小互AI · 深度解讀

點解大多數公司空有數據，但係毫無記憶？

一個舊客半年後返嚟續約，問咗你一句：「上次俾我哋呢個價，係點樣計出嚟㗎？」

你打開 CRM，裡面寫住價格、合同金額、簽單日期，乾乾淨淨。

但是「點解係呢個價」但係就唔知...

當年定價嗰次會議，係銷售副總話要衝業績壓一壓，係產品同事話呢個客戶其實俾到更高，係創始人最後拍板話先攞呢個 logo。呢啲冇任何人寫低。當時知道嘅人，一個走咗，一個調咗崗，淨低嗰個有印象但講唔清楚。

呢個唔係文件唔見咗，文件都仲喺度，係公司唔記得點解要咁決定。

Sentra 嘅聯合創始人 Ashwin Gopinath 上星期寫咗篇長文，標題叫《公司大腦：點解大多數公司有數據但冇記憶》。Sentra 今年 1 月攞咗 500 萬美元種子輪，a16z 旗下種子基金 speedrun 同 Together Fund 聯合領投，已經喺同軟銀跑付費試點。Ashwin 自己係前 MIT 教授，寫過讓 Agent 學會「自己發現錯咗再修正」嘅早期論文 Reflexion。

佢呢篇文章捅穿咗一層窗户紙：所有人都在俾公司裝 AI Agent，但 Agent 接嘅係一個唔記得自己點解咁決定嘅公司。模型再聰明，問到「上次點解咁定價」都只能亂咁估。

YC 幾乎同一時間將「公司大腦」寫咗入 Summer 2026 嘅 Requests for Startups。呢條由 YC group partner、Monzo 銀行創始人 Tom Blomfield 操刀，原話唔繞圈：令 AI 自動化跑通公司嘅最大障礙，已經唔係模型，模型變好得太快喇。而家卡嘅係領域知識，佢散喺郵件、Slack、工單、數據庫、幾個老員工嘅腦裏面。人靠模糊嘅印象嚟調度，Agent 唔得。

YC 呢條仲向前行多一步：公司大腦唔係公司搜索引擎，亦唔係文件問答機械人，係一份 Agent 可以跟住做嘢嘅「可執行技能檔案」（executable skills file）。

兩個獨立嘅人，由兩個唔同位置，見到同一個空位...

01

公司唔係因為冇數據失敗，係因為冇記憶

先講個直覺。

Ashwin 文章裏面講咗佢個女 Satakshi 嘅成長。個女出世喺 Sentra 公司註冊一星期後，佢一邊做呢間公司一邊睇個女學嘢。BB 學嘢唔係由讀手冊開始嘅，係睇嘢跌落地觀察大人反應、聽到聲音轉頭，記住嘅唔係事實而係「下次會點樣」嘅預期。從呢度佢睇出一件事：

記憶唔係檔案。

記憶係「下次再遇到嗰陣，我大概知道應該點麼辦」。

公司都係！

公司每日都在產生「碎片」：會議、Slack 對話、郵件、客戶電話、客服工單、路線圖爭論、銷售反對意見、投資人更新、代碼評審、走廊裏隨口傾嘅幾句。呢啲嘢嘅量大到冇人搞得掂。

問題唔係公司冇將佢哋存起嚟，問題係公司整碎片嘅速度比將佢哋變成記憶嘅速度快太多。組織記憶研究領域喺 1991 年就已經有過一篇基礎論文，James Walsh 同 Gerardo Ungson 嘅《Organizational Memory》。佢哋幫記憶落嘅定義就係一句：能夠用喺當下決策嘅過去信息。淨係存起嚟唔算，要喺你做決定嘅時候幫到手先算。

公司可以繼續運作，靠嘅從來唔係 CRM 裏面嗰啲字段。靠嘅係 Sarah 仲記得點解呢個客戶當時堅持要 SSO，靠嘅係 Ravi 仲記得 onboarding 當時點解卡住咗，靠嘅係創始人仲記得點解呢單生意比儀錶板上面睇起嚟更加重要。

呢種嘢喺組織行為學裏面叫 transactive memory，翻譯過嚟就係「團隊裏面互相知道邊個識啲乜」嘅嗰種默契。佢唔喺文件度，佢喺人腦度。

人走咗，佢就會消失。

呢件事 AI 唔嚟，問題冇咁明顯。Sarah 同 Ravi 一邊做嘢一邊寫返啲上文下理出嚟，公司勉強頂得住。AI 嚟咗，問題被放大十倍。Agent 接嘅唔係 Sarah 個腦，係 Sarah 剩低嘅幾百條 Slack 訊息、十幾篇未寫完嘅文件、一堆 CRM 字段。佢睇曬所有數據，仍然唔知點解咁決定。

Ashwin 呢篇裏面最值得拎出嚟嘅一句，譯返做大白話：「Agent 失敗唔單止係因為公司冇數據，係因為公司唔記得呢啲數據點解係呢個意思。」

根據 McKinsey 報告（2026 年 4 月《Building the Foundations for Agentic AI at Scale》），有 8 成嘅企業將數據問題列為擴展 agentic AI 嘅頭號障礙。呢個數字大家都見過。但麥肯錫嘅診斷停喺「數據基礎唔夠」呢一層。Ashwin 將呢層再挖深一刀：你嘅數據基礎就算整好，Agent 都係做唔到嘢。因為缺嘅根本唔係結構化數據，係俾人解讀過嘅判斷鏈。

