企微的這些新功能，補齊了AI在你公司的最後一公里
整理版優先睇
企業微信新功能點樣系統性補齊AI落地嘅context黑洞
作者係做企業AI諮詢同培訓，發現公司入面成日有啲關鍵決策係冇數字痕跡嘅，粗略估計40%嘅關鍵決策最後都蒸發咗。AI喺線上睇到嘅係被人為簡化過嘅協作記錄，冇咗嗰啲判斷、權衡同臨時決定，所以輸出成日係半成品。
企業微信5.0.8嘅升級，透過記錄面聊同智能表格，系統性咁從組織層面接住呢啲context。記錄面聊用聲紋識別加通訊錄聯動，將線下討論沉澱為可追蹤嘅任務；智能表格內置場景卡片，唔使寫prompt，普通員工都用得，仲可以連接多個後台數據源。
作者認為，而家影響AI落地嘅瓶頸已經唔係模型能力，而係能唔能夠俾AI足夠嘅context。補context係企業級AI下一波真正要卷嘅方向，企業微信呢步行得啱。
- AI落地嘅瓶頸已從模型能力轉向context工程，決定輸出質素嘅係AI睇到幾多公司真實情況。
- 記錄面聊透過聲紋識別同通訊錄聯動，將線下溝通自動沉澱為任務，閉環唔經人手。
- 智能表格嘅AI字段內置場景卡片，降低使用門檻，令更多普通員工主動用AI，數據自然流入。
- 作者個人經驗顯示，統一嘅結構化context可以顯著提升AI輸出質量，公司層面亦一樣。
- 企業應該開始系統性收集組織內部嘅context，包括線下溝通同分散嘅業務數據，先係真正嘅AI基礎設施。
公司嘅context黑洞：一半決策冇數字痕跡
作者做咗兩年企業AI諮詢同培訓，越做越發現公司入面成日有啲關鍵決策係冇任何數字痕跡嘅。工位旁嗰五分鐘嘅爭論、走廊裏面嗰段路上拍嘅板、茶水間一杯咖啡功夫傾出嚟嘅方向，呢啲都冇入過任何系統。
公司40%關鍵決策最後冇數字痕跡
AI喺線上睇到嘅係已經被人為簡化過嘅協作記錄，冇咗嗰啲判斷、權衡同臨時決定，所以AI輸出成日只係半成品。
AI嘅輸出經常只係半成品
記錄面聊：將走廊對話接入系統
企業微信新增嘅記錄面聊，表面係錄音轉寫，但關鍵係聲紋識別同企業通訊錄聯動，自動標註邊個講咗啲乜，身份資訊一下就對應返。
聲紋識別同企業通訊錄聯動，身份資訊自動匹配
總結呢一步其實只係中間過渡，跟住AI會自動整合待辦，直接指派畀相關同事，唔需要人手整理。
真正唔同嘅係，呢啲原本會蒸發嘅線下討論，而家可以被沉澱落嚟，變成組織知識。
智能表格：數據唔使再複製粘貼
智能表格加一列AI字段，內置場景卡片，例如分析客戶意向。唔使寫prompt，揀卡片就即刻跑出結果。
唔寫一行prompt，直接跑
作者用12條模擬客戶記錄測試，AI判斷同自己一致，連模糊回應「領導出差返嚟再說」都識得俾「中」，留咗餘地。
對模糊回應嘅處理好關鍵
仲支援自定義字段，用自然語言講需求，AI自動建立。
用自然語言直接操作業務系統
智能表格可以連接多個後台數據源，令數據集中，AI喺完整視圖做判斷。
數據從分散變集中，AI睇到完整視圖
補context：企業級AI嘅下一波賽道
作者自己都試過個人context黑洞，將所有材料整理成統一context後，AI輸出質量明顯提升。
一個人嘅context黑洞
企業微信呢次嘅產品方向係啱嘅，佢唔係追模型，而係幫AI睇到一個更完整嘅世界。我估下一兩年，補context會係企業級AI真正卷嘅方向。
「補context」會係企業級AI真正卷嘅方向
呢兩年我做咗唔少企業嘅AI諮詢同培訓，愈做愈發現一件事：
一間公司入面，真正發生緊嘅「數據」，有一大半根本唔喺線上。而缺乏數據呢件事，令到AI喺企業入面落地變得特別困難。
工位旁邊嗰五分鐘嘅爭論，走廊入面嗰段路拍咗板，茶水間一杯咖啡時間傾出來嘅方向，全部冇入過任何系統。事後回看，連當事人自己都未必可以複述清楚當時嘅判斷邏輯。
