本文源自火山引擎知识引擎 VeKnow 业务实践思考，火山引擎知识引擎 VeKnow 作为企业级 AI 知识底座，依托大模型与大数据技术，提供从知识接入、加工处理、知识建模到智能问答的全链路知识管理与应用能力，让企业知识真正流动起来，在业务中持续创造价值。
人对数据的探索与发掘，铺就了信息凝聚为判断力的蜕变之路：数据曾落在纸上难追溯，到搬进磁盘能沉淀，再到数仓建模可分析，数据中台破孤岛。在商业世界，数据更是做出决策与判断的基础：电商的“猜你喜欢”背后是实时数据计算，银行的放贷决策是综合数十个维度的风险评估，机票价格的实时变动是供需与竞争数据的动态分析……数据记录着世界发生什么，也承载着人对“为什么”与“怎么办”的持续追问。
而今，数据迎来新变量：AI。
人与数据的博弈
人与数据的博弈，始终围绕：结构化与非结构化数据。
结构化数据的跃迁
从“流程账本”，走向“决策依据”。
数据库管理时代，数据为流程服务：数据长在业务系统里，是流程运转的附属记录，经关系型数据库完成简单查询，是一本“可查询的流程账本”，事后才能查看。
数据中台时代，数据为业务服务：数据变成统一可复用的资产，数仓与分布式存储承载大规模实时接入；处理从批量分析升级为分布式计算、实时计算与湖仓一体，处理时间从“天”级压缩到“秒”级；应用面向更精细的经营分析与终端用户实时推荐。
非结构化数据的觉醒
从“图书馆”，走向“搜索引擎”。
重存储轻应用，最早的知识沉淀。1990 年代，野中郁次郎 SECI 模型问世，知识管理成为一门学科，企业知识库工具兴起；但以存储归档为重，企业数据 80% 以上是非结构化内容，利用率不足 10%。
共享与协作，隐性知识的显性化。2001 年维基百科上线，“共建共享”成为常识；企业内部 IM 与协同平台随后普及，成长型企业每年可沉淀数百万篇文档，员工却平均每天约 1.8 小时花在搜索信息上。知识形式拓展，但因碎片化仍难复用。
检索与挖掘，技术赋能知识应用。2012 年 Google 知识图谱上线，语义关联走向大众；BERT 等预训练模型大幅提升机器文本理解能力，云计算、NLP 与知识图谱合力让文档可检索、可关联、可挖掘，知识消费效率大幅提升。
尚未解决的挑战
而这场漫长博弈仍未停止，下一个挑战又是什么？
跨越角色的数据平权：结构化数据是有固定字段与 Schema 的表格，如银行流水、订单记录、设备日志。它被管理得井井有条——建库、建仓、建模，可查、可算、可分析，但面向数据工程师与分析师，存在专业壁垒。需要打破角色壁垒，让数据触达每位业务决策者。
沉默知识的价值激活：非结构化数据是文档、制度、对话、影像等，企业真正的“知识”大多在它身上。它被存储归档，因检索效率低，很少被真正用起来。需要完成从“人找知识”到“知识找人”的蜕变。
经验判断的认知迁移：两类数据间的串联、融合与判断，靠人的思考与经验构建。市场总监判断“某区域该不该加大投放”：销售流水、转化率、ROI 等结构化数据给出事实，投放规则与复盘报告里的判断准则在非结构化文档中，对照、权衡、拍板的仍是人。这道“人脑搭桥”的鸿沟，正是 AI 时代数据服务演进的原点。
AI 时代的两条路径
AI时代，两条路径的合流：多模态数据最终要为智能服务。
大模型的智能涌现与泛化让 AI 从专用走向通用，自然语言理解让业务人员不必写 SQL 就能取数用数，上下文学习与思维链让 AI 推理显性化，多模态统一表征让文本、图像、音视频第一次被同一种方式理解。
智能体的工具调用与行动闭环让模型从“会说话”走向“会做事”，自主规划与任务分解把模糊任务拆成可执行路径，反思与自我修正让输出从一次答对走向持续改进——似乎为数据平权、知识激活、认知迁移的瓶颈找到了突破口。
但即使AI能力强大，在企业应用实践中普遍遇到这些痛点：
接不进来
知识散落异构，未被统一接入，AI没有企业上下文可依，只能泛化回答。
产品经理问 "定价策略是什么"，真实定价规则散落在旧文档和会议纪要里，从未进入 AI 可调用的范围。
读不明白
知识即便接入，字段口径、术语与文档间上下文未被语义化，模型读得懂字面、读不懂业务。
运营问 "本周 GMV为什么下滑"，模型不懂公司统计口径、指标关联与活动档期，归因抓不住关键。
检索不准
知识已接入但召回不准，智能体翻遍知识库也搜不到该用的信息。
销售问 "去年华南区客户续约情况"，
智能体
找不到华南区字段，也不知道华南区对应哪些城市。
不敢信任
未治理的知识污染上下文，幻觉与过期信息混在其中不易察觉，业务不敢直接采信。
法务让 AI 审合同，模型引用已失效法规还给出严谨结论，错误难察觉、发现时已影响决策。
面向 AI 的企业上下文
或许正是人与AI之间的信息差、经验差、质量差，让AI给出来的结果还达不到预期。AI时代的数据服务最终要为AI服务：充足的企业上下文补足信息差，让AI有数可用；统一的企业语义补足经验差，让AI更懂业务；知识的治理与保鲜补足质量差，让AI敢信敢用。
企业知识能力的演进，不是新技术替代旧技术，而是在数据基础上不断扩展理解与应用的边界：从结构化数据的治理分析，到非结构化内容的搜索发现；从 RAG 将知识引入大模型回答，到 LLM Wiki 持续整理关联知识，再到面向 AI 的企业上下文——将数据、文档、语义、规则、权限与实时状态组织起来，让模型和智能体在业务中理解、判断并行动。数据质量、语义口径、权限边界、来源与时效，始终决定 AI 能否可靠使用这些知识。
