当智能不再稀缺，竞争优势从模型本身转移到组织能否高效捕获、管理并喂给AI正确上下文，企业正式进入上下文时代。
作者背景：亚伦·列维（Aaron Levie）是美国云存储巨头Box公司的联合创始人兼CEO。作为硅谷极具前瞻性的科技领袖，他长期聚焦企业级软件、知识管理与AI基础设施演进。
早在2010年代，他就率先提出“内容即平台”理念，推动企业从文件存储走向智能协作。近年来，他深度观察AI代理（AI Agents）在企业工作流中的渗透，多次在公开演讲与社交媒体中强调“上下文工程”（Context Engineering）将成为下一代企业竞争力的核心。
本文是他对AI时代企业战略本质的深刻洞察，融合管理学经典理论与前沿技术趋势，被业界视为“AI组织转型宣言”。
上下文时代的真正起点
如果你把这篇文章只当成一篇关于 AI 的趋势判断，那你很可能低估了它的杀伤力。
阿伦 莱维真正要讲的，不是模型会不会更聪明，而是当所有人都拥有同样聪明的大脑之后，企业之间到底还能靠什么拉开差距。
管理学大师彼得 德鲁克在上世纪九十年代提出，知识已经成为最关键的经济资源，甚至可能是唯一的竞争优势。当年这句话听起来还像是对信息时代的总结，但放在今天的 AI 语境里，反而像一条提前三十年写好的预言。因为在大模型面前，知识本身已经开始贬值。
所谓上下文（Context），不是泛泛而谈的“行业知识”或“市场趋势”，而是你这家公司独有的、沉淀多年的、无法被轻易复制的组织内核。
比如：你对某个细分客户群体的深度理解；
你内部流传却从未文档化的决策逻辑；
你产品路线图背后的独特假设；
你与核心客户长达五年的沟通记录；
你历年失败项目的复盘教训；
甚至是某位资深员工脑子里“直觉式”的判断依据。
这些碎片化的、非结构化的、常常被埋没在邮件、会议、聊天记录里的“组织暗知识”，才是AI时代真正的金矿。
想象一下：你给一个AI律师发指令：“审核这份并购协议。”
如果没有上下文，它只能基于通用法律条款给出标准化建议。
但如果你能同步提供：过去三年你公司类似交易的条款偏好、法务总监对特定风险的容忍阈值、目标公司所在地区的监管潜规则、甚至CEO上周在闭门会上说的“这次一定要卡住对方的付款节奏”——那么这个AI律师输出的就不再是模板回答，而是真正贴合你公司战略意图的战术方案。
上下文，就是让通用智能变成专属智能的魔法催化剂。
通用智能的悖论
今天的大模型正在快速演化成各种专业智能体，可以写代码、审合同、做财务分析、搞科研设计，甚至模拟医疗决策。从能力维度看，它们已经无限接近“全行业通用专家”。
但问题恰恰出在“通用”这两个字上。
一个模型，前一秒可以给福特汽车审法律合同，下一秒就能为高盛写交易系统代码。它对任何公司一视同仁，对任何组织一无所知。这意味着一个残酷的现实：在纯智能层面，你和你的竞争对手，用的是同一个律师、同一个工程师、同一个战略顾问。
当智能完全同质化，差异化就不可能来自模型本身。再强的推理能力，如果不知道你的组织结构、客户背景、历史决策逻辑、业务边界和隐性规则，依然只能停留在“聪明但不落地”的阶段。
于是问题被彻底翻转了。在一个人人都能调用超级智能的世界里，公司究竟凭什么赢。答案开始指向一个过去被严重低估的东西：上下文。
不是抽象的背景信息，而是关于你这家公司独有的全部细节集合。包括你真正该做什么产品，客户为什么选择你，你内部如何做决策，哪些失败经验从不写进文档，哪些客户反馈只存在于老员工脑子里，这些年慢慢积累的组织直觉与路径依赖。
这些东西，才是 AI 智能体真正放大生产力的燃料。模型负责推理，上下文决定方向。
没有上下文，所有智能都只能输出平均值答案。
上下文工程：一场被严重低估的技术革命
过去一年，“上下文工程”（Context Engineering）突然在硅谷爆火，不是没有原因的。它本质上是一场数据架构与工作流设计的深度重构。试想：你要让一个AI代理瞬间理解你整个公司——包括所有系统权限、客户数据边界、项目优先级、内部术语、合规红线……但留给你的“说明书”可能只有一份文档的长度。如何在有限提示（prompt）空间里塞进最关键的信息？如何确保它不会误读模糊指令？如何让它在跨系统操作时自动调取正确的数据源？这些问题，远比训练一个更大参数的模型更难。
更棘手的是，企业里大量关键上下文根本不存在于任何数字化系统中。