粗略估嚇，一間公司有40%嘅關鍵決策，最後係冇數字痕跡嘅。
協作鏈以外嘅另一半
點解呢件事重要？
呢一兩年AI喺企業內部鋪得幾快。寫email、做總結、畫PPT、批工單，幾乎所有線上協作環節都俾AI滲透咗一次。但只要你同前線員工傾幾句，就會發現一個共同嘅尷尬：
AI嘅輸出成日都只係半成品。
唔係模型唔得，係佢睇唔到當時場會議嘅語氣，睇唔到場爭論入面俾人否定咗嘅方案，睇唔到個客當面講嘅真實顧慮。
AI喺線上見到嘅，係已經俾人為簡化過嘅協作記錄。冇打字打出來嘅判斷、權衡、臨時決定，對佢嚟講係唔存在嘅。
隨住模型能力一波接一波咁提升，而家影響AI喺企業入面真正落地嘅，已經唔再係模型本身，更加多係你可以俾到AI幾多context。
如果你唔係好熟「context」呢個詞，簡單理解就係「上下文」、「來龍去脈」嘅意思。一份會議記錄、一段歷史對話、一個客嘅過往記錄，都係context。
呢兩年AI圈幾興講prompt engineering同harness engineering，但比呢兩個更加基礎、更加核心嘅，其實係context engineering。可唔可以將上下文交代清楚，先至係決定AI做得出靠譜工作嘅最關鍵一步。
決策者做啱判斷，靠嘅係context嘅密度同完整度。AI俾出好嘅輸出，靠嘅都係context。當一半context停留喺線下嘅時候，AI做到嘅都只係半件事。
以前點解補唔到
呢件事其實唔係冇人諗過。
兩年前我已經寫過一句話：理想嘅AI硬件應該係無限長上下文、可以處理多模態信息嘅Copilot。嗰段時間市面上成堆AI Pin形態嘅產品，掛頸嘅、夾衫領嘅、放枱面嘅，各種形態都有。
大家賭嘅都唔係硬件本身，係賭邊個可以將context呢件事先做成。
但回望返，嗰一波基本上都冇成功。同試用過嘅朋友傾落嚟，結論都差唔多：用一排就放低咗。
倒唔係產品本身有乜問題，主要係入口錯咗。
各種AI硬件都嘗試緊解決個人嘅數據收集問題。佢依賴使用者個人嘅意識：你要記得帶、記得開、記得返去整理、記得同步俾同事。整理出來嘅內容只可以入自己嘅筆記軟件，入唔到組織層面嘅工作流程入面。
組織級嘅數據，用個人級嘅設備去接收，實會零散。
呢個係入口問題，唔係技術問題。
企業微信今次嘅切入
所以見到近期企業微信嘅升級嘅時候，我即刻覺得呢個方向喺企業級嘅AI應用市場上係一個唔同嘅嘗試。
企業微信而家希望可以令AI融入內外協作場景，為辦公同對外服務提質增效。5.0.8呢一波更新入面，我不斷睇落去，真正嘅價值係佢由一個組織級入口系統性咁出手。
最搶眼嘅功能係新增嘅「記錄面聊」。
第一眼睇落同錄音轉寫類工具分別唔算大，手機放枱面、開始錄、結束後自動出總結。但你只要睇下使用流程，就會發現分別完全唔喺錄音呢一步。
聲紋識別呢件事本身唔新鮮，但佢同企業通訊錄聯動呢一下，含金量就完全唔同喇。呢啲身份信息系統入面一早就有，只係以前從來冇流到錄音轉寫呢一步。
總結呢一步其實只係中間過渡。佢跟住要做嘅事，先至係真正唔同嘅地方。
呢一步係關鍵。待辦唔係停喺聊天記錄入面，係直接入咗俾人@嗰個人嘅工作流程。由口頭溝通去到任務分派，中間唔需要邊個手動整理，閉環係自動完成嘅。
我想強調嘅唔係呢個功能好方便。
真正唔同嘅地方在於：呢場原本會蒸發咗嘅線下討論，佢嘅context第一次俾組織系統正式接住咗。邊個講咗乜、達成咗乜共識、要邊個做、幾時交貨，都可以沉澱落嚟。
佢做緊嘅事，係將組織協作嘅邊界，由會議室推至走廊同茶水間。
context黑洞，唔止喺線下
除咗加咗個面聊能力之外，再睇落一層，我發現呢一版升級真正想解嘅，係令AI見到更完整嘅公司。而context黑洞，遠唔止線下溝通呢一種。
另一種黑洞，發生喺數據庫同AI之間。
