AI 沒(méi)火時(shí)，就有不少公司在做知識(shí)庫(kù)了。
釘釘后來(lái)上線 " 端內(nèi)搜 "，想找什么直接搜，還能做智能總結(jié)。當(dāng)時(shí)關(guān)注的人不多，到今年四月，情況變了。
大廠突然扎堆進(jìn)知識(shí)庫(kù)賽道，特別是做平臺(tái)的，像飛書、騰訊 Ima、騰訊樂(lè)享這些，開(kāi)始猛推知識(shí)庫(kù)功能。
一
大廠為啥突然都開(kāi)始卷知識(shí)庫(kù)？前段時(shí)間，我聽(tīng)到一個(gè)挺有意思的說(shuō)法。
一邊是，大家都知道 AI 搜索確實(shí)方便，但它愛(ài)胡扯，外面信息源太雜，很多時(shí)候根本不敢直接用；對(duì)效率黨來(lái)說(shuō)，在搜索、寫東西、管理項(xiàng)目之間來(lái)回切換，早就成了日常。
他們要一個(gè)專屬空間，把有用的信息篩出來(lái)統(tǒng)一管理；說(shuō)白了，就是在解決 " 知識(shí)沉淀 " 的問(wèn)題：讓信息真正變成能復(fù)用的知識(shí)。
另一邊，有位企業(yè)高管跟我說(shuō)，知識(shí)庫(kù)是當(dāng)前 2B 領(lǐng)域里，AI 最容易落地的應(yīng)用之一。
其他付費(fèi)模式還停留在 "SaaS + AI" 或者 "AI + SaaS" 的階段，改造周期長(zhǎng)、見(jiàn)效慢；尤其以云服務(wù)為主的大廠，營(yíng)收結(jié)構(gòu)偏上層，靠的是 token 或算力收費(fèi)，回報(bào)周期太長(zhǎng)。
而知識(shí)庫(kù)是個(gè) " 短平快 " 的突破口。它正好踩中了中小企業(yè)最急迫的需求之一：信息化轉(zhuǎn)型。
什么是信息化轉(zhuǎn)型？
簡(jiǎn)單講，幫公司把以前散落在各處的資料、經(jīng)驗(yàn)，用軟件和 AI 的方式系統(tǒng)地存起來(lái)，變成數(shù)字資產(chǎn)。
例如：
一家 2B 公司想了解某個(gè)客戶的情況，銷售可能要翻遍各種文檔去匯總數(shù)據(jù)。但這些信息可能分散在客服、市場(chǎng)、售后等多個(gè)部門，查找麻煩，交叉信息還不準(zhǔn)確，最終導(dǎo)致決策慢、甚至出錯(cuò)。
有了信息化轉(zhuǎn)型就不一樣了，所有客戶信息，包括購(gòu)買記錄、溝通歷史、反饋建議，甚至聊天記錄，都能統(tǒng)一沉淀到一個(gè)客戶管理的知識(shí)庫(kù)里。
當(dāng)老板問(wèn)你：這個(gè)客戶今年貢獻(xiàn)了多少收入？溝通印象分是多少？你只要讓 AI 在系統(tǒng)里一搜，就能快速生成一份完整的報(bào)告。
這樣一來(lái)，信息不再是孤島，每個(gè)人都能更快、更準(zhǔn)確地獲取。
所以，在 AI 時(shí)代，企業(yè)內(nèi)部知識(shí)數(shù)字化的需求，被推到了前高點(diǎn)，大量原本沉睡的非結(jié)構(gòu)化數(shù)據(jù)，被重新當(dāng)成寶貝。
這對(duì)大模型廠商也有一定好處。畢竟，誰(shuí)掌握了這些 " 材料 "，并具備治理能力，誰(shuí)就能為自家垂直小模型建立起真正的 " 知識(shí)主權(quán) "。
就像那位高管說(shuō)的，比起周期長(zhǎng)、變現(xiàn)慢的 SaaS+AI 改革，知識(shí)庫(kù)見(jiàn)效快、效果明顯，這也是為什么大家愿意從此作為切入點(diǎn)。
二
知識(shí)庫(kù)價(jià)值顯而易見(jiàn)，但它并非沒(méi)有代價(jià)。
