文：王智遠(yuǎn) | ID:Z201440

AI沒火時，就有不少公司在做知識庫了。

釘釘后來上線“端內(nèi)搜”，想找什么直接搜，還能做智能總結(jié)。當(dāng)時關(guān)注的人不多，到今年四月，情況變了。

大廠突然扎堆進(jìn)知識庫賽道，特別是做平臺的，像飛書、騰訊Ima、騰訊樂享這些，開始猛推知識庫功能。

01

大廠為啥突然都開始卷知識庫？前段時間，我聽到一個挺有意思的說法。

一邊是，大家都知道 AI 搜索確實方便，但它愛胡扯，外面信息源太雜，很多時候根本不敢直接用；對效率黨來說，在搜索、寫東西、管理項目之間來回切換，早就成了日常。

他們要一個專屬空間，把有用的信息篩出來統(tǒng)一管理；說白了，就是在解決“知識沉淀”的問題：讓信息真正變成能復(fù)用的知識。

另一邊，有位企業(yè)高管跟我說，知識庫是當(dāng)前 2B 領(lǐng)域里，AI 最容易落地的應(yīng)用之一。

其他付費模式還停留在“SaaS + AI”或者“AI + SaaS”的階段，改造周期長、見效慢；尤其以云服務(wù)為主的大廠，營收結(jié)構(gòu)偏上層，靠的是 token 或算力收費，回報周期太長。

而知識庫是個“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？

簡單講，幫公司把以前散落在各處的資料、經(jīng)驗，用軟件和 AI 的方式系統(tǒng)地存起來，變成數(shù)字資產(chǎn)。

例如：

一家 2B 公司想了解某個客戶的情況，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、售后等多個部門，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。

有了信息化轉(zhuǎn)型就不一樣了，所有客戶信息，包括購買記錄、溝通歷史、反饋建議，甚至聊天記錄，都能統(tǒng)一沉淀到一個客戶管理的知識庫里。

當(dāng)老板問你：這個客戶今年貢獻(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告。

這樣一來，信息不再是孤島，每個人都能更快、更準(zhǔn)確地獲取。

所以，在AI時代，企業(yè)內(nèi)部知識數(shù)字化的需求，被推到了前高點，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。

這對大模型廠商也有一定好處。畢竟，誰掌握了這些“材料”，并具備治理能力，誰就能為自家垂直小模型建立起真正的“知識主權(quán)”。

就像那位高管說的，比起周期長、變現(xiàn)慢的 SaaS+AI 改革，知識庫見效快、效果明顯，這也是，為什么大家愿意從此作為切入點。

02

知識庫價值顯而易見，但它并非沒有代價。

當(dāng)每個人都能輕松把文件上傳到平臺，我們會不會掉進(jìn)一個被 AI 加速的“內(nèi)容熵增”陷阱？最后搞出一個組織版的“信息繭房”，讓整個公司滑向“AI 式平庸”？

我認(rèn)為要警惕。舉個例子你就懂了：

一家家電公司正面臨一個重要決定：要不要大力投入智能家居產(chǎn)品？

知識庫里，全是過去靠傳統(tǒng)方式賣家電的輝煌數(shù)據(jù)和成功經(jīng)驗。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，甚至砍掉幾個員工提出來的智能產(chǎn)品創(chuàng)新方案。但現(xiàn)實是？市場正在悄悄變化：年輕人開始習(xí)慣智能化生活，甚至愿意為智能體驗多花錢。

那些被“數(shù)據(jù)不支持”的新想法，雖然沒有歷史背書，卻可能是未來的方向。結(jié)果呢？這家公司錯過了轉(zhuǎn)型窗口，被那些敢于探索、不怕試錯的對手甩在了后面。

所以，我想說：

越來越依賴知識庫的“端內(nèi)搜”、歷史數(shù)據(jù)時，表面上看起來信息是“智能”的、“客觀”的；但如果沒有人去判斷數(shù)據(jù)是否仍然適用、是否存在偏差，就很容易做出錯誤的決策。

這正是一個組織陷入“AI 式平庸”的起點。

我在市場部做投放時，每個渠道都會把表現(xiàn)最好的爆款文案放進(jìn)知識庫；那時候還沒有 AI，但現(xiàn)在可以想象，有了 AI 之后，它完全可以自動提煉出“高點擊率、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，AI 擅長強(qiáng)化過去有效的經(jīng)驗，因為它學(xué)的是已有數(shù)據(jù)，但它不會告訴我們未來會怎樣。

一味依賴“歷史最優(yōu)解”，那 AI 就像一個只會帶你走熟路的導(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類似問題：

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)市場的變化；越依賴過去數(shù)據(jù)做決策，越容易在真正需要創(chuàng)新、調(diào)整方向時反應(yīng)遲鈍。

而且，市場環(huán)境、用戶喜好、技術(shù)趨勢都在不斷變化，過去有效的經(jīng)驗，未必能準(zhǔn)確預(yù)測未來；說白了：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，往往藏在還沒有被驗證過、甚至看起來“不靠譜”的新嘗試?yán)铩?/strong>

就像當(dāng)年短視頻剛興起時，沒人相信它能成為主流營銷陣地；AI 畫圖剛出現(xiàn)時，也被當(dāng)成玩具。所以，知識庫和 AI 可以讓我們跑得更快，但它不是萬能解藥，沒有吹的那么神奇。

