在硅谷，围绕一个问题的争论正在升温：

AI，尤其是 Agent，会不会取代 SaaS？

最早给出明确判断的是 SaaS 领域的知名专栏作者 Jamin Ball。

在《Long Live Systems of Record》一文中，他直言不讳地反对 "Agent 会杀死一切旧系统 " 的说法。

在 Ball 看来，Agent 越强大，对底层数据准确性的要求就越高。因此，作为数据 " 看门人 " 的传统记录系统（Systems of Record），其壁垒非但没有消失，反而因掌握了解释权而变得更昂贵。

但 Foundation Capital 的合伙人 Jaya Gupta 认为，Ball 只看到了硬币的一面。

她在最新文章《人工智能的万亿美元机遇：上下文图谱》中指出，传统系统的盲区不在于 " 数据 "，而在于 " 上下文 " 匮乏。

企业真实的运行逻辑，往往不记录在 CRM 的标准化表格里，而是藏在例外的特批、临时的调整、跨部门的 Slack 沟通中。

Gupta 将这些隐性的过程定义为「决策轨迹」。

当这些决策轨迹被持续记录，并在时间和业务对象之间连接起来，就会形成一种新的结构——上下文图谱。

这不仅是数据的堆砌，更是对企业 " 推理过程 " 的复刻。下一个万亿级平台的机会，不是给旧系统装上 AI，而在于谁能抓住这些 " 数据 " 与 " 行动 " 之间的灰色地带。这才是 AI 创业公司需要抓住的真正机会。

今天，我们就来拆解这个超级赛道的核心逻辑。

01 上下文图谱：AI 时代企业最值钱的 " 第二资产 "

上一代企业软件通过成为 " 记录系统 "（Systems of Record, SoR），创造了一个万亿级的生态系统。Salesforce 管理客户数据，Workday 管理员工数据，SAP 管理运营数据。

它们的逻辑是：掌握权威数据，掌控工作流，从而实现客户锁定。

现在的争论焦点在于：在向 Agent（人工智能体）转型的过程中，这些旧系统还能存活吗？

Jamin Ball 最近的文章《记录系统万岁》（Long Live Systems of Record）触动了很多人的神经。

他反驳了 "Agent 将杀死一切 " 的论调，认为 Agent 不会取代记录系统，反而会提高对一个优秀记录系统的要求标准。

这个观点是对的。Agent 是跨系统的，且以行动为导向。工作的用户体验（UX）正在与底层的数据层分离。Agent 变成了交互界面，但底层仍然需要某种权威的东西来支撑。

但需要补充的是，Ball 的观点假设 Agent 所需的数据已经存在于某个地方，Agent 只需要更好的访问权限、更好的治理、语义契约以及明确的规则。

这只是一半的图景。另一半是目前缺失的、真正驱动企业运行的那一层：决策轨迹（Decision Traces）。

这些决策轨迹包括例外情况、覆盖操作、此前案例以及跨系统的上下文。目前，它们散落在 Slack 的讨论串里、交易审批台（Deal Desk）的对话中、升级电话会议里，以及人们的大脑中。

这就引出了一个至关重要的区别：

规则（Rules）告诉 Agent 一般情况下应该发生什么（例如：" 使用官方 ARR 数据进行报告 "）。

决策轨迹（Decision Traces）记录了具体案例中发生了什么（例如：" 我们使用了 X 定义，依据 v3.2 政策，经 VP 特批，基于 Z 先例，且我们做了如下修改 ……"）。

Agent 不仅仅需要规则，更需要访问决策轨迹，以了解过去规则是如何被执行的、在哪里获得了例外豁免、冲突是如何解决的、谁批准了什么，以及实际上是哪些先例在主导现实。

这就是 "Agent 系统 " 类初创公司拥有结构性优势的地方。

它们处于执行路径上。在决策发生的当下，它们能看到全貌：从各个系统中收集了哪些输入、评估了什么政策、调用了什么例外路径、谁进行了批准、写入了什么状态。

如果你将这些轨迹持久化保存下来，你就得到了大多数企业今天所不具备的东西：一份关于决策是如何做出的、可查询的记录。

我们将这些轨迹积累形成的结构称为上下文图谱（Context Graph）：它不是 " 模型的思维链（Chain-of-Thought）"，而是一份鲜活的记录，将决策轨迹跨越实体和时间串联起来，使 " 先例 " 变得可搜索。

