1 你的公司可能需要一个 AI 水龙头
还记得多年之前，我在某大厂工作的时候，从错综复杂盘根错节的文档里，压根梳理不出一个产品的迭代历史，过去的项目资料也都分散各处，更不用说记录不完整了。到处打听，找到一个工作了 13 年的老员工，请喝了一杯咖啡，才淘到真的宝。
这件事儿给我留下的印象很深刻：对于这种有年头的企业来说，人才最重要的价值，除了在项目中的产出，还有一个重要的方面：他们脑子里储存的那些包含了大量项目经历、用户场景和行业经验的知识信息。
人走了，但是他们曾经脑海中的所有信息，无论是文档、会议记录，哪怕是项目流程里的一句话，这些都是有价值的痕迹。
虽说提到数字化时代，要做好的知识管理，但许多企业依旧停留在把文档堆成山的阶段：本地 Word 和 Excel、群文件、项目摘要、会议记录，等等，沉淀混乱，调用困难。这也不是企业意愿的问题，而是做起来的确很难。
这两年的 AI 新浪潮到来，终于能看到优质解法的可能性，不再依赖大量的人力整理和繁琐的步骤，用更简便的方法，就能管理好知识了。
今天飞书推出了一个产品，飞书知识问答。
这个产品是我第一次看见企业场景的 AI 问答落地。
如果企业里面的信息能够「活」起来，你想要找的时候，都能找到，那「储水」才变得有意义。
如果一家公司使用上了 AI ，最好的结局并不是让人变懒，而是让组织变得更聪明。
从意向上来说，就如同在复杂的供水系统中，接入了一个个水龙头，打开即用。更重要的是，不同人取用的方式，也可以做出区分。能真的用我们飞书里的有权限的信息，在需要的时候，打开水龙头，让水自己流出来。
重点是，这个「储水」的过程得自然。如果需要一个个 PDF 喂 、每天处心积虑地教，那也很累，无法长久坚持。反而如果每天处理信息就在飞书上，这件事就会变得简单。
在此之前，大家通常认为团队坚持文档优先的协作方式是最正确的选择。包括我自己的播客，也会用妙记，用文档的形式进行写作。因为有了 AI 的加持后，过去散落在文档、群聊、日历、会议等场景中的信息，就可以从沉睡的数据变成每个人都可以随取即用的企业资产。
在工作中遇到问题时，可随时向它提问，能根据我们在飞书上有权限访问的所有消息、文档、知识库、文件等信息，直接给出精准答案。同时，我们还能借助它，基于企业知识进行内容创作，获取深入的业务洞察。
2 水龙头光装是不行的，得能流出水：场景落地才是关键
飞书问答的场景是落地的。能用才是关键，行不行先看效果。
无论对于管理者还是对于员工，乃至对于个人，都可以体验到这些：
项目进展：不用再有大量的无意义的周报整合工作，而是依据群聊、周报、会议纪要，自动生成一览报告，并把关键风险高亮。同时还可以追溯来源。而不是反复跟下属确认，下属再跟下属确认，层层套娃。
业务指标随手查：从不同的维度，随口一讲，就可以自动摘取，比如，某某业务 12 月的销量，继而同比环比详解一次性呈现。
模糊记忆精准匹配：不用准确的关键词，模糊说出问题，知识问答就可帮我们匹配到工作中收到的信息。中间会检索所有会议的智能会议纪要、会议纪要逐字稿，我们每个人经历的会议上的每句话都可以被回顾到。这相当于是一个私人工作助理。
助写工作文档、获取业务建议：知识问答可结合海量企业知识、通过深度推理，为我们的业务相关问题提供建议，甚至直接帮助我们起草一份文档。
之所以飞书能够成为这个水龙头的取水之处，自然因为飞书有着充分的水源——我们不用不断给知识库输入信息和知识，而是自然工作、正常生活，就能在飞书中积累下足够多的数据资料。消息、文档、会议纪要、日历、服务台等等，是一个自然沉淀的过程。
3 toB 的技术底座
toC 和 toB 在技术应用层面，实际上有不同的技术底座。
飞书知识问答采用的是经典的 RAG（Retrieval-Augmented Generation）路线：先在有权读取的内容里检索，再让大模型生成答案，所有出处可追溯。内部知识是主菜，外网信息是辅料，两套通路融合，也可以自行选择，更加灵活有效。
就像我们熟悉的 AI Chat 工具里常见的额外选项一样，飞书问答里多了一个「使用知识」。这指的就是内部的知识。
技术层面，基于「同事」和「人」的反馈，可定位到精准同事和负责人，相关对话、文档、文件，模糊搜索即可准确定位。
对于不同文档格式的整理和融合，也有不同的技术要求，包括需要改写碎片化信息、解析传统文档、处理云文档中的不同格式和权限问题等。
要实现这些技术，并非易事。拿权限举例。飞书问答需要严格按照权限管理和生成内容，每个用户可生成的内容都依据其权限处理，根据自己掌握的权限范围生成内容，即一名普通员工、一名业务总监，CEO 提出同一个问题，所生成的答案需要完全不同。
看似简单，由于本身存在基于知识库权限、群权限、服务台词典权限，在整合这些知识的过程中数据有着错综复杂的关系。为了保护企业数据安全，企业数据不会用于训练模型，因此要做全量信息的检索，防止错漏，这其实是一种考验。
AI 现在最大的问题不是模型本身有多强，而是很难获取到足够多、足够相关的上下文信息，也就是数据的沉淀和系统的整合。
在 AI 应用场景的时代，垂直领域都会有全新的技术中间层，满足通用型 AI 无法满足的场景。这是垂直领域的壁垒成立的关键。
4 为 AI 做好准备
虽说 AI 来了，分散的知识可以整合，但前提依然是需要企业能够为 AI 做好准备。重点是四个方向：
第一，大模型的准备。底层的技术支持。
第二，数据的沉淀。飞书本身就能够支持企业做好绝大部分场景下的沉淀。
第三，系统的整合。飞书也可以帮助企业更有效地整合企业内那些孤立的、分散的系统（ERP、CRM、财务等等）。
第四，人和 AI 意识的储备。要沉淀出知识库，企业中的人也需要有意识。飞书的经验也能成为「知识库的知识」。
知识库的质量，有这样一个公式：
知识库质量 = （知识质量 × 员工提问能力）^ 技术能力
把知识放到池子里，同时让员工有对知识使用的意识，才能让 AI 的发挥事半功倍。
在我看来，未来的 AI 知识管理，显然不是给员工配一个 ChatGPT 或者 DeepSeek 的账号，让大家投喂资料，然后就能直接用了。
未来的知识管理，应该是高效的企业工具 + AI，需要把组织的工作流沉淀的数据自然外化——AI 应该会自学、会旁听会议、会写周报。员工扮演的角色，更多会从「信息搬运工」变为「信息筛选与决策者」。
使用像飞书问答这样的产品，理想的未来应该是：
新人可以没有担忧地第一天就展开工作——所有概念定义和相关历史追溯，都能一句话问到，当下就能上手进行下一步。
销售在与客户沟通时，对于产品参数的疑问，几分钟内就能根据销售的权限以及历史材料，得到建议的回复话术。
一次项目的复盘，不用在搜集资料上就先耗费很多人很多天的精力，而是实时都能通过提问，得到不同维度的呈现，还能生成相关的表格和参考资料。
而对于企业来说，这才是真正拥有了自己的核心资产，有了不会轻易流失的经验知识。
