01
企业级 AI 应用呈现3大趋势
自大模型问世以来，很多企业用户都在思考，如何将大模型应用于企业之中，帮助企业提升效率、优化体验、赋能业务。这也是我今天要跟大家探讨的问题。在这之前，我们先对AI的发展趋势进行简要的分析。结合蓝凌在项目中的实践，我们大致作出以下3点判断：
我们可以看一个实际的应用案例。该企业在今年需要进行高端的数字化服务，其作为国内数字地球产业的领军企业，属于高技术、高知识密集型企业，对知识的沉淀、管理、应用有着非常高的需求。
再举一个应用案例。客户是一家大型的造车企业。他们所面临的痛点主要在于知识的散、乱、难，就是不同的知识存在不同的库里，各业务组、业务系统都有自己的沉淀与知识来源，统一管理、应用、经验分享非常困难。
他们携手蓝凌，以研发为核心，搭建了统一的知识平台以及研发团队协作空间。在 AI 应用上主要包括几个部分：一是构建基于大模型的知识智能搜索，方便知识的查找；二是基于研发的知识进行进一步的问答应用，构建研发助手，解决知识散乱、不成体系的难题。
此外，基于RAG能力实现了内部的新人指引。这一块主要是因为随着业务的发展，公司每年都有大量的社招和校招的新同事进来。为了更好地赋能新员工，该企业构建了“新人指引”，可以帮助新员工快速了解公司最新的介绍，以及如何处理考勤异常、请假等常见问题。系统对接了 32B 的千问模型，可进行意图分析和上下文多轮会话，响应时效和公有大模型接近。
1.2 AI 的智能深度由企业内部可用数据决定
企业内部存储了非常多的结构化数据，同时也会有半结构化、非结构化数据进入知识管理体系。如若搭建了企业内部的私有模型，在算力、参数够的情况下，需要有足量的数据支撑后续 AI 的智能应用。
1.3 企业+ AI 的核心价值点在于知识管理
知识管理+AI“四维赋能”
AI和知识管理都是技术工具，它们如何更好地结合，帮助企业赋能提效？蓝凌从4个层面做了思考和提炼，针对每个层面我也会给大家分享几个典型场景。
- 合同助手。在传统过程中，合同管理需要手动录入信息、人工审核，这个过程需要投入大量精力。在审批过程中，因为合同篇幅长，容易发生信息错漏。通过引入大模型能力，可实现合同文本的关键要素自动识别与填入。其次，还能够识别不同条款之间的矛盾点，做内部合同的整合，给出相应的智能提示和建议。
- 商机智能推荐。传统商机基于人工推荐从不同渠道进入企业，非常依赖商机管理人员对销售人员的判断。引入智能化能力后，可实现商机智能推荐，系统根据相关信息（如客户行业预算、业务需求等）自动匹配销售人员，进行商机和营销人员的分配，推荐智能方案。
- 新人培养。通过搭建新人知识助手，将新人常见问题（考勤、流程、报销等）进行标准化问答，实现即问即答，帮助新员工快速适应新公司、新工作。
- 智能搜索。过去查找案例、解决方案等信息，首选询问，或基于关键词进行内部搜索。对接大模型后，可基于语义进行相应搜索，可从关键词、上下文、用户历史记录、用户反馈等多方面分析用户的搜索意图，以提供更多相关联的搜索结果和信息，更加准确地满足用户需求。
- 制度助手。在传统场景中，部分制度篇幅过长，员工想找到对应答案时，要先找到答案在制度内的具体位置，翻阅到具体章节。对接大模型后，可以搭建制度问答机器人，按照所需的细节知识点快速获取答案，同时明晰答案来源，确保不会对工作造成偏差指引。
- 流程助手。公司内部的困扰之一在于流程繁琐，首先找到需求流程，其次，手动录入相应表单。比如员工请假，要找到流程、填写原因等。在 AI 加持下，可以通过互动形式，比如手机上语音形式发起请假，说明原因、时间，根据语义理解发起流程，并自动填写相应表单。
- 战略执行。企业有了战略后如何实施落地，这过程需要相应文档支撑，可针对不同阶段进行文档统一管理，比如用协同文档穿透已有的年度战略意图，用协同文档管理公司级例会纪要和任务落实等。
-
获取数据。企业内部报表很多，内部人员查找报表，仅通过人工处理或在线查看，不能快速获取数据，这也是很多企业面临的痛点。对接数据内容后，可通过用户的指令或口语化的形式快速获取报表，比如团队业绩、销售人员合同完成情况等，帮助企业管理者进行决策。
03
知识管理+ AI 运营推动的落地经验
知识管理是一个持久的工程。最后我想给大家分享一下知识持续运营的方法。
来源：爱分析ifenxi
