* 本文原創(chuàng)發(fā)布于差評孵化的商業(yè)財(cái)經(jīng)類帳號 " 知危 "

大模型時(shí)代，除了為 C 端用戶提供好用的對話模型，一些 SaaS 企業(yè)也把目光轉(zhuǎn)向了企業(yè)管理層面，簡單來說就是將 AI 帶入到企業(yè)的工作環(huán)節(jié)，通過搜索平臺鏈接公司內(nèi)部數(shù)據(jù)，幫助員工更好地搜索信息，從而提高工作效率。

但是很多企業(yè)依賴于本地部署的舊有系統(tǒng)，SaaS 企業(yè)需要時(shí)間整合可能是不同業(yè)務(wù)部門的系統(tǒng)，還要針對不同行業(yè)定制解決方案，增加了市場教育和產(chǎn)品適配成本。

那么，如果本來就是被廣泛使用的一站式辦公協(xié)作平臺，內(nèi)嵌一個(gè)自己的 AI 問答工具，對于企業(yè)來說，是不是更高效，用的更爽呢？

于是，飛書帶著它最新的 AI 功能——知識問答來了。我們第一時(shí)間嘗試了這個(gè)功能。

由于官方提到它能根據(jù)用戶在飛書上的權(quán)限，訪問消息、文檔、知識庫、文件等信息，給出精準(zhǔn)答案，我們用了不同部門和級別的同事飛書賬號進(jìn)行了測試。

先看一個(gè)簡單的需求場景：公司資料檢索。以往需要搜索差旅標(biāo)準(zhǔn)、打開文檔、仔細(xì)閱讀并找到相應(yīng)信息，有了知識問答，只需要一個(gè)提問就全搞定了。

以此類推，有了這個(gè)能力，員工在學(xué)習(xí)企業(yè)文化、檢索公司資料、了解公司制度和流程時(shí)，就能省出不少時(shí)間。規(guī)模越大的公司，這樣的檢索能力優(yōu)勢體現(xiàn)得越明顯。

我們還發(fā)現(xiàn)，在知識問答里提問，往往不需要精準(zhǔn)描述問題。

就像前一天在一堆消息里，同事好像瞄到了一眼當(dāng)天推送文章的次條頭圖（ 封面圖 ），但當(dāng)時(shí)忙著手頭的事，后面壓根想不起來是在哪兒看的。

換做以前，需要挨個(gè)群點(diǎn)開聊天記錄找半天，如今直接在知識問答里問，它在快速定位后，還順手把圖片發(fā)給了我們。

當(dāng)然，面對大家頭疼的日報(bào)、周報(bào)、月報(bào)，我們也沒落下測試。

除了有幾個(gè)小問題由于語音識別有失誤，基本都能把工作給盤全了，甚至還把一些重要項(xiàng)目的時(shí)間節(jié)點(diǎn)也準(zhǔn)確概括出來。

有點(diǎn)拉高本司月報(bào)水平的味道了。

這些內(nèi)容，大部分同事都能通過知識問答搞定，那么涉及到更高階的問題，甚至提出解決方案，效果怎么樣？我們使用了權(quán)限更高的負(fù)責(zé)視頻業(yè)務(wù)的同事的賬號。

同樣的一個(gè)問題，飛書會(huì)按照每個(gè)人在企業(yè)里的職位差別，獲取到的數(shù)據(jù)權(quán)限不同，各自按權(quán)限生成滿足各自需求的專屬答案。

比如，同樣問公司營收多少，普通員工就只能知道個(gè)大概幾位數(shù)營收，而管理者不但能知道準(zhǔn)確數(shù)字，還能看到各個(gè)部門具體營收、占比等等。

當(dāng)然，一些奇怪的問題它也會(huì)拒絕回答。

必須要提一嘴，知識問答屬于飛書的進(jìn)階功能，在企業(yè)級知識問答場景中，由于信息抓取來自內(nèi)部信息，它需要企業(yè)使用了一段時(shí)間飛書，員工減少習(xí)慣本地存儲的慣性，有一定的知識沉淀和基建設(shè)施，比如文檔、消息、會(huì)議記錄、圖片、視頻等，才能讓知識問答有條不紊的抓取和判斷信息，輸出精準(zhǔn)有用的答案。

