AI 不缺知识，它缺的是可信的上下文

最近，OpenAI 宣布 ChatGPT for Healthcare 可以连接 Epic 电子病历系统，并通过插件访问 PubMed、ClinicalTrials.gov、DailyMed 等官方医疗数据源。

这样一来，AI 不只是回答一般性的医学问题，还可以在获得授权的前提下，结合患者的就诊记录、检验结果、用药变化和医生意见，帮助医疗人员整理信息，并且指向支持结论的原始记录。

新闻链接：OpenAI：ChatGPT can now connect to healthcare sources

这条新闻让我想到，今天的大模型其实已经不太缺少一般知识。

它可以解释什么是糖尿病，也可以解释什么是现金流、增值税或者应收账款。但它不知道面前这位患者最近一次检验发生了什么，也不知道面前这家企业上个月收到的某笔款项究竟来自哪个客户。

真正限制 AI 产生价值的，往往不是它知道得不够多，而是它不了解此刻正在处理的真实对象。

AI不缺知识，它缺的是可信的上下文。

在医疗场景里，这个上下文包括电子病历、检验结果、用药记录和权威医学资料。

在企业财务场景里，它则包括银行流水、发票、收据、合同、客户和供应商信息、历史账务处理，以及企业所在国家的税务与会计规则。

如果缺少这些上下文，即使模型再聪明，也只能给出一般性的答案。

它可以告诉一家企业什么是 VAT，却无法判断这张具体发票是否应该收取 VAT；可以解释某类支出通常如何记账，却不知道这笔付款究竟属于业务费用、个人支出还是股东借款；可以介绍现金流管理的方法，却不知道企业下周有哪些款项需要支付。

这也是 SnapLedger 和一个通用聊天机器人的根本区别。

SnapLedger 需要做的，不只是接入一个更强大的模型，而是把分散在不同地方的真实信息连接起来：银行账户中的交易、手机拍摄的收据、邮箱收到的发票、My Vault 中保存的文档、已经形成的账本，以及适用于这家企业的具体规则。

当这些信息形成可信、持续更新的上下文之后，Snappy 才能真正理解：

这笔银行交易可能对应哪张发票； 哪份文档仍然缺少付款记录； 哪项费用需要用户补充说明； 哪笔收入可能影响 VAT 注册门槛； 用户下一次登录时，最应该优先处理什么。

但“连接更多数据”本身并不是终点。

在医疗场景中，不是任何人都应该看到全部病历；同样，在财务场景中，也不是任何 Agent、员工或者外部服务商都应该访问企业的全部信息。

可信的上下文必须同时具备几个条件：数据来源清楚、身份经过确认、权限受到控制、每个结论能够追溯到原始证据。

这也是为什么 SnapLedger 在文档上传后要进行 owner check，尽量避免张三的单据进入李四的账本；为什么文档一旦形成正式账务关系，就不能被随意删除；以及为什么 AI 给出的判断，应该能够指回相关发票、银行流水和适用规则。

未来不同大模型之间的能力差距可能会越来越小，但企业上下文不会因此变得不重要。

恰恰相反，模型越普及，真正有价值的部分就越可能来自一家公司长期积累的数据结构、业务关系、规则体系和工作流程。

我越来越相信，AI-native SaaS 的竞争，不只是看谁接入了最强的模型。

更重要的是，谁能够把散落的信息组织成可信的上下文，再让 AI 在正确的权限和规则下，把这些上下文转化为行动。

知识让AI能够回答问题，可信的上下文才让AI能够真正参与工作。