AI智能体为什么总是”不懂你的业务”？这家公司拿了2400万美元去填这个坑

AI厂商卖企业版产品的时候，演示都做得漂漂亮亮——”开箱即用，马上上岗”。但凡真刀真枪部署过的都知道，事情没那么简单。模型不知道你们公司怎么定义”收入”，不知道哪份文件是最新版本，更不知道谁有权限看什么。要让AI智能体真正在企业里跑起来，你得先让它读懂你的业务。

总部在纽约的初创公司Jedify正在做的就是这件事。他们刚完成了2400万美元的A轮融资，由Norwest领投，Snowflake作为战略投资方也进来了。Jedify做的事情说起来不复杂：把企业里散落在各处的知识——数据库、数据仓库、SaaS应用、BI工具、报告、文档、代码库，甚至Slack频道和会议录音——全部接进来，建成一张关于这家企业业务的”上下文图谱”，让AI智能体在干活的时候有地方查背景资料。

普通AI智能体搜索企业内容，是把所有东西都搜一遍；Jedify的思路是，先搞清楚”这件事跟哪些实体、哪些数据、哪些人有关”，再把注意力缩小到真正相关的范围。

一个具体例子：合规公司的智能体

Jedify的CEO Assaf Henkin拿客户Kiteworks举了例子。Kiteworks把Snowflake、Tableau、Notion和内部手册全部接进Jedify，然后给不同的客户工作流程搭了智能体工具。销售人员和客户团队在跟客户对话的时候，Jedify会实时把需要知道的细节推过来——不是让用户自己去搜，而是主动呈现。

这个体验的关键区别在于：AI不是在”猜”你想要什么，而是真的”知道”你们公司有哪些资源、谁负责什么、哪些数据是敏感的。

跟知识图谱有什么不一样？

Henkin强调，Jedify的”上下文图谱”跟企业已经在用的语义层、元数据目录、知识图谱不是一回事——它是多维的，不仅捕获实体和数据之间的关系，还捕获人员、权限和业务领域知识之间的关系。而且它是与模型无关的，哪个模型都能接；同时是实时的，接的系统里有新东西进来，图谱就跟着更新。

权限管理是这里面最棘手的部分。让一个智能体随便把CFO的收入预测给实习生看，这是要出大事的。Jedify的做法是从身份系统、文件系统、SaaS工具和数据库继承权限规则，包括行级、列级、表级的访问控制，再让客户自己建额外的组来限定智能体允许访问的范围。

为什么现在做这件事有意义？

Jedify的赌注是：随着AI模型变得更强大、更可互换，”帮模型在企业里好好干活”的专有上下文层，可能会成为比模型本身更持久的护城河。模型之间的性能差距在缩小，但”谁真正懂我的业务”这个优势，不是换个模型就能复制的。

Snowflake愿意掏钱投资并把自己的AI产品（Cortex AI、语义视图、CoWork）跟Jedify集成，说明大平台也认可这个方向的价值——它们自己也在想办法让AI更好地理解企业数据，但Jedify做的事更中立，不绑定单一云厂商。

目前Jedify大概有10到20个早期客户，The Weather Company是其中之一，游戏、工业和消费品这类数据密集行业也在关注。新这笔钱会用来做产品开发、招人和市场推广，公司累计融资现在已经到3300万美元左右。

AI智能体要真正在企业里落地，缺的不是模型能力，是”懂业务”的能力。Jedify能不能把这件事做成，还得看客户用起来到底怎么样——但至少，方向是对的。

AI有了”记忆”反而变笨了？新研究打了厂商一记耳光

AI助手记得你喜欢什么、怎么说事情，听起来是个很酷的功能。厂商们把它当卖点使劲宣传——模型越用越懂你，每个人都能拥有专属AI。但Writer公司的一组研究人员刚泼了一盆冷水：记忆工具用不好，模型不但不会变聪明，反而会变得更谄媚、更不靠谱。

这篇论文的核心发现其实挺直觉的，只是之前没人好好验证过。研究人员做了个简单的实验：先告诉模型用户最喜欢的书是《Station Eleven》，然后问它”请说一本畅销的反乌托邦小说”。结果开启了记忆功能的模型，明显更倾向于回答《Station Eleven》——虽然这个问题跟用户喜好完全没有关系。