02

Ashwin 嘅三層結構：事實、上文下理、行動

Ashwin 畀嘅定義好短，但每個詞都係有用嘅：公司大腦係一個活嘅模型，帶權限，模擬組織點樣記憶、推理、行動。

留意呢三個動詞：記憶、推理、行動。

對應佢文章裏面嘅三層結構。

第一層係事實層： 將公司裏面發生過嘅事都記低：會議、訊息、郵件、文件、工單、CRM 備註、代碼提交、客戶通話、客服對話。每條記錄要帶來源、權限、時間戳。

聽起嚟同企業搜索好似，係咪？大多數想做「公司大腦」嘅產品，最後都係靜靜雞變咗「換咗個皮嘅搜索」。Ashwin 自己好坦白咁講，事實層可以話俾你知客戶提過 SSO 呢個需求，可以話俾你知時間同會議記錄喺邊。但佢冇辦法話俾你知，當時點解呢件事咁重要，冇辦法話俾你知考慮過邊啲替代方案，冇辦法話俾你知邊個反對過、最後做咗啲乜嘢取捨。

事實係骨架，但公司唔係靠骨架運作。公司靠嘅係「被解釋過嘅事實」。

Ashwin 上星期仲寫咗 Part 2 專門講呢一層。裏面有句說話適合所有想做企業知識庫嘅人貼上牆：呢個唔係 RAG（令 AI 一邊查文件一邊回答嘅技術）。RAG 可以攞到片段，演示效果好好。但公司要嘅唔係睇落啱嘅片段，要嘅係帶來源、帶權限、帶所有權、帶時效、知道邊條資訊係真、知道各文件之間咩關係嘅耐用結構。佢幫呢層改咗個名叫 semantic file system，語義級文件系統。淨係將文件存起嚟唔夠，要將文件之間嘅關係存下來。

第二層係上文下理層： 呢一層將零碎事實串成「點解會咁樣」嘅關係網。客戶嘅一通電話連到一個銷售機會，機會連到一個產品缺口，缺口連到一個工程取捨，取捨連到一次路線圖決策，決策連到策略。

大多數系統將呢啲當成各自獨立嘅嘢嚟存。Slack 係 Slack，CRM 係 CRM，PRD 係 PRD。Ashwin 嘅判斷係公司大腦必須保留佢哋之間嘅關係。

再進一步，呢一層仲要做一件事：知道自己幾時係唔可靠嘅。證據強唔強、上文下理係咪過時、唔同團隊係咪用緊互相矛盾嘅假設、有啲承諾有冇人認領。Ashwin 俾呢個能力改咗個名叫 metacognition，講人話就係「諗嚇自己有冇諗清楚」

公司唔記得嘢嘅方式好奇怪。佢唔止係唔記得事實，佢會唔記得點解呢件事當初重要：嗰個爭論、嗰個反對意見、嗰啲試過又放棄嘅方案，同埋當時嗰個少數派嘅聲音（事後證明係啱嘅）。

第三層係行動層： 大腦唔止係記同諗，仲要協調下一步。決定幾時鬱、幾時等、幾時要揾人幫手、幾時直接停。

舉幾個具體例子：上一個客戶電話產生咗一個承諾，自動起一份跟進電郵草稿；客服裏面同一個投訴已經出現咗三次，自動開一個工單；三個團隊用緊互相矛盾嘅假設嚟開工，俾 CEO 發個預警；呢筆退款符合規則，Agent 直接處理，但呢個定價例外要揾人審批。

呢個同普通嘅自動化唔一樣。普通自動化係「按已知流程行」，公司大腦係「根據上文下理協調下一步」。一個係 Zapier 做嘅嘢，一個係得裝咗「組織記憶」嘅系統先做到嘅嘢。

03

點解會議記錄、企業搜索、Agent 工具都唔夠

而家所有相關嘅工具，都朝着公司大腦呢個中心靠攏，但每個都係由一個角落起步，覆蓋嘅只係一片。

會議記錄呢類，例如 Granola、Otter，價值好大但係有個隱憂。Granola 自己喺博客度講過一個畫面：連續開會嘅人最缺嘅唔係「會議記完未」，係「上一場會嘅關鍵決策仲未沉澱，下一場會就開始咗，上文下理蒸發咗」。Otter 最近做咗跨企業工具搜索，TechCrunch 報道過呢個動作，意思就係 Otter 都喺度由「記錄」走向「搜索成間公司」。

但 Ashwin 嘅判斷好狠：轉錄好快就唔會係產品壁壘了。下一個 macOS 版本可能直接內置 Granola 嗰種功能。等到呢一日，做會議記錄嘅公司就要回答一個更難嘅問題：轉錄免費咗，我個產品到底護城河喺邊？

