本文来自微信公众号：王智远尊龙凯时体育，作家：王智远，题图来自：AI 生成

AI 没火时，就有不少公司在作念常识库了。

钉钉其后上线"端内搜"，思找什么径直搜，还能作念智能追想。其时包涵的东谈主未几，到本年四月，情况变了。

大厂倏得扎堆进常识库赛谈，颠倒是作念平台的，像飞书、腾讯 Ima、腾讯乐享这些，初始猛推常识库功能。

一

大厂为啥倏得都初始卷常识库？前段期间，我听到一个挺有好奇的说法。

一边是，民众都知谈 AI 搜索如实便捷，但它爱瞎说，外面信息源太杂，好多时候根本不敢径直用；对服从党来说，在搜索、写东西、照料步地之间往复切换，早就成了日常。

他们要一个专属空间，把有用的信息筛出来统一照料；说白了，即是在惩办"常识千里淀"的问题：让信息真确变成能复用的常识。

另一边，有位企业高管跟我说，常识库是当前 2B 规模里，AI 最容易落地的愚弄之一。

其他付费模式还停留在" SaaS + AI "约略" AI + SaaS "的阶段，改进周期长、成效慢；尤其以云处事为主的大厂，营收结构偏表层，靠的是 token 或算力收费，陈诉周期太长。

而常识库是个"短平快"的突破口。它刚巧踩中了中小企业最急迫的需求之一：信息化转型。

什么是信息化转型？

浮浅讲，帮公司把以前洒落在各处的贵府、警戒，用软件和 AI 的方式系统地存起来，变成数字金钱。

举例：

一家 2B 公司思了解某个客户的情况，销售可能要翻遍各式文档去汇总额据。但这些信息可能散播在客服、阛阓、售后等多个部门，查找崎岖，交叉信息还不准确，最终导致决策慢、以至出错。

有了信息化转型就不一样了，通盘客户信息，包括购买记载、换取历史、反馈建议，以至聊天记载，都能统一千里淀到一个客户照料的常识库里。

当雇主问你：这个客户本年孝顺了若干收入？换取印象分是若干？你惟有让 AI 在系统里一搜，就能快速生成一份齐全的禀报。

这样一来，信息不再是孤岛，每个东谈主都能更快、更准确地取得。

是以，在 AI 期间，企业里面常识数字化的需求，被推到了前高点，大都蓝本千里睡的非结构化数据，被再行当成宝贝。

这对大模子厂商也有一定克己。毕竟，谁掌合手了这些"材料"，并具备治理技艺，谁就能为自家垂直小模子开发起真确的"常识主权"。

就像那位高管说的，比起周期长、变现慢的 SaaS+AI 更始，常识库成效快、服从澄莹，这亦然为什么民众适意从此动作切入点。

二

常识库价值可想而知，但它并非莫得代价。

当每个东谈主都能随便把文献上传到平台，咱们会不会掉进一个被 AI 加快的"实质熵增"陷坑？终末搞出一个组织版的"信息茧房"，让总共公司滑向" AI 式粗野"？

我认为要警惕。举个例子你就懂了：

一家家电公司正濒临一个紧迫决定：要不要孤高插足智能家居居品？

常识库里，全是昔日靠传统方式卖家电的光芒数据和奏凯警戒。AI 系统基于历史数据一分析，得出论断：老居品线褂讪，智能家居风险高，建议严慎鼓励。

于是这家公司连续主推传统家电，以至砍掉几个职工建议来的智能居品立异决策。但执行是？阛阓正在偷偷变化：年青东谈主初始风俗智能化糊口，以至适意为智能体验多用钱。

那些被"数据不扶助"的新思法，诚然莫得历史背书，却可能是畴昔的标的。扬弃呢？这家公司错过了转型窗口，被那些勇于探索、不怕试错的敌手甩在了背面。

是以，我思说：

越来越依赖常识库的"端内搜"、历史数据时，名义上看起来信息是"智能"的、"客不雅"的；但如果莫得东谈主去判断数据是否仍然适用、是否存在偏差，就很容易作出乖张的决策。

这恰是一个组织堕入" AI 式粗野"的起头。

我在阛阓部作念投放时，每个渠谈都会把弘扬最佳的爆款案牍放进常识库；那时候还莫得 AI，但咫尺不错思象，有了 AI 之后，它完全不错自动索要出"高点击率、高改造率"的实质模板。

如果咱们就此停手，只照着 AI 保举的"最优解"去作念投放、写案牍、选渠谈，那是不是也偷偷忽略了外部的变化？

比如：新渠谈冒出、用户口味改造、媒体状貌更新？

换句话说，AI 擅长强化昔日灵验的警戒，因为它学的是已稀有据，但它不会告诉咱们畴昔会若何。

一味依赖"历史最优解"，那 AI 就像一个只会带你走熟路的导航：诚然稳健高效，却始终找不到更快、更远的新道路。

不光我这样认为。FasterCapital 、麦肯锡的相关都指出过访佛问题：

好多企业在数字化转型中，受限传统的数据架构和经由，很难快速反应阛阓的变化；越依赖昔日数据作念决策，越容易在真确需要立异、调度标的时反应鲁钝。

而且，阛阓环境、用户喜好、技艺趋势都在不停变化，昔日灵验的警戒，无意能准确瞻望畴昔；说白了：历史数据不错帮你跑得快，但不一定能带你走得远。

也许真确的契机，不时藏在还莫得被考据过、以至看起来"不靠谱"的新尝试里。

就像当年短视频刚兴起时，没东谈主敬佩它能成为主流营销阵脚；AI 绘画刚出面前，也被当成玩物。是以，常识库和 AI 不错让咱们跑得更快，但它不是全能解药，莫得吹的那么神奇。