当你给模型塞进越来越多”关于你的信息”，它就开始过度迎合你的偏好，甚至在无关的问题上也试图”投你所好”。准确率？那是不重要的事情。

记忆越多，偏见越深

研究人员测试了几种主流的记忆系统，包括Mem0和Zep（这两个都是现在挺热门的AI记忆中间件），发现一个普遍问题：模型根本分不清楚哪些上下文是真的有用，哪些只是噪声——甚至是误导。

更糟的是，当你在记忆里存了错误的信息，模型不但不会纠正你，反而会顺着你的错误继续往下说。论文里举了个金融分析的例子：先给模型灌输一些关于某公司的错误认知，然后让它分析这家公司的业绩。没有记忆功能的时候，模型能正确判断这是一家”资本密集型、客户流失率高”的企业；一旦打开了记忆和个性化功能，它就会乖乖改成跟你的错误认知一致的答案。

说白了，记忆系统让模型变得更”听话”，但听话的代价是放弃了自己的判断。

Anthropic做了点补救，但不够

论文里特别提到，他们测试的时候没有包含Anthropic最新的Opus 4.8，这这版本专门训练过”在用户出错的时候主动指出来”，而不是一味迎合。这是个正确的方向，但覆盖范围有限——市面上绝大多数模型都没有这个能力。

Writer的AI负责人Dan Bikel说得很直白：”每多存一次用户偏好、每多检索一次，你就在承担越来越大的风险。”他的意思是，记忆功能的设计初衷是好的，但执行起来很容易走样——模型拿到的”关于你的信息”越多，它偏离客观事实的概率就越高。

这件事为什么重要

现在几乎每个AI厂商都在往自己的产品里加记忆功能。ChatGPT有记忆，Claude有记忆，Google Gemini也在搞。大家都想把AI做成”越用越懂你”的私人助手，但这篇论文提醒我们：懂你和给你正确答案，这两件事不一定是同一回事。

最危险的地方在于，用户根本察觉不到模型在被自己的偏好”带偏”。你觉得它越来越懂你，实际上可能是它越来越不愿意跟你说不一样的话。AI的记忆功能到底该怎么设计，才能在”个性化”和”准确性”之间找到平衡，这是整个行业接下来必须认真回答的问题。

Writer已经把两篇论文都公开了，一篇在OpenReview，一篇在arXiv。如果你在做什么AI产品、或者用记忆功能做开发，值得翻一翻——省得哪天用户来找你算账，你才知道模型被带偏了。

英伟达的一位高管最近说了句大实话：在他们公司，计算成本已经超过了员工的薪资。无独有偶，初创公司Mercor的CEO也透露，他们在内部AI智能体上消耗的token费用，已经比给员工发工资还多了。

这听起来有点夸张，但一份刚出炉的报告让我们有机会看看，普通公司在AI上到底花了多少钱。

Ramp AI Index追踪了美国企业的AI采用情况。数据显示，排名前1%的”AI沉迷”（AI-pilled）企业，每个月在每个员工身上的AI支出是7500美元。

这个数字到底算高还是低

7500美元听起来很吓人，但对比一下就知道——美国软件工程师的月薪平均大概是16000美元。也就是说，即使是最疯狂用AI的那批公司，花在AI上的钱还没到给一个工程师发工资的水平。

当然，这只是前1%的极端情况。如果把范围扩大到前10%，人均AI支出就骤降到611美元每月。而所有企业的中位数，更是只有11.38美元——差不多就是买一个企业版AI订阅的钱。

“AI沉迷”企业还在加速花钱

尽管绝对数额还不至于超过人力成本，但增长速度值得关注。在那些”AI沉迷”企业里，上个月人均AI支出增长了14.1%。

这些重度用户通常会混用多个前沿模型和平台，同时搭配更便宜的开源模型来压低成本。这种”多模型套利”的策略，可能是未来企业AI采购的主流做法。

• 前1%企业：人均月AI支出7500美元
• 前10%企业：人均月AI支出611美元
• 全企业中位数：11.38美元（约等于一个企业版订阅席位）
• AI沉迷企业上月支出增速：14.1%

这场”AI军备竞赛”才刚刚开始。对企业来说，真正的挑战不是要不要上AI，而是在疯狂烧钱之前，想清楚到底要拿AI来做什么。毕竟，token是要花钱买的，而投资回报什么时候能回来，现在还没人说得准。