企业怎么搭一个真正有人用的 AI 助手

「把我们的资料喂给 AI,给员工配个助手」——这两年,这句话出现在很多公司的会议室里。立项容易,难的是下一句:这个助手服务谁、回答什么问题?如果答案是「大家都能用、什么都能问」,项目多半会做成一个没人用的聊天框。

第一步是收窄,不是扩大

全能助手的失败方式很固定:资料范围没有边界,永远整理不完;什么都能问,意味着什么都可能答砸,信任建立不起来;没有明确的服务对象,就没有人对「好不好用」负责,也没有办法验收。

更可行的起点是三选一:内部知识问答(制度、流程、产品资料,新人和跨部门同事问得最多)、客服支持(高频客户问题,答案有据可查)、销售支持(产品参数、报价规则、常见的竞品问题)。选哪个,看两条:哪里的重复提问最消耗人力,哪里的答案有权威资料可依。两条都占的,就是起点。

用三层结构想清楚它是什么

收窄之后再谈「搭」。企业 AI 助手可以拆成三层,每层回答一个问题;三层想清楚了,预算和分工也就清楚了。

模型层回答「谁来生成答案」。就是市面上的现成大模型,按调用量付费,相当于租一个大脑。绝大多数企业不需要自己训练模型,这一层能做的选择比想象中少,拉开的差距也比想象中小。

知识层回答「它凭什么了解你的公司」。你的产品手册、制度文档、历史问答,经过整理和索引,在助手回答之前先被检索出来,作为答案的依据。技术上这叫检索增强生成,原理在RAG 是什么里讲过。

应用层回答「员工在哪里用到它」。是企业微信里的一个机器人,还是业务系统里的一个侧边栏,决定了它是日常工具还是演示道具。

预算和精力最常见的错配,是把注意力全押在模型层——反复对比接哪家的模型——而实际上,助手好不好用,八成的差距产生在知识层和应用层。

答案的上限,在知识层就定下了

模型只负责把检索到的资料组织成通顺的回答;资料本身过期、互相矛盾、没有权威版本,模型再强也只能在错误的材料里打转,甚至把混乱包装得更可信。所以搭助手有一半的工作量在整理资料:找出每个主题的权威版本,清掉过期文件,给高频问题补上缺失的答案。不必一步到位,小团队的知识库:从能用开始讲过轻量起步的做法。

应用层的判断标准:少一步是一步

员工从产生疑问到得到答案,中间每多一个动作,使用率就掉一截。要单独打开网站、再登录一次的助手,新鲜感过去后使用量很快归零;放在企业微信、钉钉里直接@,或者嵌进员工每天都开着的系统里,才有机会变成习惯。对客户侧的助手同理:放进客户已经在用的渠道,而不是让客户专门来找你。

冷启动:先在小圈子里教会它答题

资料永远整理不到「完美」,与其憋一个大版本,不如按一个固定循环滚动:

1. 从真实提问里挑出 20 个左右高频问题,把答案对应的资料整理进知识层。
2. 放给一个小范围(一个部门或一个客服小组)试用两到三周。
3. 每周导出「没答上来」和「答错了」的问题清单。
4. 对着清单回填资料、调整整理方式,而不是泛泛地补文档。
5. 命中率稳定后,再扩大使用人群或问题范围。

这个循环的好处是,知识层的每一分投入都对着真实需求,而不是凭空猜员工会问什么。试用期怎么算过关,可以参考试点验收怎么写,把「好用」翻译成可检验的条件。

自己拼,还是找供应商

现成组件已经能覆盖不少场景:主流协作平台的机器人接口,加上成熟的知识库工具,一个愿意折腾的人一两周就能拼出可用的内部问答助手。满足三个条件时,自己拼是合理的:问题域窄、资料量不大、团队里有人愿意长期照看它。

反过来,要接业务系统取数、要按部门和角色控制权限、要覆盖多个入口、答错的对外代价高——这时候找外部供应商更划算,买的不只是开发,还有踩过坑的实施经验和上线后的运营支持。判断的关键其实不是技术,而是运营:上线之后,谁来看没答上来的问题,谁来回填资料?这个问题在内部找不到人接,再好的供应商也救不回来。

说到底,AI 助手不是搭出来的,是养出来的。收窄起点、想清三层、进入动线、按循环回填——这四件事做扎实,「真正有人用」就不是运气问题。