本文来自微信公众号：王智远shibo体育游戏app平台，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。

钉钉自后上线"端内搜"，想找什么径直搜，还能作念智能精致。其时暖和的东谈主未几，到本年四月，情况变了。

大厂倏得扎堆进常识库赛谈，特地是作念平台的，像飞书、腾讯 Ima、腾讯乐享这些，开动猛推常识库功能。

一

大厂为啥倏得都开动卷常识库？前段时期，我听到一个挺有预料的说法。

一边是，行家都知谈 AI 搜索照实便捷，但它爱乱说，外面信息源太杂，好多时候根本不敢径直用；对遵守党来说，在搜索、写东西、料理姿色之间往来切换，早就成了日常。

他们要一个专属空间，把有用的信息筛出来谐和料理；说白了，便是在处治"常识千里淀"的问题：让信息真实变成能复用的常识。

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

其他付费模式还停留在" SaaS + AI "梗概" AI + SaaS "的阶段，修订周期长、顺利慢；尤其以云职业为主的大厂，营收结构偏表层，靠的是 token 或算力收费，薪金周期太长。

而常识库是个"短平快"的突破口。它恰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？

陋劣讲，帮公司把以前洒落在各处的贵寓、施展注解，用软件和 AI 的样子系统地存起来，变成数字钞票。

举例：

一家 2B 公司想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。但这些信息可能漫衍在客服、市集、售后等多个部门，查找清贫，交叉信息还不准确，最终导致决策慢、以致出错。

有了信息化转型就不一样了，通盘客户信息，包括购买纪录、调换历史、反馈建议，以致聊天纪录，都能谐和千里淀到一个客户料理的常识库里。

当雇主问你：这个客户本年孝敬了些许收入？调换印象分是些许？你惟有让 AI 在系统里一搜，就能快速生成一份齐全的讲述。

这样一来，信息不再是孤岛，每个东谈主都能更快、更准确地赢得。

是以，在 AI 时间，企业里面常识数字化的需求，被推到了前高点，浩荡正本千里睡的非结构化数据，被从头当成宝贝。

这对大模子厂商也有一定克己。毕竟，谁掌执了这些"材料"，并具备治颖慧商，谁就能为自家垂直小模子配置起真实的"常识主权"。

就像那位高管说的，比起周期长、变现慢的 SaaS+AI 改变，常识库顺利快、遵守显明，这亦然为什么行家自得从此行为切入点。

二

常识库价值可想而知，但它并非莫得代价。

当每个东谈主都能纵欲把文献上传到平台，咱们会不会掉进一个被 AI 加快的"本色熵增"罗网？临了搞出一个组织版的"信息茧房"，让总共公司滑向" AI 式鄙俗"？

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垂危决定：要不要任意干与智能家居产物？

常识库里，全是以前靠传统样子卖家电的后光数据和蔼利施展注解。AI 系统基于历史数据一分析，得出论断：老产物线巩固，智能家居风险高，建议严慎股东。

于是这家公司连续主推传统家电，以致砍掉几个职工提倡来的智能产物转换决议。但推行是？市集正在偷偷变化：年青东谈主开动风气智能化活命，以致自得为智能体验多费钱。

那些被"数据不营救"的新观念，固然莫得历史背书，却可能是翌日的所在。扫尾呢？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，我想说：

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，就很容易作出失实的决策。

这恰是一个组织堕入" AI 式鄙俗"的起初。

我在市集部作念投放时，每个渠谈都会把阐扬最佳的爆款案牍放进常识库；那时候还莫得 AI，但面前不错想象，有了 AI 之后，它完全不错自动索取出"高点击率、高移动率"的本色模板。

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、用户口味移动、媒体面貌更新？

换句话说，AI 擅长强化以前有用的施展注解，因为它学的是已稀有据，但它不会告诉咱们翌日会若何。

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：固然恰当高效，却长期找不到更快、更远的新阶梯。

不光我这样认为。FasterCapital 、麦肯锡的筹备都指出过雷同问题：

好多企业在数字化转型中，受限传统的数据架构和历程，很难快速反映市集的变化；越依赖以前数据作念决策，越容易在真实需要转换、调动所在时反应蠢笨。

而且，市集环境、用户喜好、技艺趋势都在不竭变化，以前有用的施展注解，无意能准确掂量翌日；说白了：历史数据不错帮你跑得快，但不一定能带你走得远。

也许真实的契机，每每藏在还莫得被考据过、以致看起来"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 绘制刚出面前，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，常识库本色如何管？如何缩小它的叹惜本钱？亦然一些问题；换句话说，大厂真能靠 AI 把老疏漏给治了吗？我的谜底是：不一定。

