企业AI搜索战略——大型公司如何应对内部与外部AI可见性？

我们在[大型企业]应对了这两大挑战。以下是我们的架构：

内部AI搜索：

实施了带RAG（检索增强生成）的联合搜索：

来源: Sharepoint + Confluence + Salesforce + 内部数据库
     ↓
连接器: 实时同步并继承访问控制
     ↓
向量存储: 用于语义搜索的嵌入
     ↓
RAG层: LLM回答基于源文档
     ↓
界面: 自然语言查询 + 引用来源

核心成果：

• 搜索时间减少60%
• 员工对搜索的NPS：72（之前为18）
• 重复向专家提问减少45%

外部AI可见性：

由不同团队负责，不同策略：

• 市场部负责GEO优化
• 内容团队重构以适应对话式查询
• 使用Am I Cited监控各平台
• 跟踪与竞争对手的声音占比

治理层覆盖两者：

• 访问控制（谁能看什么）
• 审计日志（合规要求）
• 敏感决策人工审核
• 数据驻留管控

知识管理视角。内部搜索问题不仅是技术，更是组织问题。

根本原因：

• 内容分散在15+平台
• 跨部门内容无人负责
• 过时文档长期不清理
• 部门“圈子知识”难以沉淀

单靠技术解决不了：

我们上线了很棒的AI搜索平台，采纳率30%。

后来我们：

1. 每个主题指定内容负责人
2. 上线内容生命周期管理（X个月自动归档）
3. 把内容贡献纳入绩效考核
4. 各部门设立“知识冠军”

采纳率飙升到78%。

外部AI可见性同理：

内容混乱无法优化AI。先整理结构，再做优化。

平台选择视角。我们评估了8款企业AI搜索平台。

关键考量：

我们考虑的主流平台：

• Glean（优秀的体验，强大连接器）
• Elasticsearch + 自定义LLM层（最大控制力）
• Microsoft Copilot for 365（微软全家桶优选）
• Coveo（电商/知识领域很强）

我们的选择：

大部分场景用Glean，敏感数据用自建Elasticsearch。

混合方案让我们兼顾速度与安全要求。

市场视角谈外部AI可见性。

挑战：

我们竞争对手在ChatGPT和Perplexity的品类问题中被引用，我们却没有。这不仅仅是流量问题，更是品牌问题。

我们的做法：

1. 现状评估 - 用Am I Cited基线可见性
2. 内容重构 - 关键主题用FAQ格式
3. 思想领导力 - 高管输出权威内容
4. 第三方影响力 - 分析师、评测网站、Reddit等外部平台参与

我们追踪的指标：

• AI答案中的声音占比（与5个竞品对比）
• AI提及的情感倾向
• 引用来源（直接/第三方引用？）
• AI引流转化率

6个月结果：

• 声音占比：8% → 22%
• 品牌直接引用增长180%
• AI引流占总流量4%（持续增长）

变革管理是隐形挑战。

员工习惯转变：

员工习惯关键词搜索，AI搜索是对话式的，思维模式转变很大。

有效做法：

1. 培训 - 不只是“怎么用”，还包括“如何提出问题”
2. 冠军计划 - 让核心用户带动团队
3. 高管支持 - 领导层带头使用和推广
4. 快速成果分享 - 广泛宣传成功案例

常见阻力：

• “不信AI答案” → 展示引用来源
• “原来的搜索挺好” → 并排展示省时效果
• “不会提问” → 提供示例问题
• “又是新工具” → 集成到现有工作流

目标12个月内采纳率60-80%。我们10个月已达72%。

AI搜索的数据治理框架。

我们建立的政策：

1. 数据分级 - AI能访问哪些？（公开、内部、机密、受限）
2. 访问继承 - AI遵循源系统权限
3. 保留策略 - 查询日志保存多久？
4. 跨境要求 - 按地区的数据驻留
5. 模型训练 - 我们的数据不会用于厂商模型训练

具体实施：

审计要求：

• 谁、何时查询了什么
• 回答用了哪些来源
• 答案是否对外分享
• 季度访问审核

坦诚谈ROI。

内部AI搜索ROI：

企业AI项目平均ROI：5.9%（IBM报告）

看似低，实际很多项目采纳率低导致。

成功案例表现：

• 决策速度提升60%
• 每位知识员工每周节省2-5小时
• 决策流速提升31%
• 重复问题减少

计算方式：

（节省工时 × 小时成本 × 员工数）-（平台+实施成本）

1万知识员工每周各省2小时： = 10,000 × 2 × 52 × $50/小时 = $5200万价值

• 平台（约50万）- 实施（约100万） = 年度价值5000万+

外部AI可见性ROI：

更难量化，但可追踪：

• AI引流及转化
• 品牌搜索量变化
• 声音占比趋势
• AI发现带来的销售线索

先用前置指标，逐步转向营收归因。

前瞻：代理型AI即将到来。

现状： AI回答问题 下一步： AI根据答案自动行动

对企业的影响：

• AI搜索转向AI自动化工作流
• 必须治理自主决策
• “我们的政策是什么？”→“直接应用政策”
• 知识变为执行力

现在就要准备：

1. 干净权威的数据（垃圾进=垃圾出）
2. 明确政策（AI需有规则可循）
3. 工作流集成（不止是搜索界面）
4. 人工监督模式（AI何时需上报？）

现在打好AI搜索基础的企业将更快过渡到代理型AI。

非常精彩的讨论。基于这些经验，我们的路线图如下：

第一阶段：内部AI搜索（Q1）

• 主体搜索用Glean
• 敏感系统用自建RAG层
• 权限从源系统继承
• 启动变革管理项目

第二阶段：治理框架（Q1-Q2）

• AI访问的数据分级
• 实施审计日志
• 机密查询引入人工审核
• 季度访问审核

第三阶段：外部AI可见性（Q2）

• 市场部主导GEO项目
• 内容重构适配对话式查询
• 部署Am I Cited监控
• 跟踪与竞品的声音占比

第四阶段：度量（持续进行）

• 内部：采纳率、节省时长、决策流速
• 外部：声音占比、被引用、AI转化流量

关键成功要素：

• 高管支持（已到位）
• 变革管理投入（已纳入预算）
• 干净数据基础（逐步推进）
• 治理优先（不可妥协）

感谢大家的实战经验分享，这正是我们所需的。