近日，《面向大模型的知识治理体系要求》国家标准化指导性技术文件正式立项，聚焦企业运用大模型、智能体开展智能化落地时的知识工程难题，提出一套面向大模型的知识治理总体架构与落地方法，直指知识库建设不规范、知识质量不高、治理机制缺失等痛点，为组织系统推进知识治理、夯实大模型应用基础、建设知识驱动型组织提供重要参考。当一项实践从少数企业的率先探索，上升为全行业遵循的国家标准，一个共识已经清晰：大模型时代，企业的分水岭正从模型能力转向知识治理。

01 一个被忽略的真相

先看Gartner的一组数字：77%的CEO认为，未来三年AI将对行业产生最重大的影响；但不到30%的AI领导者，对生成式AI的投资回报给予高度评价；仅11%的CFO表示，过去一年已从AI中获得实际财务价值。这也说明，AI的高采用率，没有换来高价值。

麦肯锡《2026 AI信任度报告》给出的解释是：信任，是AI时代最大的瓶颈；而信任的底层，是知识的质量。AI的价值释放是一条完整链条——模型能力、知识供给、流程嵌入、业务输出、决策行动，任何一环断了，价值就断了。员工不“信”，不会用；管理者不“信”，不敢放权；客户不“信”，不会买单。

而绝大多数企业，断的偏偏是最不起眼、也最致命的一环——知识供给。模型可以一夜升级，知识却不能一夜沉淀；知识治理没跟上，模型越大，风险与成本也越大。

02 为什么有知识，不等于能用知识

很多企业并不缺知识，十几年的项目方案、经验复盘、制度文档存满了好几个知识库，可真到要用的时候，翻来覆去搜不到；制度版本混乱，总部和分公司各执一词；文件里全是管理术语，员工看得懂字、看不懂意。某大型企业的人力行政部，每月要接到超过1200人次的服务台咨询，问的全是重复的基础制度问题——答案知识库里早就有，就是找不到。

这背后反映出传统知识管理的系统性困境：本质是管文档，不是用知识；逻辑是人找知识，员工得主动去库里翻；治理靠人工，打标签、做分类全靠人力，成本高、更新慢，知识越存越死。

AI时代，底层逻辑彻底反转：知识不再只是Word和PPT，会议录音、业务聊天、系统数据、专家经验都是知识；不再等人来找，而是主动嵌入写方案、答客户、做报价的每一个场景；治理不再靠人工，而由AI完成分类、摘要、切片与经验挖掘。

AI时代“知识”的新特点和新需求

过去是人找文档，现在是AI用知识。从存文件到挖智慧，中间隔着的，是治理这道工序——知识若不能被治理成AI可消费的生产资料，就只是一堆躺在硬盘里的文档，甚至更糟：AI会拿错误或难以获取的知识，制造更多问题。

03 SIGTT：让知识越用越准的治理生产线

蓝凌智能作为AI时代的知识和流程专家，基于20多年行业实践与众多500强、行业百强的服务经验，淬炼出SIGTT方法论：S是源（Source），I是意图（Intent），G是治理（Governance），两个T是测试（Test）与调优（Tune）。整条生产线分三个阶段——治理前搞清知识从哪来、给谁用，治理中加工成AI可消费的形态，治理后靠测试与反馈越用越准。

治理前，先解决来源与意图。制度流程、项目文档、业务数据、专家经验、会议录音，都是知识，只是形态各异、存放分散。未经治理，它们堆在系统里，算不上资产。

很多企业建知识库，靠员工人工上传，结果往往是“谁都不想传，传上来的没人看”。多源获取要突破的，正是人工录入这个瓶颈。蓝凌的做法是五个动作，让“知识随业务产生、随流程自动沉淀”：

第一，来源矩阵。盘点OA、CRM、邮件、会议录音等渠道，建立全域知识数据源，消除信息孤岛。

第二，多源采集。通过API接口、RPA抓取、人工上传等方式，让数据实时对接、自动归集。

第三，智能加工。用OCR、实体抽取、自动打标签和摘要生成，把非结构化知识智能化入库。

第四，人工补全。高价值核心知识引入专家审核与人工校验，AI做初加工，专家做精修。

第五，流程绑定。把知识沉淀节点嵌进业务审批、项目验收等流程，让沉淀变成强制动作——比如项目验收必须提交复盘材料，否则系统不让结项。

例如，有企业把知识获取拆成多种方式：显性知识靠归口整理、系统对接；未显性化的内部知识靠项目收割、经验萃取；外部知识靠对标借鉴、爬虫采集。最见成效的是项目收割——按二八原则，对20%的新项目、关键项目、失败项目成立专项小组深度收割，把方法、工具、教训固化下来复用，是组织经验沉淀最有效的方式之一。

理清知识来源，下一步是围绕使用意图建知识仓：做制度问答，就建制度知识仓；找相似案例，就建案例知识仓，每个仓都能配一套独立的治理策略。整条链路白盒化、可控，企业随时能调整策略和精度，而不是把知识交给AI就坐等结果。

