AI 知识库和普通知识库，差的不是那个搜索框

我把搜索框换了，第 6 周使用率掉到每周 3 次

AI 知识库和普通知识库的差别，不在能不能提问，而在内容从哪来、谁来维护、答不出来时怎么收场。

去年 8 月，我带着 9 个人的团队，把用了 2 年的 Wiki 换成了 AI 知识库。上线第 1 天，同事对着输入框问上季度的退款规则，5 秒就出了答案，那天下午 3 个人轮流试了 10 多个问题，连平时最抗拒新工具的财务也点头说省事。我当时松了口气，觉得知识管理这件事总算翻篇了。

第 3 周就出了岔子。有人问 2023 年一个老客户的特殊条款，AI 答得很顺，数字却是编的；隔天另一个人问同一件事，它又换了个说法，两份答案对不上。团队开始绕开它，使用次数从第 1 周的 40 多次，掉到第 6 周的 3 次，团队里有人说还不如直接搜邮箱，行政也问我要不要干脆退掉。

我复盘了很久才承认，我换的是一个更聪明的搜索框，没换内容的生产和维护方式。原来 Wiki 里那 300 篇文档还是 300 篇，写的人还是我一个，答不上来的地方还是空的。搜索框再快，也搜不出没人写过的内容，这句话我后来跟 5 个同行说过，现在回头看还是这个理。

所以这篇不讲哪个产品更好，只讲我踩过的 3 道分水岭：内容从哪来、谁在维护、答不出来时怎么办。我们前后折腾了 3 个月，换了 2 套方案，中间还停用了 2 周，团队也跟着折腾了两轮，才把这三件事分开看。想清楚之后，工具选型反而是最后一步，也最容易的一步。

第一道分水岭：内容是自己写的，还是干活时留下的

普通知识库从零生产内容，AI 知识库先消化存量，启动成本的差距在这里，不在模型。

老 Wiki 的 300 篇是怎么来的？我花了 2 个周末搭框架，自己先写了 20 篇，定价、交付、常见问题，一篇篇码出来。那 20 篇我写得最认真，也最没人看。第 3 个月开始，每月新增不到 3 篇，第 6 周之后彻底停更，一篇都没补，谁也没提意见。写文档对每个人来说，都是工作之外的第二份活。

我查过后台，那 300 篇在 3 个月里被打开的次数加起来只有两位数，常看的就 3 个人，还都是写方案时顺手翻两眼。剩下的时间它安静地躺在收藏夹里，像一个没人维护的公告栏。现在想想，那 300 篇里真正有用的不到 30 篇，剩下的多是废稿，我一个人既是作者，也是唯一的读者。

后来换了个思路。我们 9 个人干了 4 年，报价、承诺、返工原因全在邮件里，我自己的收件箱就有 2 万多封。我数过，一个客户从询价到签合同，平均来回 47 封邮件。麦肯锡说员工约 28% 的时间花在邮件上，我对照过，只多不少，一天 70 封起步。这些内容早就写好了，缺的只是一层索引。

Gartner 估算企业 35% 到 40% 的数据从未被有效利用，我看我们的邮件就是那 40%。第一道分水岭因此很清楚：一个要求你先写，一个先去读已经存在的。内容来源决定了启动成本，也决定了这件事能不能活过 3 个月。我们后来只做了一件事，让这些邮件能被问出来，而不是继续催稿。

第二道分水岭：维护的人，是不是天天用它的人

普通知识库靠专人盯着，AI 知识库把维护拆进日常，责任不清的话，两边都会很快烂掉。

我们设过一个知识库管理员，兼职，每周给 4 个小时。前 2 个月还行，第 3 个月他调去带项目，库就停在那了。他走后第 2 周，新人问一个老条款，全组又卡了 1 个小时，最后还是打电话问的他。Workplace Intelligence 有个调查，42% 的管理者担心关键员工离职把知识一起带走，我们那次就是活例子。

普通知识库的维护，说白了是催稿、审稿、删过期内容，这 3 件事都不直接产业绩。催 10 个人交 10 篇，能收回 4 篇就算不错；过期的条款没人敢删，怕删错。我试过自己扛，坚持了 6 周就放弃了，理由是自己也忙。时间一长，管理员成了全公司最不受欢迎的角色，换谁都不想接。