三

还有，常识库实质何如管？何如裁减它的惊羡本钱？亦然一些问题；换句话说，大厂真能靠 AI 把老舛讹给治了吗？我的谜底是：不一定。

为什么？

咱们得承认，常识库惊羡本钱高、实质乱的问题，在畴昔会是一个极其要津的课题。

这个问题并不是 AI 出现之后才有的。早在 AI 没提高的时候，好多企业就尝试过建我方的常识照料体系，但险些都撞上了相似的墙：

尤其是在分享型常识库里，信息太多太杂、质料杂沓不都，险些是标配。

咫尺 AI 委果带来了新可能，但它填塞不是一贴就灵的全能膏药。我 2024 年写过一篇著述，叫作念《如何搭建部门常识库》，里面提到一个不雅点：常识库的开发不是问题，要津在于照料。

这个"照料"，说白了，即是何如把千里淀下来的贵府，真确变得有用、好用，何况不绝可用。

以前咱们建常识库，更多把公司里一些"认真"的、需要持久保存的实质放进去，便捷民众查。比如法规轨制、操作手册、新媒体排版法子、品牌历史贵府等等。

这些东西看起来无聊，但对新东谈主或跨部门的东谈主来说，价值不小。

比如：

一个新媒体小白刚入职，不知谈著述何如排版，一搜就能找到；公司新来一位品牌总监，思了解通盘过往的品牌金钱，一查就能理清前因后果。

这些"分享贵府"如实能帮其后者快速上手。但问题也出在这儿。"千里淀实质"的整理、更新和惊羡，需要大都东谈主力插足。

报销经由变了，到手动改常识库里的文档；有东谈主下野了，他留住的警戒还适用吗？有莫得逾期？这些都得有东谈主有意审核、计帐。

期间一长，民众容或去微信群里问共事，也不肯意去常识库里"挖宝"了，因为"宝"太难挖了，约略挖出来的都是"废铁"，这就让常识库的价值大打扣头。

有了 AI、"端内搜"技艺，情况如实有所不同。

AI 能作念的不仅仅"查找"，它还能统一实质。这意味着常识库的惊羡方式，初始从昔日靠东谈主肉转向靠智能治理，但执行是，咫尺大多数平台还没作念到这一步。

一份文档从 V1 到 V5，传来传去你加小数、我加小数，AI 究竟能不成分明晰哪个才是最新的？哪一版包含最要津的决策数据？哪一版不错建议淘汰？

表面上，AI 通过语义统一、版块对比能作念到这点的；但在飞书、钉钉、腾讯乐享这些主流平台上，AI 咫尺还停留在"搜索"和"问答"层面，真确治理技艺，咱们还没看到。

四

另外，咫尺好多常识库居品都在强调一个功能：个性化处事，每个东谈主看到的实质不一样。

总监查贵府，系统自动推他该看的实质；雇主搜信息，AI 只呈现雇主要的中枢数据。

听起来挺贤慧。问题是："千东谈主千面"会不会在组织里面偷偷埋下一谈看不见的"数据鸿沟"？

你以为你们在聊统一件事，其实看到两个"平行全国"；崎岖级之间还好，至少还有会议、换取，能拉一拉领路差。

一朝波及跨部门、跨层级的合作，问题就来了。

比如阛阓部、销售部、运营部这种普通要通盘干活的团队：阛阓部要作念新季度投放经营，得参考销售部的客户反馈和运营部的用户数据。

但在常识库里：

阛阓部看到的主如果告白投放服从、用户画像；销售部只看到客户的烦恼、成交记载；运营部则更包涵用户活跃、留存这些认识。

这些数据本来是干系联的，但因为每个东谈主看到的重心不同，统一就容易跑偏。

比及几个部门负责东谈主开会时，每个东谈主都以为我方掌合手的是"真相"，而且这"真相"还是 AI 尽心整理过的重心实质。

问题是：你们照看的，还是统一个执行吗？

阛阓部以为销售改造不行； 销售部以为阛阓引流不精确；运营部又以为阛阓、销售的数据根本撑不起增长战术。

就像打游戏时，民众都以为进了统一个副本，扬弃发现各自的舆图根本不一样。

我认为，表格类的结构化数据，问题相比好约束；关于文档类非结构化实质，咱们不成残酷这种"视角偏差"。

常识库本来是为了毒害信息孤岛，如果规画欠妥，千东谈主千面"个性化处事，反而会变成新的隐形壁垒，让团队之间的领路越来越割裂，酿成真确的"数据鸿沟"。

咱们如实看到了 AI 带来的服从跃升，但另一方面，跟着 AI 深度介入，也会带来一些昔日从未际遇过的挑战。

是不是通盘东谈主都能看到相似的要津信息？部门之间会不会因为"看到的东西不一样"，合作起来反而会不会更难了？

常识越智能，就越要看清它筛选了什么、瞒哄了什么  。

本文来自微信公众号：王智远，作家：王智远