當(dāng)每個(gè)人都能輕松把文件上傳到平臺(tái)，我們會(huì)不會(huì)掉進(jìn)一個(gè)被 AI 加速的 " 內(nèi)容熵增 " 陷阱？最后搞出一個(gè)組織版的 " 信息繭房 "，讓整個(gè)公司滑向 "AI 式平庸 "？
我認(rèn)為要警惕。舉個(gè)例子你就懂了：
一家家電公司正面臨一個(gè)重要決定：要不要大力投入智能家居產(chǎn)品？
知識(shí)庫(kù)里，全是過(guò)去靠傳統(tǒng)方式賣家電的輝煌數(shù)據(jù)和成功經(jīng)驗(yàn)。AI 系統(tǒng)基于歷史數(shù)據(jù)一分析，得出結(jié)論：老產(chǎn)品線穩(wěn)定，智能家居風(fēng)險(xiǎn)高，建議謹(jǐn)慎推進(jìn)。
于是這家公司繼續(xù)主推傳統(tǒng)家電，甚至砍掉幾個(gè)員工提出來(lái)的智能產(chǎn)品創(chuàng)新方案。但現(xiàn)實(shí)是？市場(chǎng)正在悄悄變化：年輕人開(kāi)始習(xí)慣智能化生活，甚至愿意為智能體驗(yàn)多花錢。
那些被 " 數(shù)據(jù)不支持 " 的新想法，雖然沒(méi)有歷史背書，卻可能是未來(lái)的方向。結(jié)果呢？這家公司錯(cuò)過(guò)了轉(zhuǎn)型窗口，被那些敢于探索、不怕試錯(cuò)的對(duì)手甩在了后面。
所以，我想說(shuō)：
越來(lái)越依賴知識(shí)庫(kù)的 " 端內(nèi)搜 "、歷史數(shù)據(jù)時(shí)，表面上看起來(lái)信息是 " 智能 " 的、" 客觀 " 的；但如果沒(méi)有人去判斷數(shù)據(jù)是否仍然適用、是否存在偏差，就很容易作出錯(cuò)誤的決策。
這正是一個(gè)組織陷入 "AI 式平庸 " 的起點(diǎn)。
我在市場(chǎng)部做投放時(shí)，每個(gè)渠道都會(huì)把表現(xiàn)最好的爆款文案放進(jìn)知識(shí)庫(kù)；那時(shí)候還沒(méi)有 AI，但現(xiàn)在可以想象，有了 AI 之后，它完全可以自動(dòng)提煉出 " 高點(diǎn)擊率、高轉(zhuǎn)化率 " 的內(nèi)容模板。
如果我們就此停手，只照著 AI 推薦的 " 最優(yōu)解 " 去做投放、寫文案、選渠道，那是不是也悄悄忽略了外部的變化？
比如：新渠道冒出、用戶口味轉(zhuǎn)移、媒體形式更新？
換句話說(shuō)，AI 擅長(zhǎng)強(qiáng)化過(guò)去有效的經(jīng)驗(yàn)，因?yàn)樗鼘W(xué)的是已有數(shù)據(jù)，但它不會(huì)告訴我們未來(lái)會(huì)怎樣。
一味依賴 " 歷史最優(yōu)解 "，那 AI 就像一個(gè)只會(huì)帶你走熟路的導(dǎo)航：雖然穩(wěn)妥高效，卻永遠(yuǎn)找不到更快、更遠(yuǎn)的新路線。
不光我這么認(rèn)為。FasterCapital 、麥肯錫的研究都指出過(guò)類似問(wèn)題：
很多企業(yè)在數(shù)字化轉(zhuǎn)型中，受限傳統(tǒng)的數(shù)據(jù)架構(gòu)和流程，很難快速響應(yīng)市場(chǎng)的變化；越依賴過(guò)去數(shù)據(jù)做決策，越容易在真正需要?jiǎng)?chuàng)新、調(diào)整方向時(shí)反應(yīng)遲鈍。
而且，市場(chǎng)環(huán)境、用戶喜好、技術(shù)趨勢(shì)都在不斷變化，過(guò)去有效的經(jīng)驗(yàn)，未必能準(zhǔn)確預(yù)測(cè)未來(lái)；說(shuō)白了：歷史數(shù)據(jù)可以幫你跑得快，但不一定能帶你走得遠(yuǎn)。