随着时间的推移，这个上下文图谱将成为自动化真正的事实来源（Source of Truth）——因为它不仅解释了发生了什么，还解释了它为什么会发生。

核心问题不在于现有的记录系统是否会存活。而在于是否会涌现出全新的系统，不仅仅是对象的记录系统，而是决策的记录系统，以及这些系统是否会成为下一个万亿级平台。

02 记录系统没能捕捉到的东西

当 Agent 正在被部署到真实的工作流中，比如合同审查、报价到现金（Quote-to-Cash）、客服解决方案，团队往往会率先撞上一堵 " 墙 "。

这堵墙不是缺数据，而是缺决策轨迹。Agent 遇到了人类每天都要用判断力和组织记忆来解决的模糊性问题。但这些判断的输入信息并没有作为持久的资产被存储下来。具体来说：

1. 存在于人们脑中的例外逻辑。" 我们总是给医疗保健公司额外 10% 的折扣，因为他们的采购周期太残酷了。" 这句话不在 CRM（客户关系管理系统）里。它是通过入职培训和私下交谈传递的 " 部落知识 "（Tribal Knowledge）。

2. 过去决策的先例。" 上个季度我们为 X 公司设计了类似的交易结构——我们应该保持一致。" 没有系统将这两笔交易联系起来，也没有记录为什么要选择这种结构。

3. 跨系统的综合判断。客服主管在 Salesforce 中查看客户的 ARR（年度经常性收入），在 Zendesk 中看到两个未解决的升级投诉，读到一条标记流失风险的 Slack 消息，然后决定升级处理。这种综合判断发生在他的脑子里。而工单上只写着：" 已升级至 Tier 3"。

4. 系统之外的审批链。一位 VP 在 Zoom 通话或 Slack 私信中批准了折扣。机会记录（Opportunity Record）只显示最终价格，不显示是谁批准了偏差，也不显示原因。

这就是 " 从未被捕捉 " 的含义。这并不是说数据是脏的或孤立的，而是说连接数据与行动的推理过程，从未被当作数据来对待。

03 把 " 决策现场 " 永久保存下来

当初创公司在 Agent 编排层（Orchestration Layer）进行部署，让每次运行都生成决策轨迹时，他们就得到了企业几乎从未有过的东西：

一段结构化的、可回放的历史，记录了上下文是如何转化为行动的。

这在实践中是什么样子的？

一个续约 Agent 提议给予 20% 的折扣。公司政策规定续约折扣上限为 10%，除非批准了 " 服务影响例外 "。

Agent 从 PagerDuty（运维监控）拉取了三个 SEV-1 级事故，从 Zendesk 拉取了一个未解决的 " 不修复就解约 " 的升级投诉，并调取了上季度一位 VP 批准类似例外的续约沟通记录。

它将特殊申请提交给财务部门，财务批准。最终，CRM 中只留下了一个结果："20% 折扣 "。

一旦你有了决策记录，" 为什么 " 就变成了头等数据。

随着时间推移，这些记录自然形成了一个上下文图谱：企业已有的实体（账户、续约、工单、事故、政策、审批人、Agent 运行记录）通过决策事件（关键时刻）和 " 为什么 " 的链接连接在一起。

公司现在可以审计和调试自动化的过程，并将例外情况转化为案例，而不是每个季度都在 Slack 里重新学习一遍相同的边缘案例。

反馈循环是让其产生复利效应的关键。捕捉到的决策轨迹变成了可搜索的先例。每一个自动化的决策又向图谱中添加了一条新的轨迹。

这一切都不需要从第一天起就实现完全自动化。它从 " 人机协同 "（Human-in-the-loop）开始：

Agent 提议、收集上下文、路由审批并记录轨迹。随着时间的推移，当类似的案例重复出现，越来越多的路径可以被自动化，因为系统拥有一个结构化的过往决策和例外库。

即使仍由人类做决定，图谱也在不断生长，因为工作流层将输入、审批和理由捕捉为持久的先例，而不是让它消散在 Slack 中。

04 为什么现有巨头建不了上下文图谱

Ball 乐观地认为，现有的玩家会进化成这种架构。按照这个剧本，现有的巨头们只需要在庞大的数据资产上外挂一个 AI 大脑，就能平滑过渡到下一个时代。

Salesforce、ServiceNow 和 Workday 也相信这一点，他们都在兜售同一个故事：" 我们拥有数据，现在我们加上智能。"

