1 你的公司可能需要一個 AI 水龍頭
還記得多年之前，我在某大廠工作的時候，從錯綜複雜盤根錯節的文件裡，壓根梳理不出一個產品的迭代歷史，過去的專案資料也都分散各處，更不用說記錄不完整了。到處打聽，找到一個工作了 13 年的老員工，請喝了一杯咖啡，才淘到真的寶。
這件事兒給我留下的印象很深刻：對於這種有年頭的企業來說，人才最重要的價值，除了在專案中的產出，還有一個重要的方面：他們腦子裡儲存的那些包含了大量專案經歷、使用者場景和行業經驗的知識資訊。
人走了，但是他們曾經腦海中的所有資訊，無論是文件、會議記錄，哪怕是專案流程裡的一句話，這些都是有價值的痕跡。
雖說提到數字化時代，要做好的知識管理，但許多企業依舊停留在把文件堆成山的階段：本地 Word 和 Excel、群檔案、專案摘要、會議記錄，等等，沉澱混亂，呼叫困難。這也不是企業意願的問題，而是做起來的確很難。
這兩年的 AI 新浪潮到來，終於能看到優質解法的可能性，不再依賴大量的人力整理和繁瑣的步驟，用更簡便的方法，就能管理好知識了。
今天飛書推出了一個產品，飛書知識問答。
這個產品是我第一次看見企業場景的 AI 問答落地。
如果企業裡面的資訊能夠「活」起來，你想要找的時候，都能找到，那「儲水」才變得有意義。
如果一家公司使用上了 AI ，最好的結局並不是讓人變懶，而是讓組織變得更聰明。
從意向上來說，就如同在複雜的供水系統中，接入了一個個水龍頭，開啟即用。更重要的是，不同人取用的方式，也可以做出區分。能真的用我們飛書裡的有許可權的資訊，在需要的時候，開啟水龍頭，讓水自己流出來。
重點是，這個「儲水」的過程得自然。如果需要一個個 PDF 喂 、每天處心積慮地教，那也很累，無法長久堅持。反而如果每天處理資訊就在飛書上，這件事就會變得簡單。
在此之前，大家通常認為團隊堅持文件優先的協作方式是最正確的選擇。包括我自己的播客，也會用妙記，用文件的形式進行寫作。因為有了 AI 的加持後，過去散落在文件、群聊、日曆、會議等場景中的資訊，就可以從沉睡的資料變成每個人都可以隨取即用的企業資產。
在工作中遇到問題時，可隨時向它提問，能根據我們在飛書上有許可權訪問的所有訊息、文件、知識庫、檔案等資訊，直接給出精準答案。同時，我們還能借助它，基於企業知識進行內容創作，獲取深入的業務洞察。
2 水龍頭光裝是不行的，得能流出水：場景落地才是關鍵
飛書問答的場景是落地的。能用才是關鍵，行不行先看效果。
無論對於管理者還是對於員工，乃至對於個人，都可以體驗到這些：
-
專案進展：不用再有大量的無意義的週報整合工作，而是依據群聊、週報、會議紀要，自動生成一覽報告，並把關鍵風險高亮。同時還可以追溯來源。而不是反覆跟下屬確認，下屬再跟下屬確認，層層套娃。
-
業務指標隨手查：從不同的維度，隨口一講，就可以自動摘取，比如，某某業務 12 月的銷量，繼而同比環比詳解一次性呈現。
-
模糊記憶精準匹配：不用準確的關鍵詞，模糊說出問題，知識問答就可幫我們匹配到工作中收到的資訊。中間會檢索所有會議的智慧會議紀要、會議紀要逐字稿，我們每個人經歷的會議上的每句話都可以被回顧到。這相當於是一個私人工作助理。
-
助寫工作文件、獲取業務建議：知識問答可結合海量企業知識、透過深度推理，為我們的業務相關問題提供建議，甚至直接幫助我們起草一份文件。
之所以飛書能夠成為這個水龍頭的取水之處，自然因為飛書有著充分的水源——我們不用不斷給知識庫輸入資訊和知識，而是自然工作、正常生活，就能在飛書中積累下足夠多的資料資料。訊息、文件、會議紀要、日曆、服務檯等等，是一個自然沉澱的過程。