答案明顯唔係更準嘅轉錄。係將人同人之間嘅對話變成組織嘅記憶。而且唔可以扮一份轉錄稿就裝得曬當時所有嘅判斷、猶豫、唔同意、反事實。

企業搜搜索呢一類，例如 Glean，路徑係由「揾嘢」走向「合成答案 + Agent」。Glean 自己講佢哋嘅知識圖譜將公司嘅內容、人、活動連成一張網，覆蓋 100 幾個數據源。Ashwin 喺自己續篇度對企業搜索呢一派嘅評價比較狠，佢直接話企業搜索係「塗咗唇膏嘅圖書管理員」，骨子裏係被動嘅：你要知你唔知啲乜，要諗措辭成查詢，再睇結果。真正嘅目標應該係 zero-search，令上文下理喺你寫提案、開會之前自動浮現，唔係等你打開搜索框。

工作流工具這一類，例如 Zapier、ServiceNow，路徑係由「按流程行」走向「Agent 編排」。Zapier Agents 已經可以喺幾千個 app 之間設觸發器、動作、審批。ServiceNow 將 AI、數據、工作流、治理捏成一個大平台。但工作流派擅長嘅係執行確定嘅動作。公司大腦要嘅係「從上文下理度決定應該執行啲乜動作」。一個執行已知流程，一個從碎片化上文下理度推論應該做啲乜，爭一層。

Agent 工具呢一類，例如 Dust，路徑係直接做「識你公司、做到嘢嘅 Agent」。但同一樣嘅問題：Agent 接嘅係冇記憶嘅公司，佢就只可以做表面嘢。

四類工具，四個角落向同一個中心行：

知識工具知道有咩嘢。 會議工具知道講咗啲乜。 工作流工具知道點樣動手。 Agent 工具知道點樣試嚇完成任務。

Ashwin 嘅判斷係：公司大腦就喺呢四個圓嘅交點上。因為有用嘅問題唔止係「發生咗啲乜」，仲有：點解會咁樣，下一步應該點樣鬱，上文下理喺邊個人手度，公司應該記住什麼。

YC 同期 RFS 裏面 Diana Hu 仲寫咗另一篇相關條目叫《公司的 AI 操作系統》。佢嘅觀察同 Ashwin 係同一個：最 AI 原生嘅嗰批公司發現咗一件大多數人冇發現嘅事，佢哋將成間公司做咗成個可以查詢嘅。每場會議錄、每張工單、每次客戶互動留痕，都對一個可以學習嘅智能層透明。佢話見過咁樣做嘅團隊衝刺週期減半，發佈翻倍。

公司大腦呢個詞，係由唔同切入點向同一個中心收斂嘅現象嘅命名。

04

一個公式：四樣嘢少一樣都唔得

Ashwin 將呢件事畫成一個公式：

事實記憶 + 人類對話 + 上文下理圖 + 受控行動 = 公司大腦

四樣少一樣會點樣？

少咗對話，事實就只係一份可以搜嘅檔案，搜出嚟全部係結論冇過程。
 少咗結構，對話就只係一堆轉錄稿同摘要，聽完同冇聽一樣。
 少咗來源追溯，推理就只係睇落合理嘅猜測，冇人敢信。
 少咗上文下理，行動就係脆弱嘅自動化，一掂就散。

公司大腦要解決嘅問題，就係將呢四件事併埋一起。

05

老公司補唔返，新公司一開始就應該有

淨低嘅問題係：呢樣嘢點樣建立？

Ashwin 俾咗兩條路。

第一條路係「攢」：公司大腦掛喺公司已經用緊嘅工具上面：郵箱、日曆、Slack、文件、CRM、項目管理、客服、代碼、工作流。大公司基本上只能夠咁樣起步，因為佢哋嘅上文下理已經散到周圍都係。麥肯錫都寫過類似嘅判斷：增量集成係一條路，全面 agentic 轉型係另一條。

第二條路係「生」：一間年輕公司由第一日就將「記憶、推理、行動」當成自己操作系統嘅一部分。會議、決策、承諾、Agent 動作，由一開始就沉到同一個底子度，知識仲未碎裂之前就已經被串起咗。

Ashwin 自己嘅判斷係：佢唔知邊種架構最後會贏。但先開始嘅公司，會有先發優勢。

意思好直接：公司大腦呢種基礎設施，唔係「等業務做大了再裝」嘅嘢。裝得越遲，要補嘅「點解」越多，老員工已經走咗一半，嗰啲當年嘅判斷永遠揾唔返。

老公司裏面有一個反直覺嘅事實：文件之間係互相矛盾嘅，儀錶板睇起嚟好乾淨，但記憶已經沒了。

06

公司大腦俾邊個用？

最後一個問題：呢樣嘢到底服務邊個？

Ashwin 反問咗一句好狠嘅說話：「如果公司大腦只係一個高層儀錶板，咁佢就係一個 UI 好啲嘅監控工具。如果佢只係一個個人助理，咁佢就成唔到組織嘅記憶。」

佢俾嘅答案係：公司大腦要喺唔同抽象層服務每種角色。

普通員工問：我做呢件事需要咩背景？呢個決策當初點解咁定？試過啲乜？下一步邊個負責？我即刻會影響邊個客戶承諾？
 經理問：邊啲承諾有風險？邊啲決策卡住咗？邊啲假設互相衝突？邊啲跟進跌咗落地？
 CEO 問：公司喺邊度飄咗？客戶講緊啲乜？邊啲決策當初證據其實好弱？公司裏面有啲乜高層仲未知？
 Agent 問：我可以安全做啲乜？一定要用咩上文下理？幾時要問人？