也許真正的機(jī)會(huì)，往往藏在還沒(méi)有被驗(yàn)證過(guò)、甚至看起來(lái) " 不靠譜 " 的新嘗試?yán)铩?/p>
就像當(dāng)年短視頻剛興起時(shí)，沒(méi)人相信它能成為主流營(yíng)銷陣地；AI 畫圖剛出現(xiàn)時(shí)，也被當(dāng)成玩具。所以，知識(shí)庫(kù)和 AI 可以讓我們跑得更快，但它不是萬(wàn)能解藥，沒(méi)有吹的那么神奇。
三
還有，知識(shí)庫(kù)內(nèi)容怎么管？怎么降低它的維護(hù)成本？也是一些問(wèn)題；換句話說(shuō)，大廠真能靠 AI 把老毛病給治了嗎？我的答案是：不一定。
為什么？
我們得承認(rèn)，知識(shí)庫(kù)維護(hù)成本高、內(nèi)容亂的問(wèn)題，在未來(lái)會(huì)是一個(gè)極其關(guān)鍵的課題。
這個(gè)問(wèn)題并不是 AI 出現(xiàn)之后才有的。早在 AI 沒(méi)普及的時(shí)候，很多企業(yè)就嘗試過(guò)建自己的知識(shí)管理體系，但幾乎都撞上了同樣的墻：
尤其是在共享型知識(shí)庫(kù)里，信息太多太雜、質(zhì)量參差不齊，幾乎是標(biāo)配。
現(xiàn)在 AI 的確帶來(lái)了新可能，但它絕對(duì)不是一貼就靈的萬(wàn)能膏藥。我 2024 年寫過(guò)一篇文章，叫做《如何搭建部門知識(shí)庫(kù)》，里面提到一個(gè)觀點(diǎn)：知識(shí)庫(kù)的建立不是問(wèn)題，關(guān)鍵在于管理。
這個(gè) " 管理 "，說(shuō)白了，就是怎么把沉淀下來(lái)的資料，真正變得有用、好用，并且持續(xù)可用。
以前我們建知識(shí)庫(kù)，更多把公司里一些 " 正式 " 的、需要長(zhǎng)期保存的內(nèi)容放進(jìn)去，方便大家查。比如規(guī)章制度、操作手冊(cè)、新媒體排版規(guī)范、品牌歷史資料等等。
這些東西看起來(lái)枯燥，但對(duì)新人或跨部門的人來(lái)說(shuō)，價(jià)值不小。
比如：
一個(gè)新媒體小白剛?cè)肼殻恢牢恼略趺磁虐?，一搜就能找到；公司新?lái)一位品牌總監(jiān)，想了解所有過(guò)往的品牌資產(chǎn)，一查就能理清來(lái)龍去脈。
這些 " 共享資料 " 確實(shí)能幫后來(lái)者快速上手。但問(wèn)題也出在這兒。" 沉淀內(nèi)容 " 的整理、更新和維護(hù)，需要大量人力投入。
報(bào)銷流程變了，得手動(dòng)改知識(shí)庫(kù)里的文檔；有人離職了，他留下的經(jīng)驗(yàn)還適用嗎？有沒(méi)有過(guò)時(shí)？這些都得有人專門審核、清理。
時(shí)間一長(zhǎng)，大家寧愿去微信群里問(wèn)同事，也不愿意去知識(shí)庫(kù)里 " 挖寶 " 了，因?yàn)?" 寶 " 太難挖了，或者挖出來(lái)的都是 " 廢鐵 "，這就讓知識(shí)庫(kù)的價(jià)值大打折扣。
有了 AI、" 端內(nèi)搜 " 能力，情況確實(shí)有所不同。
AI 能做的不只是 " 查找 "，它還能理解內(nèi)容。這意味著知識(shí)庫(kù)的維護(hù)方式，開(kāi)始從過(guò)去靠人肉轉(zhuǎn)向靠智能治理，但現(xiàn)實(shí)是，目前大多數(shù)平臺(tái)還沒(méi)做到這一步。
一份文檔從 V1 到 V5，傳來(lái)傳去你加一點(diǎn)、我加一點(diǎn)，AI 究竟能不能分清楚哪個(gè)才是最新的？哪一版包含最關(guān)鍵的決策數(shù)據(jù)？哪一版可以建議淘汰？