但这个逻辑有一个硬伤：它们的底层架构是为 " 当前状态 "（Current State）设计的。

以 Salesforce 为例，它本质上是一个巨大的、复杂的分类账本。它精准地知道一个销售线索现在长什么样，但它无法回溯决策发生那一刻世界长什么样。

比如，当一个 20% 的违规折扣被批准时，Salesforce 记录的是 " 折扣已批准 "。

但那个证明折扣合理性的上下文，比如 PagerDuty 刚刚报警显示服务宕机、Zendesk 里客户正在咆哮、Slack 群里 VP 的临时授权。在写入 Salesforce 的那一刻，全部丢失了。

无法回放决策时的世界状态，就意味着无法审计决策，更无法将其转化为 AI 可学习的 " 先例 "。

一个客服问题的升级，往往取决于 CRM 里的客户等级、计费系统里的 SLA 条款，甚至 Slack 里的流言蜚语。没有一个现有的 SaaS 巨头能看到全貌，因为它们的视野仅限于自己的围墙之内。

既然应用层不行，那么处于底层的 Snowflake 和 Databricks 呢？它们同样被寄予厚望，被视为 AI Agent 的基石。

确实，数仓拥有基于时间的快照，看起来像是拥有了 " 上帝视角 "。但问题在于，它们处于数据的 " 读路径 "（Read Path），而非 " 写路径 "（Write Path）。

数据进入数仓，通常是在决策发生之后，经过漫长的 ETL（提取、转换、加载）管道搬运而来。这就像是正在发生激战的前线，数仓只是那个战后打扫战场的记录员。

当数据最终落地 Snowflake 时，那个充满博弈、权衡和突发状况的 " 决策上下文 " 已经蒸发殆尽。也就是说，它还是只能告诉你发生了什么，但不能告诉你为什么。

Databricks 虽然在拼命整合碎片，但 " 存储数据的地方 " 和 " 决策发生的执行路径 " 之间，依然隔着一道无法逾越的鸿沟。

与这些大公司相比，Agent 系统类初创公司拥有结构性优势：它们处于 " 编排路径 " 上。

当一个 Agent 正在分流工单、响应事故或审批报价时，它不仅仅是在调用工具，也在执行工作流。

它处于风暴的中心，从多个系统拉取信息，评估规则，解决冲突，然后行动。

因为身处 " 执行路径 "，它拥有了巨头们无法触及的特权：在 " 提交时刻 "（Commit Time），将所有的输入、逻辑、例外和原因，完整地 " 冻结 " 下来。

这就是上下文图谱，也是 AI 时代公司最有价值的单一资产。

当然，现有巨头也会反击。他们会尝试通过收购来通过 " 打补丁 " 的方式增加编排能力。他们会锁定 API 并采用数据流出费用（Egress fees）来让数据提取变得昂贵。

这与超大规模云厂商使用的剧本相同。他们会建立自己的 Agent 框架，并推行 " 把一切都留在我们的生态系统中 " 的叙事。

但是，捕捉决策轨迹需要在提交时刻（Commit Time）处于执行路径中，而不是事后强加治理。巨头可以让数据提取变得更难，但他们无法将自己插入到一个他们从未参与过的编排层中。

05 初创公司的三条路径

Agent 系统类初创公司将采取不同的路径，每条路径都有自己的权衡。

1. 从第一天起就取代现有的记录系统。

围绕 Agent 执行重构 CRM 或 ERP，将 " 事件源状态 "（Event-sourced state）和 " 政策捕捉 " 作为架构的原生功能。这很难，因为巨头根深蒂固，但在技术代际更迭的转折点，这并非不可能实现。