03

還有，知識庫內(nèi)容怎么管？怎么降低它的維護(hù)成本？也是一些問題；換句話說，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)，知識庫維護(hù)成本高、內(nèi)容亂的問題，在未來會是一個極其關(guān)鍵的課題。

這個問題并不是 AI 出現(xiàn)之后才有的。早在 AI 沒普及的時候，很多企業(yè)就嘗試過建自己的知識管理體系，但幾乎都撞上了同樣的墻：

尤其是在共享型知識庫里，信息太多太雜、質(zhì)量參差不齊，幾乎是標(biāo)配。

現(xiàn)在 AI 的確帶來了新可能，但它絕對不是一貼就靈的萬能膏藥。我2024年寫過一篇文章，叫做《如何搭建部門知識庫》，里面提到一個觀點：知識庫的建立不是問題，關(guān)鍵在于管理。

這個“管理”，說白了，就是怎么把沉淀下來的資料，真正變得有用、好用，并且持續(xù)可用。

以前我們建知識庫，更多把公司里一些“正式”的、需要長期保存的內(nèi)容放進(jìn)去，方便大家查。比如規(guī)章制度、操作手冊、新媒體排版規(guī)范、品牌歷史資料等等。

這些東西看起來枯燥，但對新人或跨部門的人來說，價值不小。

比如：

一個新媒體小白剛?cè)肼殻恢牢恼略趺磁虐妫凰丫湍苷业剑还拘聛硪晃黄放瓶偙O(jiān)，想了解所有過往的品牌資產(chǎn)，一查就能理清來龍去脈。

這些“共享資料”確實能幫后來者快速上手。但問題也出在這兒。“沉淀內(nèi)容”的整理、更新和維護(hù)，需要大量人力投入。

報銷流程變了，得手動改知識庫里的文檔；有人離職了，他留下的經(jīng)驗還適用嗎？有沒有過時？這些都得有人專門審核、清理。

時間一長，大家寧愿去微信群里問同事，也不愿意去知識庫里“挖寶”了，因為“寶”太難挖了，或者挖出來的都是“廢鐵”，這就讓知識庫的價值大打折扣。

有了AI、“端內(nèi)搜”能力，情況確實有所不同。

AI 能做的不只是“查找”，它還能理解內(nèi)容。這意味著知識庫的維護(hù)方式，開始從過去靠人肉轉(zhuǎn)向靠智能治理，但現(xiàn)實是，目前大多數(shù)平臺還沒做到這一步。

一份文檔從 V1 到 V5，傳來傳去你加一點、我加一點，AI 究竟能不能分清楚哪個才是最新的？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 通過語義理解、版本對比能做到這點的；但在飛書、釘釘、騰訊樂享這些主流平臺上，AI 目前還停留在“搜索”和“問答”層面，真正治理能力，我們還沒看到。

04

另外，現(xiàn)在很多知識庫產(chǎn)品都在強(qiáng)調(diào)一個功能：個性化服務(wù)，每個人看到的內(nèi)容不一樣。

總監(jiān)查資料，系統(tǒng)自動推他該看的內(nèi)容；老板搜信息，AI 只呈現(xiàn)老板要的核心數(shù)據(jù)。

聽起來挺聰明。問題是：“千人千面”會不會在組織內(nèi)部悄悄埋下一道看不見的“數(shù)據(jù)鴻溝”？

你以為你們在聊同一件事，其實看到兩個“平行世界”；上下級之間還好，至少還有會議、溝通，能拉一拉認(rèn)知差。

一旦涉及跨部門、跨層級的協(xié)作，問題就來了。

比如市場部、銷售部、運營部這種經(jīng)常要一起干活的團(tuán)隊：市場部要做新季度投放計劃，得參考銷售部的客戶反饋和運營部的用戶數(shù)據(jù)。

但在知識庫里：

市場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；運營部則更關(guān)注用戶活躍、留存這些指標(biāo)。

這些數(shù)據(jù)本來是有關(guān)聯(lián)的，但因為每個人看到的重點不同，理解就容易跑偏。

等到幾個部門負(fù)責(zé)人開會時，每個人都覺得自己掌握的是“真相”，而且這“真相”還是 AI 精心整理過的重點內(nèi)容。

問題是：你們討論的，還是同一個現(xiàn)實嗎？

市場部覺得銷售轉(zhuǎn)化不行； 銷售部覺得市場引流不精準(zhǔn)；運營部又覺得市場、銷售的數(shù)據(jù)根本撐不起增長策略。

就像打游戲時，大家都以為進(jìn)了同一個副本，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)，問題比較好控制；對于文檔類非結(jié)構(gòu)化內(nèi)容，我們不能忽視這種“視角偏差”。

知識庫本來是為了打破信息孤島，如果設(shè)計不當(dāng)，千人千面”個性化服務(wù)，反而會變成新的隱形壁壘，讓團(tuán)隊之間的認(rèn)知越來越割裂，形成真正的“數(shù)據(jù)鴻溝”。

我們確實看到了 AI 帶來的效率躍升，但另一方面，隨著 AI 深度介入，也會帶來一些過去從未遇到過的挑戰(zhàn)。

是不是所有人都能看到同樣的關(guān)鍵信息？部門之間會不會因為“看到的東西不一樣”，合作起來反而會不會更難了？

知識越智能，就越要看清它篩選了什么、隱藏了什么 。

你怎么看？