一家企业给AI接上知识库，最期待的变化，往往是它终于能听懂“我们公司是怎么回事”。
它知道客户过去买过什么，知道“净收入”在内部报表里如何计算，也能从工单、邮件和会议记录中找到一件事的来龙去脉。员工不用每次从头解释，AI给出的建议越来越像一个熟悉业务的同事。
这当然是进步。很多工作之所以难交给AI，正是因为公司里的知识散在不同地方，光有一个聪明的模型，仍然缺少作判断所需的背景。
11月4日，Google Cloud发布Agentic Data Cloud更新，将企业上下文作为重点，介绍了Knowledge Catalog从文档、工单等来源整理业务知识，并通过审阅、版本管理等方式维护这些内容的能力。其中，自学习整理能力仍处于预览阶段。
更早的产品介绍也说明，整理出的内容带有来源，重要更新可由人审阅，并保留访问控制。这些安排能帮助企业检查AI所依赖的信息。
顺着这个方向再往前想一步：当AI已经读懂公司的资料，也能正确解释过去的决定，它是否就可以代表公司作出下一次决定？
设想一家设备销售公司，员工让AI“参考历史情况，给这位老客户准备续约报价”。
AI查到了去年的订单：客户拿到了八折价格，还获得了90天账期。它又找到了当时的邮件，销售负责人确实同意过这个方案，最终合同也已经履行。
这些信息都是真的。AI没有编造文件，没有认错客户，价格和时间也没有算错。于是，它按照相同条件生成了新报价，并准备发给客户。
问题在于，去年的优惠是为了换取一份年度采购承诺，特批只适用于那张订单。今年的采购量尚未确定，公司对普通续约的要求则是折扣不超过一成、账期不超过30天。
这个假设场景里，AI需要补充的背景还很多。但即便把这些背景全部告诉它，仍然有一个问题必须单独回答：谁允许它决定这一次的价格与账期？
如果任务只是准备内部讨论稿，列出去年的条件很有帮助。如果它要把报价发给客户，或直接写入系统成为可执行订单，企业就需要明确允许它推进到哪一步。不同动作产生的影响不同，不能因为内容相同，就沿用同一个许可。
一份历史记录可以证明公司曾经这样决定，却不能自动证明公司现在仍允许这样决定。
这也是企业AI很容易遇到的一种困难：所有材料都真实，推理看起来也合理，结论却缺少可以据此行动的授权。
很多团队会先想到加强检索，让AI找到更多资料。这通常有用。例如，把年度采购承诺、特批范围和现行制度一起找出来，能减少错误类比。
但资料的数量无法单独解决决定权的问题。
会议纪要记录的是讨论，业务手册说明的是通常做法，订单保存的是已经发生的交易，授权决定则需要说明由谁作出、适用于什么对象和条件。它们可以出现在同一个知识库里，甚至由同一个人撰写，实际作用仍然不同。
一位销售负责人在复盘会上说“这种客户值得多让一点”，可能是在总结经验，也可能是在提出下一季度的建议。组织是否已经采纳、由谁执行、可以让到什么程度，需要另外确认。
给这句话标上来源，能帮助我们找到原话；给它很高的可信度，能说明原话很可能没有记错。至于它能否作为当前报价的决定依据，还要看它在公司的决策流程中处于什么位置。
这意味着，企业需要同时维护两种清晰度：资料在说什么，以及这份资料有权决定什么。
尤其当AI开始自动整理经验，这种区别更容易被压缩掉。
原始邮件可能写着：“只针对本次年度订单，同意延长账期，其他订单另行确认。”经过总结，知识库里留下“该客户可享受90天账期”；再经过一次复用，员工看到的就成了“老客户续约可沿用原账期”。
每次改写都更简洁，适用范围却在悄悄扩大。一个针对特定对象的决定，最终被整理成了对一类业务的普遍许可。
不需要恶意指令，也不需要有人伪造文件，这种问题就可能发生。AI越善于把零散经验整理成顺畅的解释，人越容易忽略：原来的限制是否也一起保留下来了？
而且，企业历史本来就不只包含值得继承的好做法。
一条流程被绕过几次，可能说明流程应该改，也可能说明曾经发生过违规；一笔低毛利订单被接受，可能有战略原因，也可能是当时判断失误。发生得多、最后做成了，都不能单独证明它应当成为未来的规则。
