当大模型越来越像，谁能让它真正"懂"你的公司，谁才是赢家。
1. AI进企业，最大的坎不是模型不够聪明
每个卖AI的企业都在说"开箱即用"，但真用起来根本不是那么回事。
你公司的AI agent，知道什么叫"收入"吗？知道你公司的文件谁可以看、谁不能碰吗？知道你们内部管客户投诉的流程是什么吗？
大概率不知道。
这就是为什么AI厂商现在得派工程师去客户现场，一待就是几周，手把手教AI"了解业务"。这根本不是卖软件，是卖咨询服务。
纽约一家叫 Jedify 的初创公司，就是看准了这个缺口。他们刚拿到 2400万美元A轮，总融资约 3300万美元，投资方包括 Norwest 领投、S Capital VC、Cerca Partners、Oceans Ventures，还有一个值得注意的名字——Snowflake 作为战略投资方入场。
2. 什么是"上下文图谱"？简单说：让AI不只是搜数据，而是懂关系
Jedify的核心概念叫 "context graph"（上下文图谱）。
它的做法是：通过API连接企业所有的知识源——数据库、数据仓库、SaaS应用、BI工具、报告文档、代码库、甚至Slack频道和会议录音——然后不是简单地把内容堆在一起，而是把这些信息之间的关系梳理出来。
这意味着什么？
举个例子：你问AI "我们上季度北美区的最大客户是谁"，普通AI会搜文档、找关键词。但Jedify的图谱知道"北美区"是一个地理标签，"最大客户"要看你公司定义的ARR阈值，而"上季度"对应你公司的财年是1-3月还是4-6月。
结果：AI直接知道你在问什么，而不是给一堆不相关的搜索结果。
创始人 Assaf Henkin（CEO）的原话是：AI agent要真正在企业里有用，得知道实体之间的关系、数据之间的关联、权限边界、领域知识、工作流程、公司特有的术语。少了这些，它就是一个会搜数据库的聊天机器人。
3. 跟已有的知识图谱有什么区别？
你可能会说：企业不是已经有知识图谱、语义层、元数据目录了吗？Jedify有什么特别的？
Henkin的答案是：别人的图谱是单维度的，Jedify的是多维度的。
| 维度 | 传统方案 | Jedify的上下文图谱 |
|---|---|---|
| 数据层面 | 数据库表结构 | 数据库+数据仓库+SaaS+BI工具 |
| 知识层面 | 结构化元数据 | 报告+文档+代码+会议记录+Slack |
| 关系层面 | 数据表关系 | 实体+数据+人员+权限+客户的交叉关系 |
| 时效性 | 静态或定期更新 | 实时更新 |
| 模型绑定 | 通常绑定特定模型 | 模型无关（model-agnostic） |
核心差别在于：Jedify的图谱能捕捉"人、数据、权限、客户"之间的交叉关系。 比如，它不仅知道某个文件里写了什么，还知道谁能看、谁看过、谁批过、这个文件属于哪个项目、项目关联哪个客户、客户由哪个销售负责——这些关系都活在一个动态的图里。
4. 客户怎么用？Kiteworks的例子
Henkin举了一个具体客户案例：Kiteworks，一家合规软件公司。
Kiteworks把 Snowflake、Tableau、Notion 和内部手册（包括文档和截图）全部接到Jedify，然后为不同的客户工作流做了agent工具。
效果：销售和客户团队去谈客户时，Jedify能实时给他们搭出**"所有需要知道的信息"——从客户历史、当前项目进展到合规状态，全都根据对话场景自动浮现。不只是被动的搜索，而是"你还没开口，它已经知道你需要什么"**。
这就是Henkin说的"武装销售团队"——不是给他们一个工具，而是给他们一个有公司记忆的智能助手。
5. 权限：最敏感也最棘手的问题
企业在企业里用AI，最怕什么？让实习生看到CFO的营收预测。
Jedify的做法是从源头解决：继承现有的身份系统、文件系统、SaaS工具和数据库的权限，包括行级、列级、表级访问规则。然后让客户自己定义agent和工作流能接触到什么、不能接触到什么。
简单说：AI看到什么，完全由你现有的权限系统说了算，不是Jedify说了算。平台还加了可观测性和治理工具，让你能监控agent行为，确保它没越界。
6. 为什么Snowflake投了它？
Snowflake作为战略投资方参与，而且把Jedify的技术集成进了自己的AI产品（Cortex AI、Semantic Views、CoWork）。
但Henkin很坦诚：大平台也在做类似的事，但有个问题——企业数据根本不在一个地方。Snowflake可能存了你们所有的核心数据，但文档在Notion、会议记录在Slack、代码在GitHub、BI报告在Tableau。
"大平台会说，'把所有数据都搬到我这儿来'。但现实中，公司有多数据库、多仓库、多解决方案。更大的问题是：你大部分知识根本不在数据环境里。"
Jedify的定位就是"跨平台的胶水"——不管数据在哪，都把它织进一张关系图里。这是大平台做不了的，因为大平台只会让你把数据搬进自己的地盘。
7. 这2400万赌的是"大模型可替代，业务上下文不可替代"
Henkin有一个更大的判断：
随着AI模型越来越强大、越来越可互换（interchangeable），让模型在特定企业里"工作得更好"的专有上下文，才是真正的护城河。
翻译一下：GPT-5和Claude 4谁来谁走，区别不大。但你公司怎么定义"成功"、哪些决策有先例、销售流程的每一步边界在哪——这些属于你自己的业务上下文，没有第二家公司有。
Jedify赌的就是：未来AI的价值不在模型本身，而在谁能让模型真正"扎根"到你的业务里。2400万美元，买的就是这个赌桌上的一个座位。
8. 现在还在早期，但野心不小
Jedify目前只有 10-20个早期客户，包括 The Weather Company（天气公司）。行业覆盖在扩展：游戏、工业、消费品包装等数据密集型领域都有兴趣。
资金用途很明确：产品开发、招聘、市场推广。目标客群是中大型企业，前提是数据栈已经比较成熟、有多个数据库或数据仓库。
另一个挑战是成本：现在企业对AI token消耗越来越紧张，Jedify的定价和客户ROI需要经得起 scrutiny。Henkin自己也提到，企业"正在审查和收紧AI token使用"——这说明Jedify的价值主张必须足够清晰：我们不是让你多烧token，我们是让每token花得更值。
说到底，Jedify在做的事，是把企业那堆散在各地的知识碎片，编织成一张AI能真正理解的网。
模型可以换，知识图谱本身才是真正的资产。这个想法，值2400万吗？如果你的公司每天有一堆AI在"瞎搜"，可能还真值。