企業每日都產生大量結構化業務數據：客戶跟進記錄、項目進度、銷售結果、內容表現、庫存。理論上AI可以幫到好多忙。
但真正用起嚟，業務人員要做一套幾轉折嘅流程：先由系統將數據導出Excel，再複製貼上餵俾AI，AI俾個結果，再貼返業務系統。
每一次轉手都喺度失去context。AI唔知呢張表喺公司係做乜，唔知前面幾列係咩意思，唔知結果應該返去邊度。
5.0.8入面全新升級嘅「智能表格」，做嘅就係呢件事嘅另一面。
打開一張表，加一列AI字段，對應嘅卡片庫已經按場景分好類——客戶管理、項目管理、信息提取，每張卡片都係寫好嘅現成prompt。
我自己整咗一份模擬嘅銷售線索表，12條客戶記錄，特登溝埋唔同情況：有主動加微信問API嘅、有要求減價30%嘅、有「老細出差返嚟先講」嘅、有睇完Demo就消失嘅。
揀咗「分析客戶意向」呢張卡片，冇寫一行prompt，直接行。
行出來嘅結果都幾出人意表。12條入面我心入面有標準答案嘅嗰幾條，AI判得幾乎同我一致。
最令我意外嘅係佢對模糊回應嘅處理。「老細出差返嚟先講」呢啲含糊嘅話，佢冇即刻判低，俾咗中，留咗空間。呢種判斷喺銷售場景入面其實幾關鍵，將無效線索同等待線索分開。
模型能力本身大家都見過。真正唔同嘅係體驗：由打開表格到攞到分類結果，中間冇任何一步係「我要走去AI對話框、複製貼上、再貼返嚟」。常用嘅判斷邏輯都已經做成現成卡片，一撳即用。
呢一點對企業入面嘅AI落地其實特別關鍵。我做企業培訓呢兩年發現，AI喺公司推唔開，根本原因成日都唔係工具唔得，係普通員工唔識用，唔識寫prompt，亦都唔知邊個場景應該用邊個工具。但凡門檻降到「揀一下就行」，普通同事就願意主動用。AI喺一間公司入面真正有用嘅標誌，唔係少數極客玩得有幾深，而係絕大多數普通員工願意主動打開佢。
亦都支援自定義。卡片庫冇現成嘅，一句話寫需求再加揀要參考嘅字段，AI自己將呢個字段整出來。
我順手又加咗一個「推進建議」字段，叫AI根據溝通記錄俾一句話建議。
行出來嘅建議比我預想更加貼地。我以為會係嗰種「保持密切溝通」嘅廢話，結果每條都係具體動作，連時間節點都俾到位。
呢個先係更加好玩嘅玩法——離「用自然語言直接操作業務系統」又近咗一步。
我順手又整咗一份項目跟進表，叫AI睇「最新進展」加「近期會議提及」加「資源投入」三列，自定義一個風險評級字段。
12個項目入面11個判得同我心入面嘅預期一致。佢可以由「老細反覆改方向」「方案俾人駁回仲連續兩週俾人點名」呢啲自由文字入面讀出風險信號，而唔係淨係睇「計劃完成時間」呢類結構化字段。呢點比我以為嘅強。
但有一條AI同我判得唔一樣。「營銷活動數據看板」我心入面係高風險，因為已經上線但營運反饋數據延遲2個鐘冇辦法接受，尋日仲喺度開緊急會議討論修復。AI判咗中。我估佢嘅邏輯係「已上線+問題已知+正在修復」，所以中；而我側重「業務方已經忍唔住」，所以高。
呢種分歧反而係好事。AI做初篩、人做最終判斷，呢個分工係合理嘅。唔係AI嘅判斷一定啱，而係佢先將可疑嘅標出來，慳返人類嗰次人肉掃描。
但我覺得最關鍵嘅一步，係另一邊：
智能表格支援將企業散喺各個平台後台嘅數據直接接過嚟。電商、營銷、ERP嘅主流後台基本上都覆蓋咗。每一個來源原本要單獨導出、再人工合表，而家可以喺表格入面直接同步。
呢件事比表面睇重要。當業務數據由分散變成集中，AI第一次可以喺一個完整嘅視圖入面做判斷，而唔係被困喺某一個孤島入面。
將面聊同智能表格連埋一齊睇，邏輯就清楚曬：一個接住溝通嘅context，一個接住數據嘅context。