如果组织没有明确处理，AI可能把“过去经常如此”理解成“以后默认如此”。于是，企业在提高经验复用效率的同时，也可能把原先局部、偶发的问题变成稳定、可批量执行的做法。
真正值得担心的，是这种变化可能很难从答案质量上看出来。报价更完整了，理由更充分了，引用也更齐全了，但公司并没有明确作出过扩大授权的决定。
企业要解决它，也不能简单要求“所有事情都让人再点一次确认”。
如果报价本来就在现行折扣和账期范围内，客户条件也符合要求，公司完全可以事先授权AI完成这类工作。每次都找负责人点击，既消耗注意力，也没有充分发挥自动化的价值。
需要讲清楚的是：哪些选择已经交给机器，哪些仍保留给某个岗位，遇到什么变化需要重新决定。
回到报价例子，公司可以允许AI自行整理资料、计算方案，并在明确范围内形成报价。超过范围时，它应当带着差异和理由交给有权决定的人，而不是把历史特批当成这次的替代批准。
有些决定也可以交给现有规则系统完成，不必每次由人现场判断。关键是这项安排来自组织的有效授权，适用条件能够被检查，超出范围时有明确的处理路径。
AI的自主性因此可以逐步扩大。企业先交出条件清楚、结果容易核对的工作，再根据实际表现调整范围。模型进步能让它胜任更多任务；是否扩大委托，则是企业需要作出的另一项决定。
这件事最终会推动企业重新整理自己的管理方式。
许多规则原来靠老员工记着。谁可以谈价格，谁能承诺账期，什么情况可以先做后补手续，往往分散在部门习惯和个人经验中。员工遇到不确定情况，会停下来找同事，也可能凭关系和经验补上缺失的信息。
让AI接手以后，这些隐含安排需要变得更容易说明。否则，开发者只能不断把例外塞进提示词，业务负责人则继续在每次异常出现时临时解释。
整理的过程也会暴露一些真正的管理问题：两个部门是否在执行互相冲突的要求？某项“临时办法”是否已经用了两年？经常发生的特批，究竟应该保留为例外，还是正式调整制度？
AI可以帮助收集这些现象，比较不同做法，提出修改建议。把建议采纳为公司的新规则，则需要由有权负责的人或组织流程完成，并说明生效范围和时间。
这样，企业才有机会把经验积累转化为制度改进，同时保留对变化的主动选择。
对软件开发商来说，这里也有一项很具体的工作：把“如何理解业务”与“如何允许业务发生”衔接起来。
前一部分需要知识、检索和上下文。后一部分需要明确的主体、可执行的范围、必要的决定，以及业务系统对当前条件的检查。两部分可以协作，也可以共享一些来源，但不能只因知识库已经审阅通过，就认为每一次业务操作也获得了批准。
我们用A2B，Agent-to-Business，描述智能体接受人或组织的委托，进入业务系统办事的这类场景。这里值得共同讨论的变化，是机器开始参与选择并执行业务动作，人和组织需要重新讲清楚如何委托、如何接手、如何承担结果。
ACC是我们围绕能力开放与治理要求整理的开放契约参考，希望把能力边界、主体要求、审批意图等信息表达得更清楚，便于不同接入方检查和实现。
它不会因为读到一份制度，就自动取得执行权，也不负责替企业认定所有历史文件是否仍然有效。相应检查需要由运行时、既有授权机制和业务系统各自落实，最终业务权限仍留在业务系统。
BailingHub则把相关思路做成可运行的开源实现，贡献接入和治理实践中的经验。这些工作的长期价值，是让不同的AI进入业务时，能够沿着清楚的条件办事，让企业有依据地扩大自动化范围。
检验这种能力时，企业也可以换一种测试方法。
除了问AI能否找到正确答案，再给它同一份准确的历史资料，安排几种不同任务：只准备方案、在常规范围内执行、沿用一次已经结束的特批。
看它是否既能顺利完成已经获准的工作，也能在缺少本次依据时说明缺什么、交给谁处理。进一步检查实际系统是否守住了相同边界，而不只看AI在对话中有没有说“我会谨慎操作”。
这类测试把企业真正想知道的问题显露出来：资料足够、理解正确以后，机器是不是仍然按照组织交给它的范围行动。
未来，企业AI的价值会越来越多地体现在熟悉业务、减少反复解释，以及承担更完整的工作上。企业当然应该让它学得更多，也应该认真决定，让它做主的范围如何增长。
成熟的企业AI，既能说明自己为什么这样想，也能让企业说清楚，为什么允许它这样做。
