构建企业卓越AI的前提:知识与数据优先
作者：扬・什蒂赫茨（Jan Stihec），Shelf 公司数据与生成式人工智能总监
人工智能项目的成败取决于其底层所依托的知识。要让智能副驾、智能代理、搜索、自动化以及决策支持实现精准可信，企业必须围绕三大基础来准备知识：质量、结构与上下文。
关于企业人工智能的探讨，往往从模型、平台以及使用场景开始。然而每一项能力都依赖一项不那么显眼的资产：系统必须使用的知识。政策、流程、产品信息、技术文档、合同、合规要求、流程图谱以及业务规则，定义着企业的运作方式。如果这些知识不可靠、难以解读，即便是先进的模型，也会产出前后矛盾的结果。
绝大多数企业知识是为人类创建的。员工看得懂内部术语，记得过往培训内容，能够推断缺失的步骤，明白何时例外情况会凌驾于通用规则之上，也能察觉到某份文档或许已经过时。人工智能并不具备这类组织记忆。它可以大规模分析语言，但不能依靠假设去稳妥填补企业内部的信息缺口。
内容必须具备足够的可靠性，供人工智能检索、解读以及应用。仅仅将人工智能系统连接到知识库，并不能实现这一点。原始内容或许包含答案，但仍可能被相互冲突的版本、模糊的措辞、损坏的表格、缺失的依赖关系，或是只存在于员工脑海中的上下文所掩盖。
具备人工智能就绪能力的知识，弥合了人类可读内容与机器可使用知识之间的鸿沟。它保留原始含义，同时将结构、上下文、规则、关联关系以及边界予以显性化，使人工智能系统能够可靠地检索、解读并运用这些知识。下面这份清单阐述了企业该如何优化企业知识，供业务中的人工智能调用。
这种转变改变了知识管理的工作单元。企业不再仅仅将文件作为已发布成品进行管理，还必须管理其中包含的主张与操作说明：哪条规则现行有效、什么条件会触发该规则、它依赖哪些条件、哪些人或系统可以应用该规则。
1. 以结果为起点，而非以知识库为起点
企业常常忍不住把所有文件、内联网页面和知识文章全部接入人工智能平台。更好的起点是明确人工智能需要支撑的业务结果。它应当回答什么问题？需要协助完成什么任务？应当给出什么建议？哪些决策或操作是它必须避免的？
明确业务结果，就能厘清所需知识以及出错带来的后果。员工支持助手可能需要经过核实的福利政策以及地区差异说明。IT 智能副驾可能需要配置标准、故障处理流程、资产上下文以及变更管控规则。财务智能代理则需要会计政策、审批阈值以及职责分离规则。
以知识库为优先的思路，会让关键信息源淹没在过时材料之中。
优先选择一组可控的高价值应用场景，明确每个场景依赖的知识，并设定清晰的成功标准。评估维度应涵盖准确性、完备性、一致性、时效性、恰当的升级处理、合规性，以及在需要时人工智能展示答案依据的能力。
2. 在扩大访问范围之前提升质量
人工智能放大优质知识的效率，与放大知识缺陷的效率一样高。冗余、过时、琐碎、错误、不完备以及相互矛盾的内容，已经在拖累员工工作。当人工智能使用这些内容时，损害会扩散至各个部门以及自动化工作流。由过时政策生成的精美回复，本质依旧是过时的；基于它执行自动化操作，后果则会更为严重。
质量工作始于确定权威信息源。针对每一个主题，明确哪些内容已经获批、谁是内容所有者、何时生效、何时需要复审。解决内容矛盾，而不是指望人工智能做出正确抉择。移除会产生相互冲突答案的重复内容，将草稿或历史资料与用于业务运营的已审批知识区分开来。
质量同样要求内容具备针对性。一份文档内容或许正确，但在实际操作层面并不完备。一份采购政策如果缺少支出阈值、审批流程、例外情况或是佐证材料，就不足以指导工作流。一份维护流程如果缺少前置条件或是安全要求，就无法为技术人员提供支持。从人工智能需要支撑的决策或操作的角度审视内容。目标是打造一套可信的知识供给体系。
3. 通过结构让业务逻辑显性可见
人类能够研读长篇文档、嵌套表格、脚注以及零散的参考资料，因为人会结合自身经验与组织上下文去阅读。人工智能无法自行可靠地重构这类上下文。某一条规则可能出现在一份文档中，对应的例外写在一张电子表格里，审批要求又记录在流程图谱中。如果分别调取每一部分，单看每一段内容或许都正确，但组合起来依旧会产出错误答案。
具备人工智能就绪能力的知识，能够在恰当的时机提供正确信息，同时附带正确应用该信息所需的上下文与关联关系。规则需要与其前置条件、例外情况、依赖项、审批流程以及结果保持关联。政策应当链接到落地该政策的流程，以及政策适用的角色、产品、地点、业务单元、客户类型和生效周期。
这并不意味着要把每一份文档都转成数据库。而是需要知识单元在被调取时，不会丢失保障准确性的各类关联关系。一个结构完善的知识对象可以包含触发条件、适用规则、允许与禁止的操作、审批要求、佐证材料以及下一步操作。