知危編輯部平時(shí)不管是開會(huì)記錄、同事溝通，還是稿件創(chuàng)作，只要是工作上的事兒，基本都在飛書上搞定。

當(dāng)有一定的知識沉淀之后，用好知識問答很依賴于 " 會(huì)提問 "。

比如 " 梳理知危編輯部今年的選題，提煉關(guān)鍵詞并分析可以重點(diǎn)開拓的企業(yè)或選題方向 " 這樣的問題，實(shí)際上權(quán)限需求不高，但是對于編輯有重要的參考價(jià)值，知識問答的回復(fù)不僅給出了成功選題和低效選題，還給了具體的開拓方向和建議。

這其中有些內(nèi)容我們壓根沒有意識到，當(dāng)懷疑是 AI 的幻覺時(shí)，我們查詢了判斷來源，發(fā)現(xiàn)原來是跨部門同事分享中的一個(gè)很小的數(shù)據(jù)。

由于我們公司更偏向類似于報(bào)社這樣扁平的內(nèi)容崗位為主的企業(yè)架構(gòu)，我們也咨詢了一些同樣在飛書上的零售企業(yè)，看看它們使用知識問答到了什么階段。朋友表示用的比較多的是總結(jié)周期內(nèi)的工作內(nèi)容，寫日報(bào)用；或者出了問題不知道找誰，先來問問答案，更像一個(gè)工作助理。

當(dāng)然目前的知識問答也還存在一些局限，比如飛書內(nèi)部生態(tài)資料的互通還不夠，像是日歷行程、多維表格等數(shù)據(jù)，還在打通的路上，隨著調(diào)用的大模型能力不斷升級，飛書的知識問答上限將會(huì)在未來不斷提高。

在知危編輯部看來，知識問答的潛力還遠(yuǎn)遠(yuǎn)沒有發(fā)揮，除了直接的提高個(gè)人工作效率之外，它還有非常多進(jìn)階的玩法等待人們?nèi)ラ_發(fā)，去問，甚至輔助使用者作出決策和趨勢預(yù)判。

其實(shí)，真正的知識問答應(yīng)該是像滾雪球一樣知識沉淀越來越多，問答效果越來越好的，其實(shí)除了技術(shù)層面的支持，也需要企業(yè)人才之間的共創(chuàng)，從而創(chuàng)造更大的價(jià)值。

另外，企業(yè)內(nèi)部知識和外部公網(wǎng)知識的融合或許也是一個(gè)挑戰(zhàn)，當(dāng)兩種知識之間存在差異或沖突時(shí)，如果無法有效融合，會(huì)顯著降低回答的可靠性和實(shí)用性，怎樣在不同模態(tài)間建立準(zhǔn)確的語義關(guān)聯(lián)，并有效融合內(nèi)外部知識，是提升回答可靠性和實(shí)用性的關(guān)鍵，這也考驗(yàn) Agentic RAG 的可控性。

拋開知識問答，我們想談?wù)?AI 時(shí)代的企業(yè)數(shù)字化和企業(yè)知識的管理面臨什么樣的困難，首先還是要先實(shí)現(xiàn) AI ready，用上像飛書這樣的產(chǎn)品，實(shí)現(xiàn)企業(yè)系統(tǒng)和數(shù)據(jù)的充分整合和沉淀，先把 " 水 " 儲夠，最終才能獲得 AI 的收益。

或許最主要的還是人，來自于組織文化與人才能力的制約，與時(shí)代發(fā)展無關(guān)。類似知識問答的搜索基礎(chǔ)版本在 2010 年左右就曾推出過，比如 IBM Omnifind。可以認(rèn)為，大模型的應(yīng)用是技術(shù)的飛躍式發(fā)展，但是場景并非新鮮。

從組織來看，本身的部門壁壘其實(shí)直接影響知識的流動(dòng)，某種程度正是這種企業(yè)權(quán)力結(jié)構(gòu)，才形成了數(shù)據(jù)護(hù)城河，或許飛書知識問答這樣的工具會(huì)反向檢驗(yàn)企業(yè)架構(gòu)的合理性和壁壘程度。

另外，復(fù)合型人才的密度影響企業(yè)知識的質(zhì)量。因?yàn)榧榷畼I(yè)務(wù)又通技術(shù)的團(tuán)隊(duì)往往擁有更多的權(quán)限，能夠在日常工作中沉淀更多的知識和經(jīng)驗(yàn)，從而反哺知識庫，他們的存在像橋梁一樣，能物理意義上降低優(yōu)質(zhì)知識的獲取門檻。

說到底，有了知識問答這樣好的生產(chǎn)力工具，只是企業(yè)在 AI 時(shí)代實(shí)現(xiàn)數(shù)字化的第一步。

撰文：Rick