用友网络科技

2025 年，DeepSeek 带火 “大模型 + RAG” 模式后，很多领先的企业发现，虽然已经做了数据治理，但是大部分企业的数据基础还并不能达到 AI运用所提出的新要求，无法有效支撑AI的高价值场景落地。因此，面对AI应用落地的需求，企业做数据治理时，需要叠加知识治理，为企业决策提供充足有效的数据与知识来展开，为AI提供“高营养含量的粮食”。

AI 建设方式的转变后对企业私域数据的治理要求也变了。去年的核心是 “为模型训练准备数据”：垂类模型依赖高质量的专属数据集，数据治理聚焦结构化数据的准确性、完整性、多样性。而今年转向了“为检索准备多样化的知识”。很多企业卡在三个痛点 ：

企业里大部分数据是文档、视频、IoT 日志这类非结构化数据，但很多企业还在用 “文件夹分类” 的老办法管理。比如一家制造企业，大量设备维修手册散在不同系统，有的是 PDF 扫描件，有的是 Word 草稿，AI 检索时要么 “读不懂” 扫描件的手写批注，要么分不清不同版本的差异。

更头疼的是，这些知识还在不断增加：每月新增合同、客服聊天记录等，却没人 管 “哪些该归档”“哪些要标注关键信息”。这些 “躺平” 的知识，其实是企业的 “隐形资产”，却因为没治理，变成了 AI 检索的 “负担”。

就算非结构化数据整理了，AI 检索还是不准，问题可能出在 “切片” 和 “召回” 上。比如某金融企业，把一份信贷政策文档 “一刀切” 分成多段，结果 AI 要找特定条款时，相关内容被拆在多个切片里，召回时只抓到部分，自然给不出准确建议。

这就是“缺乏标准化的切片与召回机制”：有的切片太粗，把不同主题混在一起；有的切片太细，破坏了知识的逻辑关联；召回算法只认 “关键词匹配”，不会理解 “同义词”—— 比如 “逾期客户” 和 “不良信用客户” 明明是一回事，AI 却当成两个概念。明明有知识，AI 却 “不会用”，比没知识更让人着急。

知识的质量把关没跟上，导致知识的时效性、准确性、权威性无法校验。

很多企业没有明确的规则：谁来负责知识的 “更新时间标注”？如何验证知识的 “准确性”？过时的知识怎么及时下架？结果就是 AI 基于 “带病知识” 输出建议，管理层如果用错了，损失将不可估量 。

在面向企业AI应用落地需求下的数据治理，并不是简单的 “换工具”那么简单，而是要 “换逻辑”。数据治理有三个核心转向 ：

去年很多企业做数据治理，是为了训练垂类模型，重点是 “数据准不准”。但如今，治理目标变成了 “让 AI 能给出可靠的决策建议”。 比如销售经理问 “这个客户该不该推高客单价产品”，AI 要能快速检索到 “客户历史消费、信用评级、服务反馈” 等知识，给出有依据的建议。简单说，过去是 “为模型准备数据”，现在是 “为决策准备知识”。

过去数据治理的重点是 ERP、CRM 里的结构化数据（比如客户姓名、订单金额），但今年必须覆盖 “全类型知识”：合同、规范等 文档；设备运行、系统操作等日志 ；施工照片、产品图纸等影像。治理的核心也从 “标准化数据” 变成 “激活知识”：把扫描件里的文字 “读出来”，把视频里的关键步骤 “标出来”，把分散在不同系统的知识 “连起来”，就像把散落的珍珠串成项链，AI 才能 “拎得动”。

过去很多企业做数据治理，是 “搞项目”：找个团队集中一段时间整理数据，项目结束就停了。但如今，知识每天都在新增、变化，比如新的行业规范出台、客户需求更新，治理必须 “跟着业务走”。

这就需要 “自动化工具 + 长期组织”。用友建议可以用 DataOps 工具自动同步新数据，用智能体定期检查知识质量，再成立专门的 “知识治理小组” 负责规则制定、问题整改。

数据与知识是数智化的核心生产要素，企业需要构建统一的数据平台，整合分散在企业各处的数据与知识，通过清洗、标注、建模或者图谱化、向量化等过程，形成标准化、高质量的数据资产与知识，为精准决策、智能运营提供支持，面向AI提供高质量的数据与知识的供给。这些都需要企业加强与更好地开展数据治理与知识治理。

针对非结构化知识 “躺平”，用友的核心是 “先整合，再赋能”：

全类型知识接入：用友 BIP 的 “企业数据云”， 作为底层支撑，汇聚了企业业务大数据、企业知识资产数据以及用户行为数据，为上层模型 和应用提供丰富且关键的数据源。

YonGPT 模型矩阵支撑：YonGPT2.0 升级的模型矩阵里，有专门的多模态大模型，可以低成本的选择适合企业场景的模型。友智库基于YonGPT构建的 企业级数智化搜索平台 ，聚焦企业知识管理与智能搜索场景，可支持非结构化数据的搜、问、推、创等知识库场景。提供“沉浸式”对话交互体验，助力企业快速获取行业、领域及内部知识资产。

友智库让知识无处不在

针对切片乱、召回难，用友的 RAG 框架做了 “专项优化”：知识切片不是 “一刀切”，而是按 “知识逻辑” 切。 比如一份合同，会按 “合同主体、权利义务、违约责任” 分成对应切片，表格数据单独做 “结构化处理”，避免关键信息被拆；基于企业私域的知识库、知识图谱，将知识嵌入业务。企业级数据与知识库的深度整合，将企业内部的业务数据和专家经验转化为知识形式，通过实体、关系和属 性的定义，通过知识图谱构建一个结构化的知识网络。在这个网络中，企业的产品信息、客户数据、业务流程等 元素相互关联，为 AI 模型提供了一个全面且语义丰富的知识基础。

针对知识质量没保障，用友、认为必须有相应的组织来长期负责数据与知识的运营，从制度、 流程以及内部沟通的流畅性方面保障数据与知识治理工作。这一组织体系应明确职责划分、促进跨部门协作、具备专业实力，并持续寻求改进，以支撑企业的数据与知识管理活动。

为了保证知识问答的准确性，用友RAG框架在文档解析、文档AI检索召回策略上做了深度优化，支持针对不同非结构化文档进行快速索引，根据业务知识库规范构建业务标签，利用知识图谱实现知识的关联化和体系化，最大限度的提升知识问答的准确性，以确保能在项目商用过程中切实为客户赋能。

       

       

       

       

       

       

       

       

       

       

       

       

       

       

       

电子书下载