随着企业纷纷部署AI，这项技术正暴露出一个多年来被许多组织刻意回避的问题：它们的知识管理一团糟。

知识管理——即企业组织、维护并使其业务信息可被访问的流程——长期以来被视为后台职能。然而，当AI工具直接调用知识库来服务客户时，底层信息的质量已成为一线关注焦点。

“行业正在用惨痛教训认识到，大语言模型就像一台出色的引擎，但知识是燃料，”数字采用平台WalkMe的全球现场CTO兼高级副总裁KJ Kusch表示，“如果你往油箱里倒污泥，车哪儿也去不了。”

部分原因在于，忽视知识管理的后果已变得更加严重。在AI出现之前，杂乱的知识库意味着员工需要花费额外时间寻找正确的文档。但现在，一个维护不善、基于过时政策的知识库，可能导致AI在几秒钟内向数千名客户提供不准确的答案。

许多组织认为，它们可以将分散的知识源聚合起来，通过向量化（一种将信息转换为AI可读格式的过程）喂给AI。但如果不先调和相互冲突的信息，这样做只是让AI接触到同样的混乱。

“我们解决了检索问题，但没有解决数据清洁问题，”TELUS Digital旗下Fuel CX副总裁Mitch Lieberman表示。

挑战的规模相当可观。据云内容管理提供商Box的首席客户官Jon Herstein称，大约90%的企业数据存在于非结构化内容中——合同、图片、发票及其他文档——这使得为AI组织这些数据既困难又昂贵。

当人工客服遇到矛盾信息时，他们可以运用判断力找出正确答案。但AI无法扮演这种裁判角色，因此必须在部署前解决不一致问题，而不是事后补救。

这对客户体验有直接影响。如果没有统一的知识库，AI代理可能会根据过时政策告诉客户可以退款，随后人工客服却告知不再允许。这种不一致可能彻底侵蚀客户对自动化渠道的信任，并迫使他们转向“昂贵的人工专属支持”，Kusch说。

整合知识

一旦企业清理了知识源，就需要将其整合。

据IBM Consulting全球首席设计官Billy Seabrook称，投资整合分散知识源的组织，其解决时间更快、跨渠道答案更一致，个性化程度也更高。

组织需要一支专门团队专注于内容集中化，因为“这不会自行发生”，Deloitte Digital的负责人兼营销战略与转型领导者Katie Denlinger表示。她还建议将知识的定义从正式文档扩展到客户服务互动、聊天记录和支持工单中的洞察。

将信息结构化为尽可能小的单元，而不是将整个文档喂给AI，也有帮助。例如，将退款政策拆分为资格、时限和方式等独立块，可以让AI只检索相关内容，而不是扫描数千字，从而提高准确性和速度。

治理也应成为优先事项。清晰的归属、审批流程和定期内容审查有助于长期保持准确性，而搜索查询和升级率的分析可以揭示知识缺口所在。知识管理需要持续支持，不能被视为一次性举措。

此外，专家警告不要将知识管理主要视为技术问题。有效的知识管理需要与真实客户需求相一致的策略，并持续收集关于哪些有效、哪些存在缺口的数据。

“科技行业一直在混乱的知识之上叠加新工具，依赖员工绕过笨拙的工作流程，并在知识冲突时‘扮演裁判’，”Lieberman说。现在，许多企业正在将这些信息向量化以供AI使用，希望技术能带来秩序，但这“并不能解决信息清洁问题”，Lieberman补充道，“你不能只是向问题扔技术。”

Kusch还建议企业在AI系统中构建“置信度阈值”——当系统对答案的置信度低于设定水平时，编程让AI升级给人工处理——以在知识基础设施成熟期间保护品牌完整性。

人的因素同样重要。

“这需要让一线员工信任并贡献于系统，这意味着要投资培训，并让工具足够直观，使人们在实际工作中真正使用它们，而不是将其视为事后补充，”Kusch说。

专家表示，知识管理应被视为一项基础能力，必须在尝试叠加代理式AI之前就位。

“对知识架构的深思熟虑的投资，可以决定AI是真正服务好客户，还是表现不佳。这是一个持续努力能创造真正竞争优势的领域，”Seabrook说。