AI 知识库不是不用维护，而是维护的动作变了：管权限、划范围、打标签、抽查答案，每天 20 分钟能做完。它不需要一个专职岗位，但需要一个明确的人对答案负责，否则错误会安静地累积，等到客户指出来就晚了。权限给错一次，客户名单就可能漏出去，这个风险得有人兜，别指望模型自己管。

我们现在的做法是每月抽 20 个真实问题，把答案和原文对一遍，错一次就补一条规则。这个抽查我们做了 4 个月，答案准确率从 7 成提到 9 成。普通知识库怕没人写，AI 知识库怕没人校对，这句话我贴在工位上。维护从写文档变成了校准，工作量小了一半，但躲不掉。

第三道分水岭：答不出来时，是空白还是硬答

普通知识库答不出就给空白，人知道换地方找；AI 知识库答不出常常硬答，代价高得多。

老 Wiki 搜不到东西，页面就是 0 结果，我们都清楚该去问谁。这个体验不好，但它诚实。你会转身去找负责的老周，花 10 分钟问清楚，而不是拿着一个错答案去回客户。我们那 2 年，靠这个笨办法躲过至少 3 次错报价，也没人追责。空白至少不会骗人，这一点我以前没当回事。

AI 那次差点让我报错价。客户问 2022 年的续费折扣，它给了 8 折，实际条款是 85 折，一单 12 万的合同，5 个点就是 6000 块。那一单的利润也就 8 个点，报错 5 个点等于白干。我是在发出去前多看了一眼原文，又在邮件里翻出原条款，才没出事。从那以后，我对没有出处的答案一律不信，宁可多问一句。

后来定了 3 条硬规矩：答案必须带原文出处，点开能看；找不到就直说找不到，不许猜；涉及价格、合同、承诺的问题，必须人工复核一遍。规矩不多，但每一条都是踩过坑之后补上的，现在团队问完都会顺手点一下出处。规矩贴在群里，新人也一样，谁违反谁返工，没有例外。

这也是我后来选工具的标准。牛油局在浏览器本地处理邮件数据，只有调 AI 的时候才发送必要的上下文，原文不上传服务器，不用了一键删除。它答不出时会告诉我哪几封邮件最接近，而不是硬编一个结论。这一点，比回答得快重要得多，我宁愿它慢 10 秒，也别给我一个漂亮错答案。

有些场景，普通知识库才是更合适的选择

内容要审批、要对外、要版本留痕，或者团队不到 5 个人，普通知识库更省事，也更稳。

第一种，内容需要审批和版本管理。我们 12 份对外文件，报价模板、交付规范、合规声明，至今仍放在 Wiki，因为每改一次都要留痕、要签字。去年审计要查 2 年前的版本，我们 10 分钟就调出来了，版本号一直是连续的。AI 问答适合找答案，不适合当这类文件的唯一入口，出了事也没法倒查。

第二种，团队太小。4 个人、50 篇以内的资料，人脑就是索引，喊一嗓子比搭系统快。给 3 个人配一套 AI 知识库，光整理权限和导入资料就要 2 天，之后每周还得花时间核对。我们算过，3 个人用 AI 知识库，每月省下的时间不到 2 小时，还不如把那份资料整理清楚，这笔钱花得冤。

第三种，问题本身要精确计算。查合同金额、算返点、对账，这些交给表格和系统，AI 只负责帮你找到那张表。上个月就有一笔返点算错，AI 给的数和表格差了 1 个点，幸好财务核了一遍。我们财务每月对账 200 多笔，这类活从来不经过 AI，出错概率比人高，而且错得很自然。

所以我们最后没有二选一。12 篇规范留在 Wiki，4 年的邮件交给牛油局做检索，两个入口各管一段。现在新人入职第 1 天，我先给他两个入口的说明，1 页纸，也没做培训，剩下的靠边干边问。第 2 个月，团队每天的问询回到 20 多次，新人上手从 3 周缩到 5 天。工具没有胜负，场景才有。

相关阅读