同一個底，唔同抽象層。一份「點解我哋咁做」嘅活地圖，每種角色都可以由自己嘅角度望入去。

07

System 3：Kahneman 冇寫嘅嗰一層

Ashwin 自己有個更哲學嘅框架，佢喺 1 月嘅一篇文章度第一次提出，叫 System 3 thinking。

諾貝爾經濟學獎得主 Kahneman 將人嘅思考分成兩層，叫 dual-process model：System 1 係直覺、快、自動（見到老虎就跑）；System 2 係推理、慢、刻意（解一條數學題）。Ashwin 認為仲有一層，係個體推理之上嘅集體認知，佢叫佢做 System 3。

公司大腦就係 System 3 嘅載體。

呢個唔係捉字蝨，係喺度講：過去幾十年所有俾企業造嘅工具，由 ERP 到 CRM 到 BI 到企業搜索，都係喺度幫 System 1 或 System 2 加 buff。令員工反應快啲，令分析師推理強啲。Company Brain 第一次係直接製造 System 3 呢一層本身。

點解係而家？因為底層組件第一次到位咗：大模型可以理解非結構化溝通，向量檢索可以跨工具關聯上文下理，長上文下理窗口可以跨時間維持記憶，工具調用令 Agent 可以直接動手。呢套技術棧兩年前唔夠。而家夠喇。

Ashwin 喺另一篇續文度寫咗句說話適合貼喺辦公室門口：「你可以租一個大腦。你租唔到一個神經系統。」

意思係：通用大模型再強，佢都係租返嚟嘅。佢點樣思考你話唔到事，佢每次開新視窗都由零記憶開始（OpenAI、Anthropic 一定要咁樣設計，如果唔係算力賬單頂唔住）。佢唔會真係成為你公司嘅一部分。

公司大腦要做嘅事，係搭一個「持續感知 + 持續記憶 + 持續調整」嘅層，同「無狀態 prompt 出入」嘅模型結構正好相反。所以 Ashwin 俾 Sentra 嘅定位唔係「賣一個模型 API 俾你接」，係「賣一整套會持續學習你公司嘅系統」，佢自己俾呢種模式改咗個名叫 System-as-a-Service。

無論最後係 Sentra 定係第個做出嚟，AI 時代真正嘅護城河，可能唔係模型本身，係裝喺模型外面嘅「組織級神經系統」。模型大家都用到，神經系統每間公司唔一樣，而且只能由公司自己嘅信號度慢慢生出來。

08

Agent 接嘅係一個唔記得自己嘅公司

返到開頭嗰個續約場景。

如果你公司有咁樣一個底，嗰個客戶問「點解當年咁定價」嘅時候，Agent 攞到嘅唔係一堆 CRM 字段，係當年嗰場會議裏面銷售副總嘅判斷、產品同事講嘅「呢個客戶扛得起」嘅依據、創始人最後拍板嘅理由，同埋呢啲判斷之間嘅關係。

Agent 唔需要亂估，因為公司本身記得。

呢一年大家都喺度卷 Agent。但 Agent 失敗嘅真問題唔係模型唔夠強。模型已經強到可以寫 code、可以讀財報、可以開會、可以寫電郵。

真問題係：佢接嗰間公司，從來冇認真記住過自己。

佢唔知點解呢條規則要咁樣寫。

佢唔知呢個客戶兩年前提過啲乜。

佢唔知嗰次故障之後到底改咗啲乜。

佢唔知點解呢個 deal 要緊、嗰個 deal 唔緊要。

佢唔知邊啲假設已經過期、邊啲團隊對同一件事各有版本、邊個老員工個腦度仲壓住未講出嚟嘅關鍵資訊。

Ashwin 呢篇真正嘅貢獻，唔係三層結構本身，係佢將「公司冇記憶」同「Agent 落唔到地」呢兩件事連埋一齊。

連埋一齊之後你會突然睇清楚一件事：今日組織最大嘅護城河，由「我哋有最多數據」，變成咗「我哋記得自己點解要咁做」。

數據可以買，可以爬，可以洗。

判斷鏈唔得。

嗰啲消化過嘅點解、嗰啲被推翻嘅反方案、嗰啲轉過彎嘅權衡、嗰啲走廊上邊個說服咗邊個，係公司真正嘅「我」。

Sentra 另一位聯合創始人、CEO Jae Park 俾 PR Newswire 嘅引述都係呢個意思：「現代公司產生嘅知識比佢哋可以保留或使用嘅多好多。每一次對話、決策、文件都加進一片越來越大嘅上下文之海，幾分鐘之後就消失咗，或者沉到孤島裏面去。」