3 toB 的技術底座
toC 和 toB 在技術應用層面，實際上有不同的技術底座。
飛書知識問答採用的是經典的 RAG（Retrieval-Augmented Generation）路線：先在有權讀取的內容裡檢索，再讓大模型生成答案，所有出處可追溯。內部知識是主菜，外網資訊是輔料，兩套通路融合，也可以自行選擇，更加靈活有效。
就像我們熟悉的 AI Chat 工具裡常見的額外選項一樣，飛書問答裡多了一個「使用知識」。這指的就是內部的知識。
技術層面，基於「同事」和「人」的反饋，可定位到精準同事和負責人，相關對話、文件、檔案，模糊搜尋即可準確定位。
對於不同文件格式的整理和融合，也有不同的技術要求，包括需要改寫碎片化資訊、解析傳統文件、處理雲文件中的不同格式和許可權問題等。
要實現這些技術，並非易事。拿許可權舉例。飛書問答需要嚴格按照許可權管理和生成內容，每個使用者可生成的內容都依據其許可權處理，根據自己掌握的許可權範圍生成內容，即一名普通員工、一名業務總監，CEO 提出同一個問題，所生成的答案需要完全不同。
看似簡單，由於本身存在基於知識庫許可權、群許可權、服務檯詞典許可權，在整合這些知識的過程中資料有著錯綜複雜的關係。為了保護企業資料安全，企業資料不會用於訓練模型，因此要做全量資訊的檢索，防止錯漏，這其實是一種考驗。
AI 現在最大的問題不是模型本身有多強，而是很難獲取到足夠多、足夠相關的上下文資訊，也就是資料的沉澱和系統的整合。
在 AI 應用場景的時代，垂直領域都會有全新的技術中間層，滿足通用型 AI 無法滿足的場景。這是垂直領域的壁壘成立的關鍵。
4 為 AI 做好準備
雖說 AI 來了，分散的知識可以整合，但前提依然是需要企業能夠為 AI 做好準備。重點是四個方向：
-
第一，大模型的準備。底層的技術支援。
-
第二，資料的沉澱。飛書本身就能夠支援企業做好絕大部分場景下的沉澱。
-
第三，系統的整合。飛書也可以幫助企業更有效地整合企業內那些孤立的、分散的系統（ERP、CRM、財務等等）。
-
第四，人和 AI 意識的儲備。要沉澱出知識庫，企業中的人也需要有意識。飛書的經驗也能成為「知識庫的知識」。
知識庫的質量，有這樣一個公式：
知識庫質量 = （知識質量 × 員工提問能力）^ 技術能力
把知識放到池子裡，同時讓員工有對知識使用的意識，才能讓 AI 的發揮事半功倍。
在我看來，未來的 AI 知識管理，顯然不是給員工配一個 ChatGPT 或者 DeepSeek 的賬號，讓大家投餵資料，然後就能直接用了。
未來的知識管理，應該是高效的企業工具 + AI，需要把組織的工作流沉澱的資料自然外化——AI 應該會自學、會旁聽會議、會寫週報。員工扮演的角色，更多會從「資訊搬運工」變為「資訊篩選與決策者」。
使用像飛書問答這樣的產品，理想的未來應該是：
-
新人可以沒有擔憂地第一天就展開工作——所有概念定義和相關歷史追溯，都能一句話問到，當下就能上手進行下一步。
-
銷售在與客戶溝通時，對於產品引數的疑問，幾分鐘內就能根據銷售的許可權以及歷史材料，得到建議的回覆話術。
-
一次專案的覆盤，不用在蒐集資料上就先耗費很多人很多天的精力，而是即時都能透過提問，得到不同維度的呈現，還能生成相關的表格和參考資料。
而對於企業來說，這才是真正擁有了自己的核心資產，有了不會輕易流失的經驗知識。
——
想試用的朋友，在飛書中搜索「知識問答」即可。也可訪問ask.feishu.cn進行申請。
題圖由 Midjourney 繪製。