散落各处且AI“读不懂”的企业文件 如何被“盘活变现”

21世纪经济报道记者 黄子潇 深圳报道

当AI 大模型逐渐在多个行业落地，一个现实问题浮出水面：能 “读遍全网” 的大模型，却读不懂企业的业务知识、专属经验。

对于许多金融机构而言，几十年来的业务知识和经验，散落在邮件、项目报告、会议纪要、合规文件中，且以云盘、文档、OA、视频等形式储存，无法转化直接支持业务的资源。

业内人士表示，AI大模型+企业知识库，则是一种新兴的解决方案。

不过，若落到在金融场景中，金融业对安全合规性和信息时效性称得上是“苛刻”的需求时，这一方案又将面临更多挑战。

据相关研究报告，2024年全球知识管理软件市场规模已达到200亿美元级别。

尽管大模型迭代速度惊人，但落地到企业场景时，却常会 “水土不服”。

“两天不说大模型，都觉得自己落后了。” 某头部券商人工智能团队负责人向记者表达了这一行业焦虑。

对于他所在的证券行业，感受尤为深刻。证券业人员密集，工作量大，容易误报，每天都要处理海量文档 —— 一份招股说明书动辄几百页，单位遗漏、股价上下文不一致等问题时有发生；投研方面，分析师撰写研报需翻阅数十份资料，但直接应用大模型，则有两个明显的问题——幻觉和知识过时。

若大模型“一本正经地胡说八道”，也无法及时更新最新讯息、行业政策，对于合规严苛、注重时效性的金融业而言是无法接受的。

“通用大模型就像一个刚毕业的大学生，经历了号称读遍全国图书馆的知识量，但依然读不懂企业内部的特有知识和制度。”腾讯乐享知识库产品专家杨志强表示。

而要解决从通用到专属的GAP，“AI大模型+企业知识库”或是一种可行方案。

所谓企业知识库，指将企业多年经营汇总积累的结构化知识集群，进行集中存储和管理的信息系统，涵盖企业文化、培训资料、客户资料、市场资料等多元内容。 

事实上，企业知识库并不是一个新的赛道。

某银行深圳分行信息科技部负责人向记者表示，早期该行的企业知识库主要应用于法律法规、规章制度的检索。但AI大模型兴起后，今年就将该系统进行了重构，需要通过RAG的技术做精准的问答。

除去大模型以外，杨志强表示，新员工本身亦需要企业知识库。

在腾讯云与银行、券商的接触中，不少成立数十年的金融机构高管曾抱怨，除了赚了很多钱，三十年积累的大量经验、业务知识是否能留下？

对于一个金融机构而言，并不希望新员工从零开始学习，而是希望每个员工站在组织的智慧高地上，站在前人经验基础上继续进化。对此，需要解决当前知识散落的问题，实现知识的体系化统一管理。

正是“大模型不懂企业”、“新员工从零开始”等行业痛点，让AI+企业级知识库模式从幕后走向台前。

金融机构在这场变化中的参与颇为积极。

腾讯云副总裁答治茜将金融行业称为“行动最早、对知识库理解最深的行业之一。”

中金公司人工智能团队负责人雷涛向记者表示，中金将散落在邮件、个人电脑和不同的业务系统中海量的研究报告、会议纪要、项目文档、合规文件汇总到乐享知识库，分析师可以利用 AI 快速提炼核心观点，让分析师可以把精力放在更高阶的洞察上。据悉，目前中金公司已将知识库应用在小金个人助手、 中金智阅、中金点睛等产品上。

而金融业在应用大模型时，一是对于安全与合规的要求更高；二是对问答准确性和严谨性的要求极高。这涉及“AI幻觉”“数据过时”“权限管理”“系统集成”等问题。

答治茜表示，大模型有幻觉，即“它不知道自己不知道”，知识库就能比较好解决幻觉的问题，避免大模型自行创造知识。对于“数据过时”问题的解决办法，他表示，企业知识库设置了“有效期”的概念，为了让垃圾信息“死亡”，以免干扰的模型判断。

同时，由于监管规定，金融机构不仅需要知识库实现私有化部署，还要具访问的全链路安全、精细化的权限管理等。

其中，权限管理是一个较为棘手的问题，即实现例如只让产品团队查看定价文档，销售团队无权访问等。

对此，乐享对不同层级的员工，能获取的知识范围进行严格划分，满足多层级的授权管理，并且通过企微访问。同时，使用大模型问答的时候，权限也要保持一致。

这背后的技术，包括多级权限管理体系、防泄漏水印、审计功能等能力。

“这是腾讯内部运转了十几年后，再开放给企业的成熟方案。”答治茜表示。

腾讯乐享总结了理想的企业知识库的五个特点：触手可及、智能运营、安全合规、精准严谨、开放协同。

根据咨询公司Grand View Research报告，2024年全球知识管理软件市场规模估计为201.5亿美元，预计到2033年将达到621.5亿美元，期间复合年增长率（CAGR）将达13.6%。市场增长主要源于企业对信息挖掘、无缝协作、智能决策的需求。

“国内市场规模在大几十亿到百亿元间。”答治茜向21世纪经济报道记者表示。

他表示，目前知识库领域分三大类型：一是传统知识库，主要为OA厂商延伸出来的知识库场景，以管理为核心；还有一类是AI Infra（AI基础设施）厂商延伸出来的知识库，开始以模型为主，后面也进入知识库领域；第三类是从IM（即时通讯）领域延伸出知识库，比如说腾讯乐享。据他估计，第一类大的年化增长约为10%，后面两类年化增长约为40%。

答治茜向记者透露，今年前三季度，腾讯乐享新签订单同比增长超过100%。

作为一款ToB产品，他给出了两个企业客户画像，一是主要为“知识密集”的企业。比如金融、高端制造、生物医药、科研高校，在这些行业，知识的更新速度快、复杂度高、合规性要求严。

二是“知识价值大”的场景，即一线员工对知识的掌握程度，直接且迅速地影响着公司的收入和口碑。最典型的就是销售和客服。

“在这些场景，知识库的价值是可以被直接量化为商业结果的，因此付费意愿也最为强烈。”他表示。

此外，对于企业知识库和金融专属模型（如BloombergGPT）两种技术路径的差异，他表示，前者类似“大脑+课本”模式，先自行训练或采用一个大模型，再通过RAG技术，为其“通才”配备一个庞大的、实时更新的金融知识库，优势是成本可控、灵活性高；后者类似“科班出身”模式，研发和训练门槛较高，需要高质量的私有数据，优势是专业精度更深。

不过，“AI+企业知识库”仍在发展中。某银行信息科技部人士向记者表示，一个问题是“上线很快，用起来很漫长、很艰难”，例如使用率不高、返回的知识不是想要的等典型问题，总行、分行、部门、个人都有这个痛点，这还需要半年一年的时间去打磨调优。

同时，某券商AI团队负责人表示，该模式并没有真正意义上直接对外。对客、对外的内容必须有人工辅助审核。即便是对内场景，则需要看各个部门的容忍度，例如法律问答功能，该券商法律合规部的人员都参与进来标注数据，直至做到70%以上准确度才允许上线，