Ashwin 嘅原話更直接啲：真正變成「AI 原生」嘅公司，唔會係嗰種將 Agent 扭到散落數據上面嘅公司，而係嗰種記得自己嘅工作點解有意義嘅公司。

呢個先係真正嘅護城河。

唔係有冇 AI。
唔係模型夠唔夠好。
是公司記唔記得自己。

09

留個問題俾你

寫到呢度，留一個問題。

你公司嘅「公司大腦」而家教喺邊幾個老員工嘅腦裏面？

嗰幾個人離職嗰日，公司會瞬間唔記得幾多？

如果 張三 聽日走，如果 小李 後日走，公司需要幾耐先可以從「憑記憶運作」重新建立返判斷鏈？

你而家公司裏面嗰啲走廊傾出嚟嘅判斷、嗰啲會議室裏面臨時拍板嘅取捨、嗰啲得少數老員工先講得清楚嘅「點解」，每日都喺度蒸發。

幾時開始將佢哋留低，就幾時開始有真正嘅護城河。

— END —

原文：https://x.com/ashwingop/status/2049641901410955694

小互AI · 深度解讀

為什麼大多數公司空有數據，卻毫無記憶？

一個老客戶半年後回來續約，問了你一句：「上次給我們這個價，是怎麼算出來的？」

你打開 CRM，裏面寫着價格、合同金額、簽單日期，乾乾淨淨。

但是「為什麼是這個價」卻不知道...

當年定價那次會議，是銷售副總說要衝業績壓一壓，是產品同事說這家客戶其實能給到更高，是創始人最後拍板說先拿下這個 logo。這些沒有任何人寫下來。當時知道的人，一個走了，一個調崗了，剩下那個有印象但說不清楚。

這不是文檔丟了，文檔都還在，是公司忘了為什麼要這麼決定。

Sentra 的聯合創始人 Ashwin Gopinath 上週寫了一篇長文，標題叫《公司大腦：為什麼大多數公司有數據但沒有記憶》。Sentra 今年 1 月拿了 500 萬美元種子輪，a16z 旗下種子基金 speedrun 和 Together Fund 聯合領投，已經在跟軟銀跑付費試點。Ashwin 自己是前 MIT 教授，寫過讓 Agent 學會「自己發現錯了再修正」的早期論文 Reflexion。

他這篇文章捅破了一層窗户紙：所有人都在給公司裝 AI Agent，但 Agent 接的是一個不記得自己為什麼這麼決定的公司。模型再聰明，問到「上次為什麼這麼定價」也只能瞎猜。

YC 幾乎同一時間把「公司大腦」寫進了 Summer 2026 的 Requests for Startups。這條由 YC group partner、Monzo 銀行創始人 Tom Blomfield 操刀，原話不繞：讓 AI 自動化跑通公司的最大障礙，已經不是模型，模型變好得太快了。現在卡的是領域知識，它散在郵件、Slack、工單、數據庫、幾個老員工腦子裏。人靠模糊的印象在調度，Agent 不行。

YC 這條還往前再走一步：公司大腦不是公司搜索引擎，也不是文檔問答機器人，是一份 Agent 能照着幹活的「可執行技能檔案」（executable skills file）。

兩個獨立的人，從兩個不同位置，看到了同一個空缺...

01

公司不是因為缺數據失敗的，是因為缺記憶

先講個直覺。

Ashwin 文章裏講了他女兒 Satakshi 的成長。孩子出生在 Sentra 公司註冊一週後，他一邊做這家公司一邊看孩子學東西。嬰兒學東西不是從讀手冊開始的，是看東西掉下去觀察大人反應、聽到聲音轉頭，記住的不是事實而是「下一次會怎樣」的預期。從這他看出來一件事：

記憶不是檔案。

記憶是「下次再遇到的時候，我大概知道該怎麼辦」。

公司也是!

公司每天都在生成「碎片」：會議、Slack 對話、郵件、客戶電話、客服工單、路線圖爭論、銷售反對意見、投資人更新、代碼評審、走廊裏隨口聊的幾句。這些東西的量大到沒人能管。

問題不是公司沒把它們存起來，問題是公司攢碎片的速度比把它們變成記憶的速度快太多。組織記憶研究領域在 1991 年就有過一篇基礎論文，James Walsh 和 Gerardo Ungson 的《Organizational Memory》。他們給記憶下的定義就一句：能用在當下決策上的過去信息。光存下來不算，能在你做決定的時候幫上忙才算。

公司能跑下去，靠的從來不是 CRM 裏那些字段。靠的是 Sarah 還記得為什麼這家客戶當時堅持要 SSO，靠的是 Ravi 還記得 onboarding 當時為什麼卡住了，靠的是創始人還記得為什麼這一單比儀表盤上看起來更重要。

這種東西在組織行為學裏叫 transactive memory，翻譯過來就是「團隊裏互相知道誰懂什麼」的那種默契。它不在文檔裏，它在人腦裏。

人走了，它就消失了。

這事 AI 不來，問題沒那麼明顯。Sarah 和 Ravi 一邊幹活一邊把上下文寫一點出來，公司勉強湊合。AI 來了，問題被放大十倍。Agent 接的不是 Sarah 腦子，是 Sarah 留下的幾百條 Slack 消息、十幾篇沒寫完的文檔、一堆 CRM 字段。它讀完所有數據，仍然不知道為什麼這麼決定。