当知识以这种方式建立关联，同一套经过核验的信息源，就可以支撑企业搜索、智能副驾、自助服务、培训、数据分析、工作流自动化以及人工智能智能代理，无需为每一项应用重复创建内容。
4. 补充人工智能无法推断的上下文
人类理解与人工智能使用之间最大的鸿沟，往往就是上下文。员工熟知企业缩写、产品系列、系统名称、业务单元差异、流程历史以及不成文的规范。他们明白 “优先级” 在网络安全领域和销售领域含义不同，也懂得通用政策会被合同条款所取代。这些都不能交由人工智能自行假设。
上下文需要刻意去采集。定义关键术语与别名。将产品与组件、服务、合同、所有者以及生命周期阶段建立关联。将政策链接到其所管控的流程与系统。记录地区差异、角色差异以及业务单元差异。写明例外的适用场景、审批人、所需佐证材料，以及必须同步考量的相关规则。
元数据是上下文的一部分，但上下文不只是打标签。一个 “安全” 标签有助于检索，但它无法说明数据敏感度、适用管控措施、允许访问的受众、需要采取的响应，或是不合规带来的后果。具备人工智能就绪能力的知识会保留这些关联关系与约束条件，让信息在对应的业务场景下被解读。
企业也需要在此区分说明、建议、决策和执行之间的边界。知识应当写明：哪些内容人工智能仅可做总结、哪些可以给出建议、哪些可以自动执行、哪些内容需要人工复核或审批。缺少这些边界，系统就会从有用的辅助工具，转变为执行未经授权操作的工具。
5. 在使用环节落实治理管控
让知识更便于人工智能调用，绝不代表弱化管控。访问权限、保密性、知识产权限制、法规要求、档案留存义务以及审批状态，应当随知识本身一同流转。如果一份回答泄露给错误受众、生成自未获批的资料，或是在既定适用范围之外被调用，那么这份回答就不具备可信度。
建立从人工智能输出结果或操作行为回溯至权威信息源的溯源链路。保留版本历史与生效日期。在内容被索引、转换或是在另一套系统中呈现时，保留权限设置。明确更新如何传递，以及如何撤下失效知识。对于敏感或高风险使用场景，要求提供引用来源、置信度阈值、校验检查或是人工复核。
治理同样需要明确权责。知识所有者对内容含义与准确性负责；技术团队负责内容接入、表示与检索；风险团队负责管控措施；业务负责人决定哪些决策与操作可以交由人工智能处理。多方共担责任，可以避免人工智能就绪工作沦为纯粹的技术项目，或是一次性清理任务。
6. 将具备人工智能就绪能力的知识打造为持续性实践
知识就绪不是一项有结束节点的项目。产品会迭代，政策会演变，法规会调整，系统会被替换，新的例外情形不断出现，企业内部用语也会发生变化。知识供给体系必须像其他生产资产一样得到认真监控。
将知识健康状态与人工智能性能挂钩。可用的指标包括：未解决的冲突、逾期未复审内容、重复信息源、缺失所有者、低置信度回复、不必要的升级处理、未经授权的建议，以及因内容过时引发的故障。利用来自人员与系统的反馈，定位质量、结构或上下文仍然存在短板的地方。
可持续的运营模式，需要结合业务专家所有权、知识管理、治理、信息架构、内容工程、数据管理、安全以及人工智能运维。这些职能协同，维护权威知识，评估知识在真实业务场景中的表现，并根据业务需求变化持续优化。
结论：更出色的人工智能始于更优质的知识
企业人工智能的失败，并非仅仅源于模型本身的局限。它往往是因为底层知识从未为机器使用做好准备。人类可以弥补质量缺陷、推断结构、凭借经验补足上下文。人工智能却无法稳妥做到这些，尤其是当它被要求指导决策或是执行操作时。
企业只要建立起质量、结构与上下文，就能为每一项人工智能应用筑牢更坚实的基础。员工得到可靠指引。客户与合作伙伴获得一致答复。自动化系统可以支撑更复杂的工作，而不会逾越政策或权限边界。管理层有信心，人工智能运行所依据的规则与证据，和企业业务所遵循的规则与证据保持一致。
因此，最重要的问题不只是 “我们应当部署哪一个模型？”，而是 “我们的知识需要变成什么样子，才能让人工智能负责任地加以使用？” 回答好这个问题，会让知识管理从支撑性职能，转变为企业人工智能转型的一项战略能力。
扬・什蒂赫茨（Jan Stihec）是 Shelf 公司数据与生成式人工智能总监，在该公司主导企业智能体人工智能的创新工作。此前他曾任 SilverBrain.ai 数据科学主管，同时是约泽夫・斯特凡研究所研究员，主攻自然语言处理、信息检索与机器学习。他也是发表过多篇成果的研究者、国际演讲者，同时运营 YouTube 人工智能频道《Augmented U》，订阅量超 100 万。
相关链接
经典培训课程
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
书籍和资料
《卓越密码如何成为专家》
《你的知识需要管理》
免费电子书《企业知识管理实施的正确姿势》
免费电子书《这样理解知识管理》
