ETL。

三类 Context Graphs

当这些图谱足够密集时，游戏从检索变成预测。

"上次我们怎么处理这个？" → "如果这样结构化这笔交易，可能发生什么？"——不是基于通用训练数据，而是基于组织实际的决策历史和结果。

三类 Context Graphs 正在兴起：

  • 运营 Context Graphs：公司战术层面如何运作
  • 面向客户的 Context Graphs：销售、支持、保留如何运作
  • 战略 Context Graphs：高管如何做战略决策

真正的天花板是制度性的

前沿模型在抬高底线，但没有抬高天花板。天花板是积累的、特定领域的、经结果验证的推理——关于这个组织在这些约束下如何做决策。这才是复利的东西，才是无法被更好的基础模型复制的东西。这才是终于变得可捕获、可结构化、可学习的东西。

消费品巨头通过复利行为数据建立了万亿美元帝国。企业版的等价物现在才第一次成为可能，奖品可以说更大。