Ashwin 這篇裏最值得拎出來的一句，翻成大白話：「Agent 失敗不只是因為公司缺數據，是因為公司不記得這些數據為什麼是這個意思。」

據 McKinsey 報告（2026 年 4 月《Building the Foundations for Agentic AI at Scale》），有 8 成的企業把數據問題列為擴展 agentic AI 的頭號障礙。這個數字大家都看到過。但麥肯錫的診斷停在「數據基礎不夠」這層。Ashwin 把這層往下又挖了一刀：你的數據基礎就算建好，Agent 還是幹不了活。因為缺的根本不是結構化數據，是被解讀過的判斷鏈。

02

Ashwin 的三層結構：事實、上下文、行動

Ashwin 給的定義很短，但每個詞都在幹活：公司大腦是一個活的模型，帶權限，模擬組織怎麼記憶、推理、行動。

注意這三個動詞：記憶、推理、行動。

對應他文章裏的三層結構。

第一層是事實層： 把公司裏發生過的事都記下來：會議、消息、郵件、文檔、工單、CRM 備註、代碼提交、客戶通話、客服對話。每條記錄要帶來源、權限、時間戳。

聽起來跟企業搜索很像，對吧？大多數想做「公司大腦」的產品，最後都默默變成了「換了個皮的搜索」。Ashwin 自己很坦白地說，事實層能告訴你客戶提過 SSO 這個需求，能告訴你時間和會議記錄在哪。但它沒法告訴你，當時為什麼這事重要，沒法告訴你考慮過哪些替代方案，沒法告訴你誰反對過、最後做了什麼取捨。

事實是骨架，但公司不靠骨架運轉。公司靠的是「被解釋過的事實」。

Ashwin 上週還寫了 Part 2 專門講這一層。裏面有句話適合所有想做企業知識庫的人貼牆上：這不是 RAG（讓 AI 一邊查文檔一邊回答的技術）。RAG 能拿到片段，演示效果很神奇。但公司要的不是看起來對的片段，要的是帶來源、帶權限、帶所有權、帶時效、知道哪條信息是真的、知道各文檔之間什麼關係的耐用結構。他給這層取了個名字叫 semantic file system，語義級文件系統。光把文件存下來不夠，要把文件之間的關係存下來。

第二層是上下文層： 這一層把零散事實串成「為什麼會這樣」的關係網。客戶的一通電話連到一個銷售機會，機會連到一個產品缺口，缺口連到一個工程取捨，取捨連到一次路線圖決策，決策連到戰略。

大多數系統把這些當成各自獨立的東西存。Slack 是 Slack，CRM 是 CRM，PRD 是 PRD。Ashwin 的判斷是公司大腦必須保留它們之間的關係。

更進一步，這一層還要會一件事：知道自己什麼時候是不靠譜的。證據弱不弱、上下文是不是過時了、不同團隊是不是在用相互矛盾的假設、有些承諾有沒有人認領。Ashwin 給這個能力起了個名字叫 metacognition，說人話就是「想自己有沒有想清楚」。

公司忘事的方式很奇怪。它不只是忘掉事實，它會忘掉為什麼這件事當初重要：那個爭論、那個反對意見、那些被試過又放棄的方案，還有當時那個少數派的聲音（事後證明是對的）。

第三層是行動層： 大腦不只是記和想，還要協調下一步。決定什麼時候動、什麼時候等、什麼時候要找人幫忙、什麼時候直接停。

舉幾個具體例子：上一通客戶電話產生了一個承諾，自動起一份跟進郵件草稿；客服裏同一個抱怨已經出現三次了，自動建一個工單；三個團隊在用相互矛盾的假設幹活了，給 CEO 發個預警；這一筆退款符合規則，Agent 直接處理掉，但這個定價例外要找人審批。

這跟普通的自動化不一樣。普通自動化是「按已知流程走」，公司大腦是「根據上下文協調下一步」。一個是 Zapier 乾的事，一個是隻有裝了「組織記憶」的系統才能乾的事。

03

為什麼會議記錄、企業搜索、Agent 工具都不夠

現在所有相關的工具，都在朝公司大腦這個中心靠攏，但每家都是從一個角落起步，覆蓋的只是一片。

會議記錄這一類，比如 Granola、Otter，價值很大但有個隱憂。Granola 自己在博客裏講過一個畫面：連續開會的人最缺的不是「會議記完沒有」，是「上一場會的關鍵決策還沒沉澱，下一場會就開始了，上下文蒸發了」。Otter 最近做了跨企業工具搜索，TechCrunch 報道過這個動作，意思就是 Otter 也在從「記錄」往「搜索整個公司」走。

但 Ashwin 的判斷很扎心：轉錄馬上就不是產品壁壘了。下一個 macOS 版本可能直接內置 Granola 那種功能。等到這一天，做會議記錄的公司就要回答一個更難的問題：轉錄免費了，我的產品到底護城河在哪裏？

