企业软件长期以来一直难以复制Netflix、TikTok、Amazon等B2C平台的数据驱动模式。后者能够持续捕捉并分析用户点击、滑动、停留和流失等行为，再据此不断优化产品和系统。

Foundation Capital合伙人Jaya Gupta认为，这类平台在过去20多年里建立起的核心竞争优势，可以概括为“数据复利循环（compounding loop）”。

所谓数据复利循环，是指平台通过汇集用户行为数据持续迭代系统，改进后的产品再吸引更多用户，进而产生更多数据，由此形成不断强化的正反馈。循环越高效，后来者就越难追赶。

相比之下，企业软件过去一直很难跑通这一模式。问题并不在于企业内部没有决策，而在于这些决策过程不像B2C用户行为那样，能够被方便地观察、量化和记录。

不过，Gupta近日在社交平台X（原Twitter）发文称，随着LLM兴起，B2B软件正开始具备构建“数据复利循环”的条件。

Gupta认为，企业软件公司迎来的新机会，在于首次能够围绕“决策过程”本身积累数据。消费平台学习的是点击和滑动等用户行为，而未来企业软件要学习的，则是企业如何作出决策。尤其是在远程与异步协作日益普及之后，评论、文档修订记录、工单、审批流程和通话录音中，已经沉淀出越来越多可追踪的决策痕迹。

Gupta指出，B2C平台中的行为通常由单个用户在同一界面内完成；但企业决策往往涉及销售、财务、法务、运营、安全和管理层等多个角色。各方基于不同权限和利益反复协商，最终形成结论。很多时候，企业决策并不是一次“点击”完成的，而是通过讨论、博弈和谈判逐步达成。也正因如此，企业长期缺少刻画“行为—结果”之间推理过程的工具。

现有企业系统大多围绕“结果记录”来设计，擅长保存最终状态，却难以还原决策是如何形成的。例如，一份修改后的合同只能展示最终条款，却无法清楚呈现哪些备选方案曾被提出、讨论或否决。更关键的是，决策语境往往分散在会议、个人经验、邮件线程、即时聊天以及彼此割裂的系统中，企业本身也缺乏系统化保存这些信息的动力，因此决策数据长期只是流程中的副产品。

但在Gupta看来，这一局面正在改变，围绕企业决策数据的保存、追踪与利用，正逐步形成新的趋势。

Gupta给出了三点原因：第一，工作正在迁移到可记录的数字空间；第二，LLM让非结构化数据首次具备可计算、可提取的价值；第三，智能体让决策过程可以被自动留痕。随着远程与异步办公普及，评论、文档建议、工单历史、审批流程和通话录音中积累了大量决策线索，而LLM已经能够从会议转写、聊天日志和文档评论中提取出有价值的信息。

以智能体为例，Gupta提到，当智能体给出报价建议后，销售人员可能会将折扣从25%改为30%，并备注“需要应对竞争对手X”。这一修改本身就是决策痕迹：模型给出的建议，代表系统基于既有数据形成的结构化先验；而人工调整的部分，则反映了模型尚未覆盖的判断信号。

Gupta认为，对于Salesforce、ServiceNow、Workday等传统B2B SaaS公司而言，要在现有平台基础上真正建立这样的环境并不容易。

Gupta指出，这些公司虽然正在原有平台上叠加智能体能力，但底层架构仍然延续了“只保存当前状态”的旧逻辑。比如，一项折扣一旦获批，相关语境往往随之消失。由于无法还原当时的决策状态，后续的决策审计、模型学习和案例复用都难以展开。Snowflake、Databricks等数据仓库同样存在类似问题：它们通常通过ETL（Extract, Transform, Load）在决策完成后接收数据，拿到的是结果，而不是从信息到结论的完整推理过程。

相比之下，新兴智能体创业公司反而更有机会构建可学习、可分析的决策系统。Gupta表示，智能体能够直接参与并执行工作流，因此可以在决策发生的当下捕捉上下文，不是在ETL之后再补录结果，而是同步完成实时留痕和结构化沉淀。

在这一基础上，AI系统能够达到的能力上限，也有望随之明显提升。

Gupta表示，在法律、保险、医疗、金融、采购和安全等行业，沉淀着数十年的专家判断与经验。但这些知识中，仍有大量内容既没有被文档化，也没有被系统学习，更没有被整理成可直接调用的形式。这也是为什么专家时薪可以高达2000美元。顶尖专家的能力，本质上来自组织长期积累的经验和判断；而现在，这些数据终于开始具备被捕捉、结构化并用于训练的条件。