企業數據太多，AI知道得太少：千問辦公的上下文生意

TechPulse2026.09.23 19:34 · 來自浙江全文2432字00:00 / 07:01一家中大型企業內部的數據規模平均約為150PB，而目前最強模型的上下文窗口多為 100 萬token左右。AI辦公之爭的下一個基點，是上下文。理論上，企業數據越多，AI 就會越懂企業，數據裡有客戶需求、業務規則，也有員工處理問題時積累的經驗，但實際上，這些數據距離模型能直接使用的上下文，還差得遠。比如，信息散落在文檔、會議、群聊和業務系統中，有些彼此矛盾，有些早已過時；再說，模型即使能接觸到更多數據，也未必知道完成眼前這項任務該用哪一條。

雲棲大會期間，阿里巴巴集團副總裁、千問辦公 CEO 陳宇森給了一組數據，一家中大型企業內部的數據規模平均約為150PB，而目前最強模型的上下文窗口多為 100 萬token左右，企業保存了大量信息，AI 每次工作時卻只能看到其中的一小部分。陳宇森表示，在一個 AI Agent 的時代，模型能力飛速發展，Harness 技術不斷迭代，企業把 Agent 到底什麼才是企業把 Agent 真正用起來的核心？我們的答案是——Context is All You Need。

本次大會上，千問辦公發佈面向企業的全新產品：企業上下文（Enterprise Context），基於企業上下文這個產品和千問辦公的 Agent 託管能力，千問辦公可以幫助企業構建懂業務的數字員工，讓他們在釘釘等各類 IM 上和人類員工進行協同，重塑業務流程，大幅提升組織效率。模型已經具備處理許多通用工作的能力，進入具體公司後，怎樣才能知道這家公司的業務究竟如何運轉？個人效率已經提上去了，組織沒有跟上企業有數據，Agent卻未必有答案，陳宇森總結了三大問題，第一條是AI不懂業務，日常工作和生活裡的大多數通用任務，丟給任何一個足夠好的Chatbot都能搞定，換成一個具體企業的問題，它就難以回答。

第二，單個員工的效率確實提高了，業務卻沒有因此跑得更快。一個把八小時工作壓縮到一小時完成的人，他的經驗既沒有機制分享給同事，也沒有機制沉澱給組織。第三是想用但不敢用，企業要在省成本的同時守住數據安全的底線。“一個不懂業務的 AI Agent，是無法進入企業級真實業務流的。”陳宇森說。信息分散是其中一層困難，以千問辦公介紹的古茗案例為例，門店新品的操作標準可能出現在培訓視頻裡，設備維修方法可能留在知識庫或答疑群裡，海報張貼規範又可能寫在另一份門店文件中。店員問一個具體問題時，Agent 需要找到適用的那條規定，而非羅列所有相關資料。

千問辦公副總裁、產研負責人束駿亮也表示，AI Agent行業發展到現在，很多技術已經慢慢趨同，決定一個Agent能不能很好地理解一個人、理解一個行業去完成任務的，核心在於推理時給它多少上下文。分水嶺於是從Agent聰不聰明，變成了Agent懂不懂這家企業。束駿亮對個人Agent與企業Agent的關係還有一個判斷，兩者在技術上不會有太大差別，真正的邊界在於知識產權的歸屬和工作界面的歸屬。上下文屬於個人還是屬於公司，連接的是個人賬號還是企業賬號，這大概解釋了一批個人Agent產品體驗很好，卻很難直接平移進企業的原因。

而懂業務是有門檻的，企業積累多年的數據分散在群聊、文檔、會議記錄和業務系統裡，其中大量是過去被稱作隱性知識的非結構化內容。業界長期缺少一套把海量信息結構化、並且能夠被Agent按需調用的基礎設施。把上下文做成基建，而不是某個產品的功能千問辦公的企業上下文核心，是把企業內部的數據連起來，再壓縮成Agent能按需取用的形態。首先是壓縮，上下文窗口如果是100萬token，一個50MB的文檔就可能打爆，陳宇森的判斷是，做企業上下文不能把數據一股腦拉起來存到一個地方，那樣Agent反而用不起來，窗口被佔用，信息密度不夠，寶貴的執行空間被浪費。

所以企業上下文采用類似文件系統的組織方式，讓每一個層級儘可能壓縮下一個層級的信息，Agent需要時逐級展開，技術上的說法是漸進式暴露。同時用圖數據庫把實體之間的關係連起來，一個項目關聯了哪些人，關聯了哪些群聊，關聯了哪些文檔，只有這些信息匯聚到一起，Agent才能判斷項目當前的執行狀態。類似的還有美國公司Palantir，它靠幫企業梳理業務實體及其關係，構建本體數據爆火，但成本也比較高，現在，大模型讓整理企業內部知識的成本降了下來。束駿亮舉例表示，假設一套算法抽象一個企業的上下文要10天、花100萬，對企業來說不可行；如果能做到5000元、3天，這就是一個好方案。

處理海量非結構化數據時，有沒有足夠好用、足夠適配場景、足夠快且便宜的模型，直接決定了抽象的質量和成本。這也是阿里全棧能力主打的價值，以奶茶品牌古茗為例，企業上下文裡有大量視頻需要處理，成千上萬甚至上十萬個視頻段落，必須依靠多模態理解能力足夠強的模型，比如Qwen3.8-Omni-Flash。古茗有一萬多家線下門店，新品上市時總部的運營標準需要及時下發，通過企業上下文，飛書文檔、知識庫、答疑群和培訓日程裡的內容被整理成門店運營知識空間，幫助近萬名一線員工快速掌握新品新標準。當店員通過Agent詢問海報張貼規範時，企業上下文不會返回全部運營知識，而是提供當前任務所需的那部分。

圖片來自AI生成束駿亮強調，上下文跟著主體走，跟最終使用的Agent是解耦的。企業上下文屬於企業自己，可以拿到任何一個Agent裡使用，無論千問辦公，還是Codex、WorkBuddy。他把這套東西定義為新一代的數據基建，跟數據庫一樣，只是還沒有像數據庫那樣被標準化。“無論是千問辦公還是企業上下文，我們要做到：開放，還是開放”，陳宇森明確表示，千問辦公服務的客戶既有釘釘用戶，也有使用其他產品的企業。“我們服務了大量使用飛書和企業微信的客戶，這會是未來千問辦公一個特別重要的核心。”（本文首發於APP，文 | TechPulse，作者 | 張帥，編輯 | 楊林）