仲有一件容易被忽略嘅事係，大家都喺度講AI，叫AI入工作流程，但喺一個團隊、一間企業入面，呢件事註定係少數人跑得快。智能表格嘅AI字段要做嘅，就係令更多企業成員可以唔寫prompt，唔使太關注模型同配置，而係將實際工作入面散落嘅數據、流程自動匯集到智能表格之後，用「AI字段」呢啲一個一個配置好嘅「技能卡」，真正為實際工作提升效率。
AI真正有用，就會有更多企業成員主動用AI，令更多業務數據進入AI視野。
企業微信今次想補嘅係同一件事，令AI真正可以見到一間完整嘅公司。
一個人嘅context黑洞
上面講嘅都係公司層面。但context呢件事，我自己其實先食過虧。
做產品、寫文章呢兩年，AI算係我嘅核心生產力工具。但越用越發現，真正決定AI輸出好壞嘅，往往唔係模型能力，係我可以俾到佢幾多context。
我做AI編程唔會自己改code，所有工作都要AI做。呢個迫我一定要諗辦法將背景描述、問題歷史、相關code、以前點解咁樣決定都餵俾佢。AI先做到似樣嘅工作。一個人對一個AI協作，已經咁麻煩。
更難嘅係，我做過、寫過嘅嘢分散喺十幾個工具入面。每次想叫AI幫我寫一篇新文章，淨係將過去相關嘅材料由各處揾出來都要半日。後來我下定決心將呢啲信息整理成一個統一、結構化嘅context，成個一次過餵俾AI，輸出質量明顯唔同。
一個人嘅context黑洞就係呢種感覺。一間公司嘅context黑洞，體量係佢嘅幾百幾千倍。
context係AI時代嘅基礎設施
呢件事其實管理學入面一早有佢嘅影子。
Netflix嘅Reed Hastings喺自己公司沉澱咗一條好出名嘅管理原則，叫「Context, not Control」。意思係：好嘅管理者唔應該控制員工每一步點樣做嘢，而係將戰略目標、市場處境、決策背景呢啲充分俾到員工，等佢哋自己做出更好嘅判斷。
往前再退六十年，Drucker其實一早講過類似嘅事。佢話knowledge worker做嘅工作本質上就係判斷，判斷嘅質量取決於佢手上有幾多信息。
Stanley McChrystal喺《Team of Teams》入面講嘅「shared consciousness」都係一樣：令前線作戰單位都可以見到最高指揮部見到嘅全景，佢哋嘅決策質量會上一個台階。
管理學呢一條主線一直喺度解嘅，本質上係一條題目：點樣令啱嘅人手上有啱嘅信息。
我覺得AI喺企業入面其實係呢條題目嘅延續。佢係一個非人類嘅knowledge worker。決定佢輸出質量嘅，唔止係prompt寫得有幾好，更加係佢可以見到幾多你公司入面嘅真實情況。
過去十年，企業數字化解決嘅事係「線上數據可唔可以被量化」。將流程搬上線、將表格做成系統、將客戶記錄電子化，呢件事大致上做完了。
下一波嘅真問題係：呢啲數據，可唔可以流到AI面前。
其實唔係問AI可唔可以行、可唔可以寫，呢啲都唔係樽頸。樽頸在於：決策嘅現場、溝通嘅現場、數據嘅現場，AI可唔可以企喺嗰度。
決策者真正欠缺嘅，唔係AI能力本身，係嗰個可以企喺佢旁邊、睇住佢做嘢、仲知道佢以前做過乜嘅AI。呢個AI可以睇到幾遠，取決於你餵咗幾多context俾佢。
我個人幾睇好呢個方向。倒唔係因為面聊或者智能表格本身有幾神，而係有人開始系統性咁將組織入面嗰啲散落嘅、隱性嘅、以前AI睇唔到嘅部分收返入嚟。呢樣係慢功夫，但入口啱咗。
走廊同茶水間嘅部分
嗰啲發生喺工位旁邊、走廊入面、茶水間嘅對話，嗰啲散落喺十幾個後台入面嘅業務數據，以前都屬於「組織入面睇得到但摸唔到」嘅嘢。
今次，開始俾人接住咗。
我估接下來一兩年，「補context」會係企業級AI真正競爭嘅方向。模型有幾大、參數有幾多、跑分有幾高，都唔係問題。問題係，邊個可以俾AI見到一個更完整嘅世界。
呢一局，企業微信先見到咗。
這兩年我做了不少企業的AI諮詢和培訓，越往後越發現一件事：
