理解方法
先理解业务变化,再谈 AI Native
我们的观点:AI 的价值不止在于生成内容,更在于把企业知识接入实际流程。是否采用某种概念,应由业务效果决定
精选阅读
把 AI 用起来,也让它持续有用
从原公众号内容整理,给企业负责人和业务团队的实践建议
先看结论
不用一次改变整个组织
从一个能衡量的流程开始,让业务、知识与技术逐步形成闭环
先看问题
明确重复工作和经营目标,再选择工具
知识可用
让资料有版本、有负责人、有权限与来源
保留判断
让系统处理明确任务,让人负责例外和关键决策
实用阅读
三个问题,帮助你少走弯路
知核跃行整理 · 2026-10-30 · 以下为方法建议,不是项目成果报告
知识库为什么“有资料,却答不准”?
先检查资料是否有效,再检查是否找到了对应内容。例如同一售后规则有三个版本,即使回答流畅,也可能引用旧条款。
- 选出有明确答案的典型问题。
- 检查来源、版本和权限是否正确。
- 区分检索不到、内容冲突和回答错误。
- 把修正结果加入下一轮测试。
可以马上做:准备一组常见问题、正确答案和对应资料,作为初始验证集。
如何选择第一个 AI 试点?
优先选范围小、频次高、规则较稳定且有人负责的流程。例如先做订单字段提取,再讨论跨系统自动写入。
- 记录当前业务量、耗时和返工。
- 限定首期输入类型与处理范围。
- 约定例外转人工,不把所有情况一次包进来。
- 把持续维护投入计入试点判断。
可以马上做:用一页纸写下试点做什么、不做什么、谁验收。
云端、混合与私有部署,先问哪几个问题?
部署方式应从数据边界和维护条件出发。私有部署也需要权限、更新、日志与运维安排。
- 资料是否允许外发,谁能授权?
- 哪些字段需要脱敏或留在企业侧?
- 谁维护环境、模型与访问权限?
- 效果、资源和维护成本是否可接受?
可以马上做:整理一份数据分类清单,标明可使用、需授权和不可外发的资料。
术语说明
用业务语言理解技术
以下是本公司的工作性解释,用于讨论,不能代替具体项目评估
AI Native:流程围绕 AI 能力重新设计
我们用它描述 AI 深度参与业务流程的状态。它不是必须追求的标签,也不意味着应取消人工兜底。是否重构流程,取决于可靠性、成本与组织准备程度。
企业知识库:让资料成为可引用的依据
将授权资料整理为可检索、可追溯的信息,支持问答和业务任务。效果依赖文档质量、版本维护、检索与权限设计。
智能体:在约定权限内完成一组任务
它可以调用工具、查询资料或推进流程。关键操作需要明确权限、错误处理与人工确认方式。
Ontology:描述业务对象、关系和动作
例如把客户、订单和产品关联起来,并约定可执行动作。是否需要这一层结构,应由场景复杂度决定。
负责人自查
在选技术之前,先回答五个问题
如果暂时回答不清,可以先做场景诊断
- 最想减少哪项重复工作,为什么?
- 现在每月处理多少,耗费多少人工?
- 有哪些可授权、可维护的数据?
- 谁负责验收、例外处理和持续维护?
- 如果试点效果一般,是否允许缩小范围或停止?
方法之间的关系
四个原则,配合五步推进
四个原则帮助判断方向,五个步骤帮助组织实施。它们服务于同一个目标:让业务结果可以验证
融入业务场景、活用企业知识、支持业务决策、明确数据边界,是做事原则;诊断、确认、试点、放大、进化,是推进步骤
查看五步推进方式