理論上，AI 通過(guò)語(yǔ)義理解、版本對(duì)比能做到這點(diǎn)的；但在飛書、釘釘、騰訊樂(lè)享這些主流平臺(tái)上，AI 目前還停留在 " 搜索 " 和 " 問(wèn)答 " 層面，真正治理能力，我們還沒(méi)看到。
四
另外，現(xiàn)在很多知識(shí)庫(kù)產(chǎn)品都在強(qiáng)調(diào)一個(gè)功能：個(gè)性化服務(wù)，每個(gè)人看到的內(nèi)容不一樣。
總監(jiān)查資料，系統(tǒng)自動(dòng)推他該看的內(nèi)容；老板搜信息，AI 只呈現(xiàn)老板要的核心數(shù)據(jù)。
聽(tīng)起來(lái)挺聰明。問(wèn)題是：" 千人千面 " 會(huì)不會(huì)在組織內(nèi)部悄悄埋下一道看不見(jiàn)的 " 數(shù)據(jù)鴻溝 "？
你以為你們?cè)诹耐患?，其?shí)看到兩個(gè) " 平行世界 "；上下級(jí)之間還好，至少還有會(huì)議、溝通，能拉一拉認(rèn)知差。
一旦涉及跨部門、跨層級(jí)的協(xié)作，問(wèn)題就來(lái)了。
比如市場(chǎng)部、銷售部、運(yùn)營(yíng)部這種經(jīng)常要一起干活的團(tuán)隊(duì)：市場(chǎng)部要做新季度投放計(jì)劃，得參考銷售部的客戶反饋和運(yùn)營(yíng)部的用戶數(shù)據(jù)。
但在知識(shí)庫(kù)里：
市場(chǎng)部看到的主要是廣告投放效果、用戶畫像；銷售部只看到客戶的抱怨、成交記錄；運(yùn)營(yíng)部則更關(guān)注用戶活躍、留存這些指標(biāo)。
這些數(shù)據(jù)本來(lái)是有關(guān)聯(lián)的，但因?yàn)槊總€(gè)人看到的重點(diǎn)不同，理解就容易跑偏。
等到幾個(gè)部門負(fù)責(zé)人開(kāi)會(huì)時(shí)，每個(gè)人都覺(jué)得自己掌握的是 " 真相 "，而且這 " 真相 " 還是 AI 精心整理過(guò)的重點(diǎn)內(nèi)容。
問(wèn)題是：你們討論的，還是同一個(gè)現(xiàn)實(shí)嗎？
市場(chǎng)部覺(jué)得銷售轉(zhuǎn)化不行； 銷售部覺(jué)得市場(chǎng)引流不精準(zhǔn)；運(yùn)營(yíng)部又覺(jué)得市場(chǎng)、銷售的數(shù)據(jù)根本撐不起增長(zhǎng)策略。
就像打游戲時(shí)，大家都以為進(jìn)了同一個(gè)副本，結(jié)果發(fā)現(xiàn)各自的地圖壓根不一樣。
我認(rèn)為，表格類的結(jié)構(gòu)化數(shù)據(jù)，問(wèn)題比較好控制；對(duì)于文檔類非結(jié)構(gòu)化內(nèi)容，我們不能忽視這種 " 視角偏差 "。
知識(shí)庫(kù)本來(lái)是為了打破信息孤島，如果設(shè)計(jì)不當(dāng)，千人千面 " 個(gè)性化服務(wù)，反而會(huì)變成新的隱形壁壘，讓團(tuán)隊(duì)之間的認(rèn)知越來(lái)越割裂，形成真正的 " 數(shù)據(jù)鴻溝 "。
我們確實(shí)看到了 AI 帶來(lái)的效率躍升，但另一方面，隨著 AI 深度介入，也會(huì)帶來(lái)一些過(guò)去從未遇到過(guò)的挑戰(zhàn)。
是不是所有人都能看到同樣的關(guān)鍵信息？部門之間會(huì)不會(huì)因?yàn)?" 看到的東西不一樣 "，合作起來(lái)反而會(huì)不會(huì)更難了？
知識(shí)越智能，就越要看清它篩選了什么、隱藏了什么 。
本文來(lái)自微信公眾號(hào)：王智遠(yuǎn)，作者：王智遠(yuǎn)
