KMWorld《利用智能体 AI 提升生产力》报告详细总结

这份出自 KMWorld 的清单报告，由 Marydee Ojala（KMWorld 主编）撰稿，Shelf 公司 Data & GenAI 总监 Jan Štihec 提供核心观点，核心主旨：

优秀的企业 AI 不取决于模型本身，而取决于具备 AI 就绪能力的知识与数据；企业应当以知识数据为底座构建智能体 AI（Agentic AI），而非优先追逐技术方案。

一、背景：智能体 AI 为知识管理（KM）带来机遇与风险

AI 正在快速渗透企业业务，给知识管理带来诸多正向价值：

1. 内部效率提升：AI 承接客服简单请求、日程安排、常规邮件回复等重复事务，释放人力处理复杂工作；AI 驱动搜索可定位知识库文件、生成摘要、做知识缺口分析，甚至辅助撰写文档。
2. 外部体验优化：AI 生成元数据、聊天机器人识别用户意图，帮助客户快速在企业网站获取信息。

同时存在显著风险：

• AI 无法像人类一样自行补全组织隐性背景，不能完全自动化，必须设置人为管控边界（guardrails）；缺少人为监督会带来错误输出、合规泄露等风险。
• 很多企业本末倒置：先追捧新技术，再去找业务场景，最终项目落地失败。

预测式 AI vs 确定性 AI

1. 预测式 AI：依靠历史数据、机器学习。生成式 AI 属于该类别，预测后续文本；智能体 AI（Agentic AI）更进一步，可以自主规划任务执行方案，并且根据环境变化调整行为。适合趋势预测、需求预测、风险识别。
2. 确定性 AI：严格遵循固定预设业务规则。法律、财务、税务等高风险场景必须使用，固定调取权威源输出标准化答案，不允许自由推演。

无论哪一类 AI，领域专家 SME 的参与至关重要：专家梳理业务决策树、定义流程，提升 AI 输出结果可靠性。

二、AI 信任离不开人为介入

1. 商业场景对 AI 准确度要求很高，税务、医疗、法律场景，80% 正确率就足以造成严重后果，必须人在回路（human‑in‑the‑loop），不能完全依赖 AI。
2. 行业可接受误差阈值各不相同：外科手术近乎要求 100% 准确，部分业务 97% 即可；生成式 AI 同提示词输出结果不稳定，很难直接统计准确率，需要人工评估建立基准。

三、AI 就绪（AI‑Ready）知识与数据的核心内涵

Jan Štihec 定义：AI 就绪知识打通人类可读内容与机器可消费知识的鸿沟；保留原始含义，同时把结构、上下文、业务规则、关联关系、边界条件显性化，让 AI 可以可靠检索、解读、应用知识。

企业现存大量为人类编写的存量知识：员工可以看懂术语、脑补缺失步骤、分辨过时文档；但 AI 没有组织记忆，不能随意脑补填补信息缺口。仅仅把 AI 对接知识库，无法实现可用 AI，冲突版本、模糊表述、仅存于人脑中隐性知识都会造成 AI 输出错误。

企业存量数据痛点

1. 脏数据、缺失信息、版本混乱、错别字，都会破坏 AI 检索输出质量；
2. 清理数据不是一次性工作，存在大量遗留旧数据，不需要全部改造为 AI 就绪；需要领域专家协助，区分哪些数据优先处理，哪些直接废弃淘汰；
3. 上下文是关键：需要把隐性知识显性化，把文档嵌入业务场景上下文；同时区分 AI 可以总结、推荐、自动执行、必须人工审批的边界。

现在大量知识库内容由 AI 生成，供 AI 机器人读取、大模型分析，这类内容需要常态化质量审核，否则会带来业务风险。

四、构建卓越 AI 的六大实操清单（报告核心清单）

1. 从业务目标结果出发，而不是从知识库出发

很多企业把全部文件全部接入 AI 平台，这是错误做法。

• 先明确 AI 要回答什么问题、完成什么任务、禁止做什么动作；再反推需要哪些知识素材。
• 举例：员工助手需要福利政策；IT 智能助手需要配置标准、故障流程；财务智能代理需要会计制度、审批阈值。
• 优先落地少量高价值用例，定义成功标准：准确度、完备度、一致性、时效性、合规性、可溯源。避免被海量过时资料淹没关键业务知识。