风险投资公司Foundation Capital的贾娅·古普塔（Jaya Gupta）和阿舒·加格（Ashu Garg）在一篇重磅文章中尖锐指出：许多影响AI代理决策的“决策痕迹”——比如某次临时会议的口头结论、某个高管的即兴批示、某个客户私下透露的偏好——根本没被任何软件记录。这意味着，即使你拥有最先进的AI平台，如果拿不到这些“幽灵数据”，你的AI依然会做出脱离实际的判断。
上下文工程的第一步，其实是把企业从“模糊经验驱动”转向“可追溯事实驱动”。
其实企业早就被上下文困住
有趣的是，这个问题并不是 AI 时代才出现的。企业本质上一直就是上下文的集合体。流程、制度、专利、客户关系、决策习惯、文化偏好，全都是上下文。区别在于，过去这些上下文很难被系统性调用。
惠普前 CEO 卢 普拉特那句著名的话，如果惠普真正知道惠普知道什么，生产力可以提升三倍，说的正是这种隐性知识无法被组织吸收的问题。
这句话道尽了大企业的知识管理之痛：
文档散落在SharePoint、Confluence、邮件、本地硬盘；
专家经验随员工离职而流失；
跨部门信息壁垒如铜墙铁壁。
AI智能体的出现，第一次让“激活组织记忆”成为可能。
数据的梅特卡夫定律正在生效
Atlassian联合创始人麦克·坎农-布鲁克斯（Mike Cannon-Brookes）甚至提出“数据的梅特卡夫定律”：企业数据的价值不是线性增长，而是随连接密度呈指数级爆发。
数据也有自己的网络效应。数据越多，彼此连接越紧密，系统整体的价值不是线性增长，而是指数级放大。这在 AI 时代变得异常真实。
孤立的数据几乎没有价值，但一旦被上下文图谱连接起来，就能支撑复杂决策。
当你把客户反馈、产品日志、销售记录、客服对话全部打通，并用AI实时关联分析，产生的洞察力将远超任何单点数据。
比如一家房地产公司，如果能把区域租金波动、租户续约率、物业维修响应速度、周边新楼盘动态全部整合成动态上下文，它的AI智能体就能在客户咨询时自动推荐最优房源组合，甚至预测未来三个月的租金谈判空间。而另一家只用通用市场报告的公司，只能给出泛泛而谈的建议。差距就在这里拉开。
AI 智能体第一次让这件事变得现实。不是因为模型更聪明，而是因为它们终于可以低成本地消费、组合和调用这些碎片化的上下文。
真正困难的是上下文获取
但问题从来不在愿景，而在落地。上下文并不是天然存在于某个系统里。很多关键决策痕迹，根本没有被任何软件记录过。Foundation Capital 的贾雅 古普塔和阿舒 加格在讨论上下文图谱时就指出，企业最重要的决策逻辑，往往存在于会议、聊天、临时妥协和非正式判断中。这些信息，恰恰是智能体最需要、却最难获取的部分。
要让 AI 真正工作，它需要客户数据、内部文档、对话历史、项目时间线、研究资料、市场素材、财务记录、代码仓库、人力资源信息，并且这些信息要在权限、时效和任务相关性上被精准控制。
系统整合是一场十年工程
设计能承载这些上下文的系统，绝不是简单加一个搜索框。它涉及系统级互通、权限治理、合规审计、执行边界控制。哪些数据能被哪个智能体看到，哪些操作只能建议不能执行，哪些行为必须人工确认。这些问题本质上是组织治理问题，只是现在被技术放大了。
未来十年，企业软件会发生一次深层重构。一部分上下文会继续留在现有的系统记录中，另一部分则必须依靠全新的工具来承载，尤其是那些过去从未被结构化的信息。
人必须适应 AI 的工作方式
最反直觉的一点在于，AI 并不会完全适应人类。恰恰相反，人类将被迫适应 AI 的工作逻辑。因为智能体的能力太强，同时也有明确边界，组织必须调整流程，才能让上下文持续、稳定、可用。
这意味着个人贡献者的角色正在发生质变。未来的员工，不再只是执行任务的人，而是智能体的管理者。他们负责给出目标、补充上下文、检查结果、处理升级路径、协调多个智能体之间的协作。这和过去管理一个团队没有本质区别，只是对象从人变成了智能体。
上下文决定谁能活下来
趋势已经非常清晰。进入上下文时代后，企业的核心能力不再是“会不会用 AI”，而是“能不能持续积累和调动高质量上下文”。能做到这一点的公司，生产力会被不断放大，服务能力会越来越强。做不到的公司，即使模型再先进，也只能输出平庸结果，最终被市场边缘化。
这正是彼得 德鲁克当年那句话在 AI 时代的真正含义。知识仍然是竞争优势，但前提是，它必须被正确地组织、连接，并转化为上下文，才能被智能真正利用。欢迎来到上下文时代。