在治理过程中，蓝凌提供了多种治理工具，以问答场景为例，主要包括四道工序：

一是解析。企业里的知识形式多样，Word、PPT、Excel、扫描件、图片、表格、公式，甚至手写内容都在其列。解析不只是把内容还原出来，还要保留标题层级、附件与业务字段；主文档、附件和业务表单都能自动解析——流程也是知识，元数据也要能被AI检索。蓝凌把企业里能见到的文档类别几乎全部纳入解析，支持标准解析、MinerU解析等多种解析模式；基于微服务架构构建业务处理“流水线”，支撑海量文档并发处理。

二是切片。给长文档划出AI能读的知识单元：制度按章节层级切，表格整表保留，Excel按行处理，PPT和OFD各有各的规则。每个知识单元都要尽量承载完整语义，切得太粗会夹杂无关内容，切得太碎会丢掉上下文，切片策略要按文档类型和使用意图来选择。

三是问答对。提前把常问的问题和标准答案配对，AI自动生成、人工再调整，幻觉影响能降一大截。需要100%精准的场合，就靠问答对兜底，比如“住宿标准多少”“怎么报销”“超支怎么办”，这些高频问法，治理阶段就可以备好标准答案。

四是专有词。统一维护企业内部的简称、俗称和标准术语，提问和回答时自动替换成标准表述，让AI听懂企业语境。

治理后，还需要测试与调优。AI自动生成评测问题集，衡量问答准确度，测试通过了，对应的智能体才能合规上岗；不合格的问题可以溯源，退回治理环节。上线后，通过用户反馈收集不满意的提问，用鹰眼洞察看板观察智能体运行效果（对话次数、使用人数、热词分布等），形成“发现、调整、验证”的闭环。

需要强调的是，SIGTT的核心理念是“差异化”：不是所有知识都用同一种方式治理，知识源不同、使用意图不同，治理策略就完全不同。顺着“源接入→意图定义→差异化治理→效果评测→持续调优”这条链路走下来，AI拿到的，才是真正高质量的知识原料。

例如，制度类文档，使用意图是“查制度、找答案、发起动作”，那治理重点就是内容解析、分段切片、抽取责任主体、生成问答对，考核指标是规则准确率、引用准确率、条款定位准确率；CRM、ERP等业务系统数据，使用意图是“查状态、查数据、生成行动指引”，治理重点就是数据清洗、字段标准化、枚举字典、抽取业务实体，考核指标是数据时效性、一致性、问数准确率；网盘里的零散文档，使用意图是“找文件、找最新版”，治理重点就是解析切片、去重、版本识别、权限继承，考核指标是搜索准确率、版本命中率。

04 治理之后，知识如何长出业务价值

知识治理的最终落点，是业务价值。我们把知识应用分成四种模式：

· 校验约束型，以系统编码规则实时拦截违规，适合财务报销、安全生产等零容错环节；

· 自动执行型，针对标准方案、工具模板自动生成成果，释放重复作业人力，适合售前方案、合同草拟等场景；

· 决策辅助型，针对专家智慧、案例复盘匹配相似场景、推荐最优解与避坑指南，适合故障排查、项目攻坚、新人培养等场景；

· 关联推送型，针对趋势洞察、情报数据，在关键决策节点主动推送，适合战略规划等高层场景。

那企业该怎么选？可以围绕四个维度进行判断：

一看知识规范程度。 规则越明确、标准化越高，越适合校验约束和自动执行；经验性、隐性越强，越适合决策辅助；外部性、动态性越强，越适合关联推送。

二看业务风险等级。高合规风险、高质量风险的环节，优先布局校验约束型。安全合规不能出错的地方，AI来守底线。

三看作业标准化程度。重复度高、输出标准化的工作，优先布局自动执行型。模板化的事让AI干，人干创造性的。

四看决策层级。 越往高层战略决策，越侧重关联推送型——给决策者提供情报和趋势；越往一线执行，越侧重校验约束与自动执行型——给执行者提供规则和工具。

总而言之，不是所有知识应用场景都适合同一种模式，必须根据知识特性、业务场景和决策层级来匹配。 选对了模式，事半功倍；选错了模式，投入浪费。

05 治理不是一次性工程，而是长期运营

不少项目建库时很热闹，三个月后内容不更新、员工不使用。问题往往不在产品，在于组织没建起角色、机制与运营节奏。

蓝凌的运营服务包含规划、落地和推广。规划阶段，通过公开课、内训和标杆游学建立共识；落地阶段通过场景工作坊、知识治理和制度设计，把高价值场景做出来；推广阶段再用经验萃取、知识大赛等扩大覆盖。

知识治理是起点，知识运营是保障。只有治理和运营闭环，AI才会一直有新鲜、可信的企业知识。

结语

AI带来的不是一次简单的工具升级，而是一场组织范式的深层革命。过去的知识是给人看的，未来的知识要给AI消费。谁能率先把企业知识变成AI可用的可信资产，谁就能在这一轮里，建立起别人短时间追不上的优势。