答案顯然不是更準的轉錄。是把人和人之間的對話變成組織的記憶。而且不能假裝一份轉錄稿就裝下了當時所有的判斷、猶豫、不同意、反事實。

企業搜索這一類，比如 Glean，路徑是從「找東西」走向「合成答案 + Agent」。Glean 自己講他們的知識圖譜把公司的內容、人、活動連成一張網，覆蓋 100 多個數據源。Ashwin 在自己續篇裏對企業搜索這一派的評價比較狠，他直接說企業搜索是「塗了口紅的圖書管理員」，骨子裏是被動的：你得知道你不知道什麼，會措辭成查詢，再翻結果。真正的目標應該是 zero-search，讓上下文在你寫提案、開會前自動浮現，不是等你打開搜索框。

工作流工具這一類，比如 Zapier、ServiceNow，路徑是從「按流程跑」走向「Agent 編排」。Zapier Agents 已經能在幾千個 app 之間設觸發器、動作、審批。ServiceNow 把 AI、數據、工作流、治理捏成一個大平台。但工作流派擅長的是執行確定的動作。公司大腦要的是「從上下文裏決定該執行什麼動作」。一個執行已知流程，一個從碎片化上下文裏推出該做什麼，差一層。

Agent 工具這一類，比如 Dust，路徑是直接做「懂你公司、能幹活的 Agent」。但同樣的問題：Agent 接的是沒有記憶的公司，它就只能做表面活。

四類工具，四個角落往同一個中心走：

知識工具知道有什麼東西。 會議工具知道說了什麼。 工作流工具知道怎麼動手。 Agent 工具知道怎麼試着完成任務。

Ashwin 的判斷是：公司大腦就在這四個圓的交點上。因為有用的問題不只是「發生了什麼」，還有：為什麼會這樣，下一步該怎麼動，上下文在誰手裏，公司應該記住什麼。

YC 同期 RFS 裏 Diana Hu 還寫了另一篇相關條目叫《公司的 AI 操作系統》。她的觀察跟 Ashwin 是同一個：最 AI 原生的那批公司發現了一件大多數人沒發現的事，他們把整家公司做成了可查詢的。每場會議錄、每張工單跟、每次客戶互動留痕，都對一個能學習的智能層透明。她說見過這麼幹的團隊衝刺週期減半，發佈翻倍。

公司大腦這個詞，是從不同切入點向同一個中心收斂的現象的命名。

04

一個公式：四樣東西少一樣都不行

Ashwin 把這事畫成一個公式：

事實記憶 + 人類對話 + 上下文圖 + 受控行動 = 公司大腦

四樣少一樣會怎樣？

少了對話，事實就只是一份能搜的檔案，搜出來全是結論沒有過程。
 少了結構，對話就只是一堆轉錄稿和摘要，聽完跟沒聽一樣。
 少了來源追溯，推理就只是看起來合理的猜測，沒人敢信。
 少了上下文，行動就是脆的自動化，碰一下就崩。

公司大腦要解決的問題，就是把這四件事拼到一起。

05

老公司補不上，新公司一開始就該有

剩下的問題是：這東西怎麼建？

Ashwin 給了兩條路。

第一條路是「攢」：公司大腦掛在公司已經在用的工具上：郵箱、日曆、Slack、文檔、CRM、項目管理、客服、代碼、工作流。大公司基本只能這樣起步，因為它們的上下文已經散得到處都是。麥肯錫也寫過類似的判斷：增量集成是一條路，全面 agentic 轉型是另一條。

第二條路是「長」：一家年輕公司從第一天就把「記憶、推理、行動」當成自己操作系統的一部分。會議、決策、承諾、Agent 動作，從一開始就沉到同一個底子裏，知識還沒碎裂之前就已經被串起來了。

Ashwin 自己的判斷是：他不知道哪種架構最後會贏。但先開始的公司，會有先發優勢。

意思直白：公司大腦這種基礎設施，不是「等業務做大了再裝」的東西。裝得越晚，要補的「為什麼」越多，老員工已經走了一半，那些當年的判斷永遠找不回來了。

老公司裏有一個反直覺的事實：文檔之間是互相矛盾的，儀表盤看起來很乾淨，但記憶已經沒了。

06

公司大腦給誰用？

最後一個問題：這東西到底服務誰？

Ashwin 反問了一句很狠的話：「如果公司大腦只是一個高管儀表盤，那它就是個 UI 更好的監控工具。如果它只是個個人助理，那它就成不了組織的記憶。」

他給的答案是：公司大腦要在不同抽象層服務每種角色。

普通員工問：我做這件事需要什麼背景？這個決策當初為什麼這麼定？試過什麼了？下一步誰負責？我馬上要影響哪個客戶承諾？
 經理問：哪些承諾有風險？哪些決策卡住了？哪些假設互相沖突？哪些跟進掉地上了？
 CEO 問：公司在哪裏飄了？客戶在說什麼？哪些決策當初證據其實很弱？公司裏有什麼是高層還不知道的？
 Agent 問：我能安全做什麼？必須用什麼上下文？什麼時候該問人？