在众多追逐 AI SDR（销售开发代表）类别的初创公司中，Regie 选择了构建一个 AI 原生的销售参与平台，以取代像 Outreach/Salesloft 这样的传统平台（后者是为人类在碎片化工具链中执行序列而设计的）。

Regie 专为混合团队设计，其中 Agent 是一等公民：它可以挖掘潜在客户、生成外联、跟进、处理路由并升级给人类。

2. 取代模块而不是整个系统。

这些初创公司针对特殊情况和审批集中的特定子工作流，成为这些决策的记录系统，同时将最终状态同步回现有巨头系统。

Maximor 在财务领域就在践行这一逻辑。它自动化了现金流、结账管理和核心会计工作流，却保留了 ERP 作为底层总账（GL）的地位。

换句话说，ERP 依然是那个记账的 " 账本 "，但 Maximor 成为了掌握对账逻辑的 " 大脑 "。

3. 创建全新的记录系统。

这些公司从编排层起步，捕捉了企业从未系统化存储过的东西——决策痕迹。随着时间推移，这种可回放的关系数据变成了一种新的权威资产。

此时，Agent 不再仅仅是自动化工具，而是成为了企业回答 " 我们为什么这样做 " 的档案室。

PlayerZero 是这种模式的典范。生产工程（Production Engineering）长期处于 SRE、QA 和开发的交汇点，这是一个典型的 " 胶水职能 "，依靠人类的经验来承载软件无法捕捉的上下文。

PlayerZero 建立了一个关于代码、配置和客户行为交互的 " 上下文图谱 "。当生产环境出问题时，它能回答 " 为什么会坏 " 以及 " 这个变更会带来什么后果 " ——这是任何现有系统都无法回答的问题。

而在这些路径之上，一个新的基础设施正在形成：Agent 的可观测性（Observability）。

随着决策轨迹的堆叠，企业需要像监控代码一样监控 Agent 的行为。

Arize 正试图成为这一新堆栈中的 Datadog。它让团队能够看到 Agent 如何推理、在哪里失败，并评估其决策质量。在自主决策的时代，这不仅仅是工具，更是安全感。

06 创业者的两个关键信号

对于创业者而言，应该在哪里落子？市场释放的信号虽然重叠，但指向了不同的机会。

首先是两个通用的信号：高人力投入与高意外率。

第一，高人力投入。如果一家公司还在用 50 个人手动路由工单或核对数据，这就是最直接的信号。大量劳动力的存在，恰恰证明了决策逻辑太复杂，传统工具做不到自动化。

第二，需要处理大量的 " 意外 " 情况。那些充满 " 视情况而定 " 的交易审批、合规审查环节，因为逻辑复杂且先例重要，也是 Agent 建立决策血缘的最佳土壤。

而另一个信号，则专门指向了 " 新记录系统 " 的诞生：系统交汇处的 " 胶水职能 "。

RevOps（收入运营）的存在，是因为没有人能同时搞定销售、财务和市场系统；DevOps 的存在，是因为开发和运维之间有深沟；安全运营（SecOps）则卡在 IT 和合规之间。

这些角色的出现，本身就是对现有软件生态的一种讽刺——因为没有单一的记录系统能拥有跨职能的视野，组织只能创造一个人类角色来充当 " 人肉中间件 "，承载那些软件无法捕捉的上下文。

一个自动化该角色的 Agent，其价值不仅仅是效率，而是它通过持久化保存决策、例外和先例，将这种隐形的 " 胶水 " 实体化了。这不是在拆除现有的巨头，而是在捕捉一种只有当 Agent 介入工作流时才会显现的真理。

回到最初的问题：记录系统会存活吗？

当然会。Salesforce 和 SAP 不会消失。

但真正的问题是，下一个万亿级的平台会是什么？它是通过简单地给现有冷冰冰的数据添加 AI 补丁构建的？还是通过捕捉那些让数据具有行动力（Actionable）的决策轨迹而构建的？

我们赌注押在后者。而今天那些正在构建 " 上下文图谱 " 的初创公司，正在为这个新时代打下地基。