当大多数企业还在把智能体「撒胡椒面」式地铺进本已碎片化的系统，Snowflake 与埃森哲给出了一份联合答案：以受治理的「上下文图谱」为底座，让财务、供应链、营销智能体在同一套 KPI 定义与政策护栏下推理和行动。支撑这一判断的数据很刺眼——仅 7% 的企业建好了规模化 AI 所需的数据基础，而这批领先者中 74% 已把决策智能嵌入核心业务，其余企业只有 28%。
原文的判断很直接：每家企业都看到了智能体的潜力，但大多数企业正把智能体部署进本就已经高度碎片化的环境，而且彼此不通气：
财务智能体的假设，可能与供应链智能体刚作出的决策相互矛盾；营销智能体生成内容时，不知道客服智能体昨天从这名客户身上了解到什么。
行动相互冲突、结果缺乏一致性，能产生的业务影响十分有限。
为什么「接同一个数据库」解决不了问题？因为上下文是因行业而异的：
▪ 电信行业的「客户流失信号」，与零售银行业的并不相同；
▪ 消费品行业对「高价值客户」的定义，不同于制药行业；
▪ 单位经济性指标激增时，医疗支付方与资产管理机构需要的升级处理路径也各不相同。
埃森哲「AI 就绪数据」研究把少数领先企业称为「数据重塑者」：它们能提供受治理且值得信赖的数据，「不仅供人类使用，也供新一代 AI 和智能体使用」。研究给出的对比是：
注：以上数字均出自埃森哲研究，原始报道未披露样本量、调研时间与方法，属于企业单方数据；74% 与 28% 的差距方向可信，具体数值请谨慎引用。
文章提出，成为智能体企业需要四个关键组成部分，上下文是起点，行动发生在控制平面：
由数据、业务语义和政策共同构成的受治理共享基础——「正是这些上下文和信息，定义了你的企业之所以是你的企业」。
生成分析、预测和建议的引擎，帮助企业从上下文中获得真正的智能。模型可自由更换，上下文不动。
维持企业关键业务运营的企业级系统——智能体的行动最终要在这里发生。
协调上述三者、执行治理要求，「将意图转化为受治理的智能体行动」的组件。
四者全部就位后，智能体「不再只是聪明的助手，而会成为值得信赖的决策者」——并受到支撑企业日常运营的同一套治理体系约束。
这是整篇蓝图的核心组件。埃森哲上下文图谱把企业上下文层转化为「具备行业认知能力的决策底座」，编码进去的东西包括：领域本体、价值树逻辑、升级处理规则、监管要求和行动手册——建立在埃森哲数十年服务消费品、金融服务、生命科学、医疗健康客户的经验之上。
机制上有两点值得注意：它与 Snowflake 中受治理的数据同层部署，继承其政策控制与数据血缘能力；每当智能体从 Snowflake 检索上下文，图谱都会确保套用正确的业务语义、决策框架与政策护栏。
治理属性：每一个行业视图都是经过同行评审并受治理的知识结构；「不是一次性构建的成果，而是随行业和客户不断发展而持续演进的动态资产」。图谱由埃森哲 Reinvention.AI 平台交付和维护，并与 Snowflake CoWork、CoCo 集成——业务用户与开发者调用的是同一套受治理的决策上下文。
个人工作智能体。业务用户通过一个统一入口访问所需的全部数据，用自然语言在日常使用的各类应用中采取行动。
AI 驱动的编码智能体。可调用任意数据和系统构建应用，实现「从创意到应用、从提示词到数据管道」的完整开发过程。
把控制平面的覆盖范围延伸至客户现有的工具、平台和智能体，确保决策进入企业内部的各类系统，同时延续上下文图谱承载的同一套治理体系。
文章称，在不同部署实践中有三种模式反复出现。此时数据不再是「等待查询的被动资产」，而成为决策被制定、治理、审计并端到端执行的主动底座：
财务、供应链、营销智能体基于同一套上下文推理——相同的 KPI 定义、相同的升级处理规则、相同的政策护栏——智能体之间的决策矛盾随之消失。
业务用户用自然语言提问，几秒内即可转向执行受治理的行动，压缩了过去在分析、规划和运营团队之间的多轮流转；构建智能体应用的开发者，从第一天起就继承同样的上下文与治理能力。
每一次交互都进一步丰富上下文：新政策加入、新决策被明确表达、隐性知识以结构化形式沉淀。研究称，持续遵循以下循环的企业，将获得「相较于同行不断累积的利润率优势」。
当所有企业都能调用同样的顶级模型，胜负手就变成了：谁先把「决策上下文」变成可治理、可复用的资产。
本文译介自 Snowflake 官方博客（英文，Snowflake × 埃森哲联合署名），架构与产品细节以原文为准。
阅读原文 → snowflake.com