别卷模型了：企业 AI 的下一个 Scaling Law，是“上下文”

过去两年，整个科技界都在信奉一条铁律：Scaling Law（缩放定律）。

OpenAI 告诉我们：只要算力足够大、参数足够多、数据足够广，模型的智能就会“涌现”。于是，所有人都在卷模型。

但在企业落地的真实战场上，我发现了一个诡异的现象：

你用着最先进的 GPT-5、Gemini3，接着最贵的向量数据库，但你的 AI 员工依然像个“高智商的失忆症患者”。

它能写出莎士比亚风格的诗，却写不对你公司的一条促销文案；它懂量子力学，却搞不清你家产品的 SKU 逻辑。

为什么？

昨天和一个朋友探讨这块时，他提出，Knowhow 依然是决定 Agent 效果好坏的关键。事实上，这个观点我不仅认同，并且还在一个具体的项目中以实际行动证明了这句话。当时服务一个奢品品牌的鞋服线私域商城，需要做一个尺码推荐的 Agent，同台有三个玩家：一个五虎级大模型公司、一个知名电商代运营公司。大家围绕这个命题出 demo，但经过反复测试，我做的 demo 在所有轮次的测试中，表现都最好。但其实，我的提示词，加起来没超过 200 个字。所差仅仅只是，我因为多年服务鞋服企业以及深入过鞋服生产的一线，所积累下来的对于尺码推荐这个场景的理解深度，也就是 Knowhow。

但，只讨论 Knowhow 有用是浅薄的（一如今年上半年的我），对于企业而言，或者对于我们自己而言，我们需要知道我们的 Knowhow 是怎么来的，而实际上，用我的话说：

“Know-how 本身就是上下文层面的涌现。对于企业而言，积累上下文，可能就是下一个 Scaling Law。”

我相信，这就是企业 AI 下半场的终极真相。

一、 模型的 Scaling Law 已近黄昏，上下文的 Scaling Law 刚刚开始

对于 99% 的企业来说，Model Scaling（模型规模） 的游戏已经结束了。

通用的智商（IQ）已经变成了水电煤，你用 GPT-5，对手也用 GPT-5，这里没有护城河。

真正的战场转移到了 Context Scaling（上下文规模）。

如果说模型是“大脑”，那上下文（Context）就是**“记忆”和“阅历”**。这和人很像，对么？Knowhow 的积累不就是记忆和阅历吗？

一个刚毕业的博士生（高智商模型），如果没读过公司的历史文档、不懂行业的潜规则、不知道老板的偏好，他进公司第一天创造的价值，可能还不如一个只有大专学历、但干了 10 年的老员工（低智商、高上下文）。

企业 AI 的核心矛盾，不再是“模型不够聪明”，而是“供给模型的上下文不够厚”。

二、 Know-how 不是玄学，是“被验证的上下文”

很多企业主喜欢把行业经验称为 Know-how，并认为这是一种只可意会不可言传的“玄学”。

但在架构师眼中，Know-how 是可以被解构的。

  • 初级 Know-how 是数据： 比如一份《品牌手册.pdf》。
  • 高级 Know-how 是逻辑： 比如“红色背景图在春节期间转化率高”。
  • 顶级 Know-how 是涌现： 当我们将策略、数据、实时状态、历史反馈打包在一起，喂给 AI 时，AI 突然“懂了”你的生意。

这种“懂”，就是上下文层面的涌现 (Emergence at Context Level)。

传统的 RAG（检索增强生成）为什么不好用？因为它只是机械地切片、检索。它找回来的是“碎片”，而不是“语境”。是静态的，而不是动态的。

它给了 AI 一块砖，却没告诉 AI 这块砖是要用来盖教堂，还是盖猪圈。

三、 谁能结构化 Context，谁就掌握了新时代的摩尔定律

如果说 Context Scaling 是新的定律，那么企业的战略重心就必须转移：

从“收集数据 (Data Collection)” 转向 “治理上下文 (Context Governance)”。

因此，企业需要构建一层全新的中间件，或者说全新的中台结构，不是数据中台，而是全新的，能够管理企业上下文的，能够实现对于企业深度理解的治理框架——我们称之为 AAG (Agentic Asset Governance)，灵动资产治理平台。

它的核心使命，就是把企业里那些死的、散乱的非结构化数据，实时“编译”成 AI Agent 能读懂的结构化上下文。

  • 当 Agent 要写文案时，AAG 喂给它的不是 100 个文档，而是一个精炼的 Context Payload（上下文包）：包含当前的营销策略、禁忌词库、竞品动态和高转化模板。
  • 当 Agent 要做图时，AAG 喂给它的不是整个图库，而是经过筛选的、版权合规的、符合当季色板的视觉元素。

这就是“上下文即服务” (Context as a Service)。

当企业的所有内容、知识都以关联工作流的方式跑在 AAG 上，当所有智能体以及对应的智能体的反馈数据都能回到 AAG 上，所谓的 Knowhow 势必会涌现。

四、 结语

在 AI 的上半场，OpenAI 帮我们解决了“智商”问题。

在 AI 的下半场，企业必须自己解决“记性”问题。（我们花了太多的时间在私有数据和微调上，但这不是企业的真相，可被企业用于微调大模型的数据，并不值钱，因为，那不是 knowhow）

未来的企业竞争力公式，或许应该改写为：

AI 生产力 = (通用模型智商) × (企业私有上下文)

模型智商是线性的，但上下文的质量是指数级的。

谁能积累更厚、更准、更灵动的上下文，谁就能在 AI 时代跑出自己的 Scaling Law。

不要再迷信大模型了，去建设你的上下文吧。

我是臧青，一个正在尝试用 AI 重构企业服务逻辑的架构师。

如果你也对 企业级 Knowhow 这个话题感兴趣，欢迎来聊聊。