为什么？

咱们得承认，常识库叹惜本钱高、本色乱的问题，在翌日会是一个极其关键的课题。

这个问题并不是 AI 出现之后才有的。早在 AI 没晋升的时候，好多企业就尝试过建我方的常识料理体系，但险些都撞上了一样的墙：

尤其是在分享型常识库里，信息太多太杂、质料芜乱不都，险些是标配。

面前 AI 真实带来了新可能，但它统统不是一贴就灵的全能膏药。我 2024 年写过一篇著作，叫作念《如何搭建部门常识库》，里面提到一个不雅点：常识库的配置不是问题，关键在于料理。

这个"料理"，说白了，便是如何把千里淀下来的贵寓，真实变得有用、好用，况且连续可用。

以前咱们建常识库，更多把公司里一些"厚爱"的、需要持久保存的本色放进去，便捷行家查。比如纪律轨制、操作手册、新媒体排版行为、品牌历史贵寓等等。

这些东西看起来没趣，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，不知谈著作如何排版，一搜就能找到；公司新来一位品牌总监，想了解通盘过往的品牌钞票，一查就能理清世代相承。

这些"分享贵寓"照实能帮自后者快速上手。但问题也出在这儿。"千里淀本色"的整理、更新和叹惜，需要浩荡东谈主力干与。

报销历程变了，笔直动改常识库里的文档；有东谈主下野了，他留住的施展注解还适用吗？有莫得落伍？这些都得有东谈主特等审核、计帐。

时期一长，行家原意去微信群里问共事，也不肯意去常识库里"挖宝"了，因为"宝"太难挖了，梗概挖出来的都是"废铁"，这就让常识库的价值大打扣头。

有了 AI、"端内搜"智商，情况照实有所不同。

AI 能作念的不仅仅"查找"，它还能意会本色。这意味着常识库的叹惜样子，开动从以前靠东谈主肉转向靠智能治理，但推行是，面前大多数平台还没作念到这一步。

一份文档从 V1 到 V5，传来传去你加少许、我加少许，AI 究竟能不行分了了哪个才是最新的？哪一版包含最关键的决策数据？哪一版不错建议淘汰？

表面上，AI 通过语义意会、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 面前还停留在"搜索"和"问答"层面，真实治颖慧商，咱们还没看到。

四

另外，面前好多常识库产物都在强调一个功能：个性化职业，每个东谈主看到的本色不一样。

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

听起来挺颖慧。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"数据规模"？

你以为你们在聊统一件事，其实看到两个"平行寰宇"；高下级之间还好，至少还有会议、调换，能拉一拉贯通差。

一朝波及跨部门、跨层级的联接，问题就来了。

比如市集部、销售部、运营部这种闲居要通盘干活的团队：市集部要作念新季度投放规画，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：

市集部看到的主如若告白投放遵守、用户画像；销售部只看到客户的悔怨、成交纪录；运营部则更暖和用户活跃、留存这些缠绵。

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，意会就容易跑偏。

比及几个部门负责东谈主开会时，每个东谈主都合计我方掌执的是"真相"，而且这"真相"也曾 AI 经心整理过的重心本色。

问题是：你们扣问的，也曾统一个推行吗？

市集部合计销售移动不行； 销售部合计市集引流不精确；运营部又合计市集、销售的数据根本撑不起增长计策。

就像打游戏时，行家都以为进了统一个副本，扫尾发现各自的舆图根柢不一样。

我认为，表格类的结构化数据，问题比拟好为止；关于文档类非结构化本色，咱们不行淡薄这种"视角偏差"。

常识库本来是为了蹧蹋信息孤岛，如果遐想不当，千东谈主千面"个性化职业，反而会变成新的隐形壁垒，让团队之间的贯通越来越割裂，酿成真实的"数据规模"。

咱们照实看到了 AI 带来的遵守跃升，但另一方面，跟着 AI 深度介入，也会带来一些以前从未遭遇过的挑战。

是不是通盘东谈主都能看到一样的关键信息？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、讳饰了什么  。

本文来自微信公众号：王智远，作家：王智远