2. 在扩大访问范围之前，优先提升内容质量

AI 会同等放大优质知识和知识缺陷。过时、重复、矛盾的内容，经由 AI 自动化扩散后，会造成跨部门业务损害。

• 定位每一个业务主题的权威来源：明确内容审批状态、责任人、生效时间、复审周期；
• 消除内容矛盾，清理重复文档，区分草稿和正式生效资料；
• 保证内容业务完备性：政策不能缺少阈值、例外条件；流程不能缺少前置条件、安全约束，站在 AI 要支撑的业务决策角度校验内容。

3. 通过结构化把业务逻辑显性化

人类可以跨文档拼凑规则，但 AI 很难自动拼接分散在文档、表格、流程图中的业务逻辑。

• 将业务规则和前置条件、例外、依赖项、审批要求、输出结果绑定；政策关联对应流程、角色、地域、生效周期。
• 不需要全部转为数据库，构建独立知识单元，保留业务关联关系；一份权威知识，可以同时支持企业搜索、Copilot、自助服务、AI 智能代理等多个应用。

4. 补充 AI 无法自行推断的业务上下文

企业缩写、产品体系、部门差异、不成文惯例、特殊例外，AI 无法自行推断。

• 主动捕获上下文：定义术语别名；打通产品、合同、负责人、生命周期关联；记录地域 / 角色带来的业务差异；写明例外场景、审批人、所需佐证材料。
• 上下文不等于简单标签，标签仅帮助检索，上下文要解释约束、受众、违规后果；明确划分能力边界：哪些仅允许 AI 总结、哪些允许推荐、哪些自动执行、哪些强制人工复核。

5. 在知识调用使用环节保留治理管控

AI 便于消费知识，不代表可以放开管控。

• 权限、保密、知识产权、法规要求跟随知识本体流转；
• 建立溯源：AI 输出可以回溯到权威原始文档；保留版本、生效日期；内容迁移转换时保留权限；定义旧知识如何下线；高风险场景要求引用来源、置信度阈值、人工复核。
• 划分多方责任：知识所有者负责内容准确；技术团队负责接入检索；风险团队管控安全；业务负责人确定 AI 可以承接哪些决策，避免 AI 就绪变成纯技术项目。

6. 将 AI 就绪知识作为持续性工作，而非一次性项目

业务、政策、法规、产品持续变化，知识准备没有 “完成节点”。

• 将知识健康指标与 AI 性能挂钩：冲突未解决、超期未复审、重复文档、AI 低置信回答、错误来源于过时内容，都作为监控指标；
• 搭建可持续运营模型：联合业务专家、知识管理、安全、AI 运维多方角色，持续维护权威知识，随业务迭代持续优化。

五、报告结论

1. 企业 AI 失败，往往不是大模型能力不足，而是底层知识没有做好机器适配；人类可以容忍文档缺陷、脑补上下文，AI 不能。
2. 企业搭建 AI，核心问题不是 “选用哪个大模型”，而是“我们的知识要变成什么样子，才能让 AI 负责任地使用”。
3. 当企业具备高质量、结构化、具备上下文的知识底座，员工获得可靠指引，客户得到一致答复，自动化 AI 代理可以复杂作业且不越权；知识管理从后台支撑职能，转变为企业 AI 转型的战略能力。
4. 未来企业 AI 的竞争力，来源于把 AI 从零散试点拓展到全企业智能，而这一切建立在知识与数据优先的基础之上。

补充作者与机构信息

1. Marydee Ojala：KMWorld 杂志主编，多场行业峰会项目总监，长期主持知识管理、企业搜索相关行业活动。
2. Jan Štihec：Shelf 公司数据与生成式 AI 总监，专注 NLP、信息检索、企业智能体 AI。
3. Shelf 公司：主打以知识数据优先的理念，帮助企业搭建可信、可靠的企业 AI 系统。

相关链接

经典培训课程

花24小时学会搭建运营企业AI知识库?

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》

知识库知识管理系统

企业AI知识管理知识库软件系统清单
个人知识管理软件AI知识库系统清单