一家公司裏，真正在發生的「數據」，有一大半根本不在線上。而缺乏數據這件事，讓AI在企業內的落地變得尤其困難。
工位旁那五分鐘的爭論，走廊裏那段路上拍的板，茶水間一杯咖啡功夫聊出來的方向，所有這些都沒進過任何系統。事後回看，連當事人自己都未必能複述清楚當時的判斷邏輯。
粗略估一下，一家公司40%的關鍵決策，最後是沒有數字痕跡的。
協作鏈外的那一半
為什麼這件事重要？
這一兩年AI在企業內部鋪得挺快的。寫郵件、做總結、畫PPT、批工單，幾乎所有線上協同環節都被AI滲透了一遍。但你只要跟一線員工聊幾句，會發現一個共同的尷尬：
AI的輸出經常只是半成品。
不是模型不行，是它看不見當時那場會議的語氣，看不見那場爭論裏被否掉的方案，看不見那個客戶當面提的真實顧慮。
AI在線上看到的，是已經被人為簡化過的協作記錄。那些沒被打字打出來的判斷、權衡、臨時決定，對它來說不存在。
隨着模型能力一波接一波往上提，現在影響AI在企業裏真正落地的，已經不再是模型本身，更多是你能給AI多少context。
如果你不太熟悉「context」這個詞，簡單理解就是「上下文」、「來龍去脈」的意思。一份會議紀要、一段歷史聊天、一個客戶的過往記錄，都是context。
這兩年AI圈挺愛聊prompt engineering（提示詞工程）和harness engineering，但比這兩個都更基礎、更核心的，其實是context engineering。能不能把上下文給清楚，才是決定AI幹得出靠譜活的最關鍵一步。
決策者做對的判斷，靠的是context的密度和完整度。AI給好的輸出，靠的也是context。當一半的context停留在線下時，AI能幹的也就是半個事。
過去為什麼補不上
這件事其實也不是沒人想過。
兩年前我就寫過一句話：理想的AI硬件應該是無限長上下文、能處理多模態信息的Copilot。那段時間市面上一堆AI Pin形態的產品，戴脖子上的、夾衣領上的、放桌上的，各種形態都有。
大家在賭的也不是硬件本身，是賭誰能把context這件事先做成。
但回頭看，那一波基本都沒成。跟試用過的朋友聊下來，結論都差不多：用一陣就放下了。
倒不是產品本身做得有什麼問題，主要還是入口錯了。
各種AI硬件都在試圖解決個體的數據收集問題。它依賴使用者個體的意識：你得記得帶、記得開、記得回去整理、記得同步給同事。整理出來的內容也只能進自己的筆記軟件，進不到組織層面的工作流裏。
組織級的數據，用個體級的設備來接，註定零散。
這是入口問題，不是技術問題。
企業微信這次的切入
所以看到近期企業微信的升級的時候，我立刻覺得這個方向在企業級的AI應用市場上是個不同的嘗試。
企業微信現在希望能夠讓AI融入內外協作場景，為辦公和對外服務提質增效。5.0.8這一波更新裏，我反覆看下來，真正的價值是它從一個組織級入口系統性地動手了。
最顯眼的功能是新增的「記錄面聊」。
第一眼看上去和錄音轉寫類工具區別不算大，手機放桌上、開始錄、結束後自動出總結。但你只要看一下使用流程，會發現差別完全不在錄音這一步。
聲紋識別這件事本身不新鮮，但它跟企業通訊錄聯動這一下，含金量就完全不一樣了。這些身份信息系統裏早就有，只是過去從來沒流到錄音轉寫這一步。
總結這一步其實只是中間過渡。它緊接着要乾的事，才是真正不一樣的地方。
這一步是關鍵。待辦不是停在聊天記錄裏，是直接進了被@那個人的工作流。從口頭溝通到任務分派，中間不需要誰去手動整理，閉環是自動閉上的。
我想強調的不是這個功能很方便。
真正不一樣的地方在於：這場原本會蒸發掉的線下討論，它的context第一次被組織系統正經接住了。誰說了什麼、達成了什麼共識、要誰去做、什麼時候交付，都能沉澱下來。
它在乾的事，是把組織協同的邊界，從會議室向走廊和茶水間又推了一段。