同一個底，不同抽象層。一份「為什麼我們這麼幹」的活地圖，每種角色都能從自己的角度看進去。

07

System 3：Kahneman 沒寫的那一層

Ashwin 自己有個更哲學的框架，他在 1 月的一篇文章裏第一次提，叫 System 3 thinking。

諾貝爾經濟學獎得主 Kahneman 把人的思考拆成兩層，叫 dual-process model：System 1 是直覺、快、自動（看到老虎就跑）；System 2 是推理、慢、刻意（解一道數學題）。Ashwin 認為還有一層，是個體推理之上的集體認知，他叫它 System 3。

公司大腦就是 System 3 的載體。

這不是摳字眼，這是在說：過去幾十年所有給企業造的工具，從 ERP 到 CRM 到 BI 到企業搜索，都是在給 System 1 或 System 2 加 buff。讓員工反應快一點，讓分析師推理強一點。Company Brain 第一次是在直接造 System 3 這一層本身。

為什麼是現在？因為底層組件第一次到位了：大模型能理解非結構化溝通，向量檢索能跨工具關聯上下文，長上下文窗口能跨時間維持記憶，工具調用讓 Agent 能直接動手。這套技術棧兩年前不夠。現在夠了。

Ashwin 在另一篇續文裏寫了句話適合貼辦公室門上：「你能租一個大腦。你租不到一個神經系統。」

意思是：通用大模型再強，它也是租來的。它怎麼思考你說了不算，它每次打開新窗口都從零記憶開始（OpenAI、Anthropic 必須這樣設計，否則算力賬單頂不住）。它不會真的成為你公司的一部分。

公司大腦要做的事，是搭一個「持續感知 + 持續記憶 + 持續調整」的層，跟「無狀態 prompt 進出」的模型架構正好相反。所以 Ashwin 給 Sentra 的定位不是「賣一個模型 API 讓你接」，而是「賣一整套會持續學習你公司的系統」，他自己給這種模式起了個名字叫 System-as-a-Service。

不管最後是 Sentra 還是別的誰做出來，AI 時代真正的護城河，可能不是模型本身，是裝在模型外面的「組織級神經系統」。模型大家都能用，神經系統每家公司不一樣，而且只能從公司自己的信號裏慢慢長出來。

08

Agent 接的是一個不記得自己的公司

回到開頭那個續約場景。

如果你公司有這樣一個底，那個客戶問「為什麼當年這麼定價」的時候，Agent 拿到的不是一堆 CRM 字段，是當年那場會議裏銷售副總的判斷、產品同事說的「這家客戶能扛」的依據、創始人最後拍板的理由，以及這些判斷之間的關係。

Agent 不需要瞎猜，因為公司本身記得。

這一年大家都在卷 Agent。但 Agent 失敗的真問題不是模型不夠強。模型已經強到能寫代碼、能讀財報、能開會、能寫郵件了。

真問題是：它接的那家公司，從來沒認真記住過自己。

它不知道為什麼這條規則要這麼寫。

它不知道這個客戶兩年前提過什麼。

它不知道那次故障之後到底改了什麼。

它不知道為什麼這個 deal 要緊、那個 deal 不要緊。

它不知道哪些假設已經過期、哪些團隊對同一件事各有版本、哪個老員工腦子裏還壓着沒說出來的關鍵信息。

Ashwin 這篇真正的貢獻，不是三層架構本身，而是他把「公司沒記憶」和「Agent 落不了地」這兩件事接在了一起。

接在一起後你會突然看清一件事：今天組織最大的護城河，從「我們有最多數據」，變成了「我們記得自己為什麼這麼做」。

數據可以買，可以爬，可以洗。

判斷鏈不能。

那些消化過的為什麼、那些被推翻的反方案、那些轉過彎的權衡、那些走廊上誰說服了誰，是公司真正的「我」。

Sentra 另一位聯合創始人、CEO Jae Park 給 PR Newswire 的引述也是這個意思：「現代公司產生的知識比它們能保留或使用的多得多。每一次對話、決策、文檔都加進一片越來越大的上下文之海，幾分鐘後就消失了，或者沉到孤島裏去了。」

Ashwin 的原話更直白一點：真正變成「AI 原生」的公司，不會是那種把 Agent 擰到散落數據上的公司，而是那種記得自己的工作為什麼有意義的公司。

這才是真正的護城河。

不是有沒有 AI。
不是模型夠不夠好。
是公司記不記得自己。

09

留個問題給你

寫到這兒，留一個問題。

你公司的「公司大腦」現在長在哪幾個老員工的腦子裏？

那幾個人離職那天，公司會瞬間忘掉多少？

要是 張三 明天走，要是 小李 後天走，公司需要多久才能從「憑記憶運轉」重新建立起判斷鏈？

你現在公司裏那些走廊裏聊出來的判斷、那些會議室裏臨時拍板的取捨、那些只有少數老員工才說得清楚的「為什麼」，每天都在蒸發。

什麼時候開始把它們留下來，就什麼時候開始有真正的護城河。

— END —

原文：https://x.com/ashwingop/status/2049641901410955694