企业知识决策平台，可能是未来五年企业 AI 最大的新市场

过去几年，大模型的发展速度远远超过了很多人的预期。从最初的聊天机器人，到如今能够编写代码、分析文档、生成报告，越来越多的企业开始尝试将 AI 引入自己的业务流程。

然而，在真正落地企业场景之后，很多团队却发现了一个共同的问题。

企业并不缺 AI，也并不缺知识。

真正缺少的是能够把企业知识转换成企业决策能力的平台。

这也是我认为未来几年，一个全新软件市场正在形成的原因——Enterprise Knowledge Decision Platform（企业知识决策平台）。

为什么传统知识管理越来越难满足企业需求

过去二十多年，企业已经投入了大量资源建设自己的信息化平台。

包括 ERP、CRM、MES、PLM、SharePoint、Confluence、Wiki、Git、Jira、数据仓库以及各种文档管理系统。

如果只看数据量，大多数企业已经积累了几十万甚至上百万份文档。

问题并不是没有知识。

而是知识越来越难被利用。

例如，一个金融交易系统出现异常，开发人员真正需要知道的是：

• 为什么这笔交易没有完成清算？

• 为什么接口昨天还能调用，今天却失败了？

• 当前版本应该使用哪个 API？

• 数据库哪个字段决定了最终状态？

• 为什么升级之后配置失效？

这些答案通常不会出现在同一个地方。

它们可能分别存在于：

• PDF 用户手册

• API Guide

• Release Note

• Git 源代码

• 数据库 Schema

• 运维日志

• Jira Issue

• 测试用例

• Wiki

• 邮件

• Teams 或 Slack 历史讨论

企业拥有所有这些信息，却很难快速形成正确决策。

因此，企业真正需要解决的问题已经不是"如何搜索文档"，而是"如何利用全部知识完成一次正确决策"。

企业知识平台正在经历三次演进

如果回顾企业知识平台的发展，可以大致分成三个阶段。

第一阶段是传统 Knowledge Management。

这一阶段解决的是文档如何存储、分类和共享的问题。SharePoint、Confluence 等产品基本代表了这一时代。

第二阶段开始进入 RAG（Retrieval-Augmented Generation）。

企业开始利用向量数据库和大语言模型回答文档中的问题。

相比传统搜索，这已经取得了巨大的进步。

但是，它仍然存在明显局限。

RAG 能回答"文档写了什么"，却很难回答：

• 哪个版本适用？

• 哪些 API 必须先执行？

• 哪些权限必须提前具备？

• 为什么系统最终这样处理？

• 有没有违反企业内部规则？

因为这些内容，并不是某一篇文档能够回答的。

于是，第三阶段开始出现。

也就是我认为未来几年企业最重要的发展方向：

Knowledge Decision Platform。

它不仅学习知识。

更重要的是学习：

• 知识之间的关系；

• 系统之间的依赖；

• 规则之间的约束；

• Workflow 的执行逻辑；

• 不同版本之间的演进；

• 决策背后的证据链。

最终形成企业真正能够依赖的决策能力。

为什么说这是一个新的市场

很多人会问：

市场真的存在吗？

事实上，目前还没有任何一家研究机构专门统计"Knowledge Decision Platform"。

但是，它实际上位于多个高速增长市场的交汇点。

根据 Grand View Research 的统计，全球 Knowledge Management Software 市场 2024 年约为 201.5 亿美元，预计到 2033 年增长至 621.5 亿美元，年复合增长率约 13.6%。

同样，Grand View Research 预计 Decision Intelligence 市场将在 2025 年达到约 178 亿美元，2033 年增长至 532 亿美元。

AI Agent 市场增长速度更快。MarketsandMarkets 预计该市场将从 2025 年约 78 亿美元增长至 2030 年约 526 亿美元，年复合增长率超过 46%。

与此同时，整个企业 AI 市场仍保持高速扩张。Grand View Research 预计全球 AI 市场规模将在未来几年保持约 30% 的年增长率。

如果把这些市场放在一起观察，会发现它们正在逐渐融合。

知识管理负责保存知识。

Enterprise Search 负责寻找知识。

Knowledge Graph 建立知识关系。

Decision Intelligence 负责辅助决策。

AI Agent 开始执行任务。

Knowledge Decision Platform 正好位于这些能力的交汇点。

因此，它并不是替代某一个市场，而是逐渐成为这些平台共同演化出来的新一代企业基础设施。

真正困难的地方，不是大模型

很多企业刚开始做 AI 时，都认为最大的难点是选择哪个模型。

事实上，大模型只是其中一层能力。

真正困难的是企业知识本身。

首先，是知识碎片化。

企业知识通常散落在几十甚至上百个系统中。

其次，是知识关系。

API 与 API 存在依赖。

数据库与代码存在依赖。

Workflow 与权限存在依赖。

版本之间还存在大量差异。

这些关系，大多数都没有写进任何一份 PDF。

再次，是版本管理。

同一家公司可能同时维护：

5.0

5.5

6.0

6.4

7.0

不同版本之间：

API 不同。

数据库不同。

配置不同。

部署方式不同。

如果 AI 无法识别当前版本，那么它生成的大部分答案都有可能错误。

最后，也是企业最关注的问题——证据。

企业不会接受一句"AI 认为"。

企业需要知道：

为什么这样回答？

依据哪份文档？

依据哪个版本？

依据哪条规则？

依据哪段代码？

能否追溯？

这就是企业 AI 与消费级 AI 最大的区别。

企业真正需要的是证据驱动的决策

未来企业 AI 的竞争，不会只是回答问题更快。

真正的竞争，将发生在"谁能够证明自己的答案是正确的"。

一个成熟的知识决策平台，不仅应该返回最终答案。

还应该同时返回：

• 推理过程；

• 使用的知识节点；

• 依赖关系；

• Workflow；

• 规则验证结果；

• 文档来源；

• 版本信息；

• 风险提示。

最终形成完整的 Evidence Package（证据包）。

对于金融、医疗、能源、制造等行业来说，这一点甚至比回答速度更加重要。

结语

我认为，未来企业 AI 的演进路径将非常清晰。

第一阶段，是让 AI 学会阅读文档。

第二阶段，是让 AI 学会理解企业知识。

第三阶段，则是让 AI 能够参与企业决策，并且能够证明自己的决策为什么正确。

真正决定企业 AI 竞争力的，不会只是模型参数，也不会只是上下文长度，而是谁能够把分散的企业知识组织成可理解、可推理、可验证、可执行的决策能力。

这，也许正是未来几年企业软件最值得关注的新市场。