据TechRadar于2026年9月24日刊发的文章，企业AI部署正面临“记忆问题”：AI虽具备强大智能，却不知道企业、客户以及塑造当前运营方式的决策。Hyland首席创新策略师在文中提出，企业不必等待下一代模型突破，而应利用内部已有的数十年内容、决策和机构上下文来构建“业务记忆”。
文章称，当前关于AI局限的讨论多集中在模型本身，例如更大的上下文窗口、更好的推理能力或更长的记忆，但这种框架忽略了企业已有的积累。每家企业都有大量未被充分利用的运营记录，包括合同谈判、理赔解决、案件处理、决策及其复核。这些上下文使组织的判断区别于通用大语言模型，但在多数公司，这类信息分散在系统中、埋藏在非结构化格式里，或被锁定而缺少让AI获取的清晰路径。
文章将“业务记忆”描述为组织如何运作的累积知识，是把多年企业内容、工作流和行业知识转化为AI可执行信息的方式，以支持规模化的真正代理式自动化。其思路是建立上下文层，治理AI可以访问哪些数据，并确保其基于相关、已授权和最新的信息运行，从而获得可信输出。文章同时指出，组织记忆不仅是保留哪些信息，还包括哪个版本具有权威性、谁可以访问、信息来自何处以及有效期多长；把这些信号带入上下文层，可帮助AI按照企业自身规则运作。
文章表示，更好的上下文并不足以保证可信输出，来源、评估、监控和人工监督同样重要。根据多份分析师报告，非结构化内容约占企业内容的80%，但企业仅利用了约10%。若企业希望最大化AI模型效果，首先需要利用非结构化数据中的业务记忆，并投资基础设施，将其转化为AI可用格式。
在实践层面，文章建议从明确定义的用例开始，识别支持该用例的权威内容和数据，保留现有访问控制，用元数据和关系丰富信息，并在扩大自动化前测试AI输出是否准确、可追溯和有用。这样可以建立可重复的基础，在不必整体替换现有系统的情况下扩展至整个业务。
文章还称，仅让AI访问相关数据并不够。许多AI计划在早期失败，原因是企业未充分认识到底层数据的复杂性。内容需要通过“本体”进行语境化，即定义企业内实体、术语、关系和规则的正式框架，使AI不仅理解系统中存在哪些信息，还理解这些信息与业务或行业的关系。文章以医疗和金融服务为例称，本体可连接诊断与治疗计划、医生笔记或化验结果，也可连接行业法规与组织的合规结构和政策。释放非结构化数据可提供关键业务上下文，帮助AI生成更好、更有依据的输出，但这还需要通过本体进行语境化。