context黑洞，不止在線下
除了加了個面聊能力外，再往下看一層，我發現這一版升級真正想解的，是讓AI看見更完整的公司。而context黑洞，遠不止線下溝通這一種。
另一種黑洞，發生在數據庫和AI之間。
企業每天都在產生大量結構化業務數據：客戶跟進記錄、項目進度、銷售結果、內容表現、庫存。理論上AI能幫上很多忙。
但真用起來，業務人員要走一套挺折騰的流程：先從系統裏把數據導出Excel，再複製粘貼餵給AI，AI給個結果，再貼回業務系統。
每一次中轉都在丟context。AI不知道這張表在公司裏是幹嘛的，不知道前面幾列是什麼意思，不知道結果應該回到哪裏。
5.0.8裏全新升級的「智能表格」，乾的就是這件事的另一面。
打開一張表，加一列AI字段，對應的卡片庫裏已經按場景分好類——客戶管理、項目管理、信息提取，每張卡片都是寫好的現成prompt。
我自己造了一份模擬的銷售線索表，12條客戶記錄，故意混了不同情況：有主動加微信問API的、有要求降價30%的、有「領導出差回來再說」的、有看完Demo就消失的。
選了「分析客戶意向」這張卡片，沒寫一行prompt，直接跑。
跑出來的結果還挺出乎意料。12條裏我心裏有標準答案的那幾條，AI判得幾乎都跟我一致。
最讓我意外的是它對模糊回應的處理。「領導出差回來再說」這種含糊的話，它沒急着判低，給了中，留了餘地。這種判斷在銷售場景裏其實挺關鍵，把無效線索和等待線索區分開。
模型能力本身大家見過。真正不一樣的是體驗：從打開表格到拿到分類結果，中間沒有任何一步是「我得跑去AI對話框、複製粘貼、再貼回來」。常用的判斷邏輯都已經做成現成卡片，一鍵即用。
這點對企業裏的AI落地其實特別關鍵。我做企業培訓這兩年發現，AI在公司推不開，根本原因往往不是工具不行，是普通員工不會用，不會寫prompt，也不知道哪個場景該用哪個工具。但凡門檻降到「選一下就跑」，普通同事就願意主動用。AI在一家公司裏真正有用的標誌，不是少數極客玩得多深，而是絕大多數普通員工願意主動打開它。
也支持自定義。卡片庫裏沒有現成的，一句話寫需求加上選要參考的字段，AI自己把這個字段搭出來。
我順手又加了一個「推進建議」字段，讓AI根據溝通記錄給一句話建議。
跑出來的建議比我預想的更接地氣。我以為會是那種「保持密切溝通」式的廢話，結果每條都是具體動作，連時間節點都給到位。
這才是更野的玩法——離「用自然語言直接操作業務系統」又近了一步。
我順手又造了一份項目跟進表，讓AI看「最新進展」加「近期會議提及」加「資源投入」三列，自定義一個風險評級字段。
12個項目裏11個判得跟我心裏的預期一致。它能從「老闆反覆改方向」「方案被駁回還連續兩週被點名」這種自由文本里讀出風險信號，而不是隻看「計劃完成時間」這種結構化字段。這點比我以為的強。
但有一條AI跟我判得不一樣。「營銷活動數據看板」我心裏是高風險，因為已經上線但運營反饋數據延遲2小時無法接受，昨天還在開緊急會議討論修復。AI判了中。我猜它的邏輯是「已上線+問題已知+正在修復」，所以中；而我側重「業務方已經不能忍了」，所以高。
這種分歧反而是好事。AI做初篩、人做最終判斷，這個分工是合理的。不是AI的判斷一定對，而是它先把可疑的標出來，省掉人類那一遍人肉掃描。
但我覺得最關鍵的一步，是另一邊：
智能表格支持把企業散在各個平台後台的數據直接接進來。電商、營銷、ERP的主流後台基本都覆蓋了。每一個來源原本要單獨導出、再人工合表，現在能在表格裏直接同步。
這件事比看起來重要。當業務數據從分散變成集中，AI第一次可以在一個完整的視圖裏做判斷，而不是被困在某一個孤島裏。
把面聊和智能表格連起來看，邏輯就清楚了：一個接住溝通的context，一個接住數據的context。
還有一件容易被忽略的事情是，大家都在聊AI，讓AI進工作流，但在一個團隊，一個企業內，這注定是少數人跑得快的事情。智能表格的AI字段要做的，就是讓更多企業成員可以不寫prompt，不用過多關注模型、配置，而是把實際工作裏散落的數據、流程自動彙集到智能表格後，用“AI字段”，這一個個配置好的“技能卡”，真正為實際工作提效。
AI真正有用，就會有更多企業成員主動使用AI，讓更多的業務數據進入AI視野。
企業微信這次想補的是同一件事，讓AI真正能看見一個完整的公司。
一個人的context黑洞
上面講的都是公司層面。但context這件事，我自己其實先吃過虧。
做產品、寫文章這兩年，AI算是我的核心生產力工具。但越用越意識到，真正決定AI輸出好壞的，往往不是模型能力，是我能給它多少context。
我做AI編程不會自己改代碼，所有活都得AI幹。這就逼着我必須想方設法把背景描述、問題歷史、相關代碼、過去為什麼這麼決定都餵給它。AI才能幹出像樣的活。一個人對一個AI協作，已經這麼費勁。
更難的是，我做過、寫過的東西分散在十幾個工具裏。每次想讓AI幫我寫一篇新文章，光把過去相關的材料從各處撈出來就要半天。後來我下決心把這些信息整理成一個統一的、結構化的context，整體一次性餵給AI，輸出質量肉眼可見地不一樣。
一個人的context黑洞是這種感覺。一家公司的context黑洞，體量是它的幾百幾千倍。
context是AI時代的基礎設施
這件事其實管理學裏早就有它的影子。
奈飛的Reed Hastings在自己公司沉澱過一條很有名的管理原則，叫「Context, not Control」。意思是：好的管理者不應該去控制員工每一步怎麼做事，而是把戰略目標、市場處境、決策背景這些充分給到員工，讓他們自己做出更好的判斷。
往前再退六十年，Drucker其實早就講過類似的事。他說knowledge worker乾的活本質上就是判斷，判斷的質量取決於他手裏有多少信息。
Stanley McChrystal在《Team of Teams》裏講的「shared consciousness」也是一樣：讓一線作戰單位也能看到最高指揮部能看到的全景，他們的決策質量會上一個台階。
管理學這一脈一直在解的，本質上是一道題：怎麼讓正確的人手裏有正確的信息。
我覺得AI在企業裏其實是這道題的延續。它是一個非人類的knowledge worker。決定它輸出質量的，不只是prompt寫得多好，更是它能看見多少你公司裏的真實情況。
過去十年，企業數字化解決的事是「線上數據能不能被量化」。把流程搬上線、把表格做成系統、把客戶記錄電子化，這件事大體上做完了。
下一波的真問題是：這些數據，能不能流到AI面前。
其實不是問AI能不能跑、能不能寫，這些都不是瓶頸了。瓶頸在於：決策的現場、溝通的現場、數據的現場，AI能不能站在那裏。
決策者真正缺的，不是AI能力本身，是那個能站到他旁邊、看着他做事、還知道他過去做過什麼的AI。這個AI能看多遠，取決於你給它餵了多少context。
我個人挺看好這個方向。倒不是因為面聊或者智能表格本身有多神，而是因為有人開始系統性地把組織裏那些散落的、隱性的、過去AI看不見的部分往裏收。這是一件慢功夫，但入口對了。
走廊和茶水間的那部分
那些發生在工位旁、走廊裏、茶水間的對話，那些散落在十幾個後台裏的業務數據，過去都屬於「組織裏看得見但摸不着」的東西。
這次，開始被接住了。
我猜接下來一兩年，「補context」會是企業級AI真正卷的方向。模型多大、參數多少、跑分多高，都不是問題。問題是，誰能給AI看見一個更完整的世界。
這一局，企業微信先看見了。