炒作已经结束：生成式 AI 正在推动企业内部搜索的演变

2025 年是生成式 AI 从概念验证迈向企业应用的关键之年。有了正确的数据基础，企业可以让其知识库中释放出更大的价值，为实现长期转型和竞争优势铺平道路。无论是在销售、客户服务还是市场营销领域，可行的用例数量都在不断增加，而先行者已经实现了效率提升。

面对如此多的机会，该从哪里着手？Accenture 搜索与内容分析部总经理 Derek Rodriguez 表示，搜索的演变或能给出答案。“多年来，我们依赖于传统的基于关键字的检索，用户输入搜索词并根据自己的判断筛选结果，”他说。“最近，实时索引、分布式架构和语义搜索通过理解用户意图和上下文提高了准确性。”

如今，AI 驱动的搜索平台更进一步，统一结构化和非结构化数据来总结内容并生成见解。通过理解数据中的意图、上下文和关系，这些系统能够更快、更准确地做出决策，并减少对人工研究的需求。Rodriguez 说：“自动化搜索工作流显著降低了知识管理的成本，改变了实现价值的方式，提高了企业数据的回报率。”

这种创新方法需要同样坚实的数据基础，即通过先进的检索和排序进行矢量化及优化。有了这些做基本，企业可以将第一方数据与大型语言模型（LLM）结合，以获取可信且一致的见解。

Elastic 搜索总经理 Steve Mayzak 表示：“一个经过良好向量化、可搜索的知识库是与业务系统集成的灵活起点，能够在业务关键场景中提供长期价值。”

在这方面，Accenture 与 Elastic 的合作发挥了关键作用，将 Elastic 的可扩展性、AI 驱动的搜索能力与 Accenture 的深厚行业专业知识相结合，帮助企业最大化数据价值，从而带来真正的业务影响。

Rodriguez 表示，Elastic 的吸引力不仅在于其 AI 搜索技术的准确性和相关性，还在于其先进的监测功能以及与多家 AI 生态系统合作伙伴的集成。作为回报，Accenture 带来了无与伦比的行业知识、战略咨询专长，以及能够实施并集成复杂技术解决方案的全球专业人员网络。Accenture 继续在 Elastic 技术方面招聘并培训其员工，凸显了携手合作的重要性。

Accenture 和 Elastic 还能帮助企业解决最棘手的问题之一：从哪里着手。Mayzak 表示，组织应该寻找有海量准确数据的内部用例。“选择一个最适合当今 LLM 能力且成功几率高的计划。通过证明价值，您可以解锁更多项目的预算资源，并建立真正的业务增长动能。”

这两个组织都拥有在不同环境中管理非结构化数据的丰富经验。Rodriguez 说：“在现实世界中，组织数据非常复杂，涉及多个层级结构、网络和多维关系。”

许多大型组织，尤其是在制药、零售、汽车和电子商务等行业，存储着数百 TB 甚至 PB 级的数据。然而，这些数字资产中很大一部分尚未得到充分利用。平均而言，企业仅利用了 32% 的数据，超过三分之二的数据尚未得到利用。¹

Accenture 帮助他们弥合差距，在嵌套记录、业务标识符及各种排序信号之间建立复杂的联系。这些指标包括相关性分数、受欢迎程度、销售量和分类法分类。

在如此复杂的环境中，使用基本的向量数据库就像试图用一根火柴照亮一个体育馆，技术上虽然有光，但对于所面对挑战的规模来说，却是远远不够的。

有了坚实的基础，组织可整理业务架构以应对 AI 浪潮的冲击，而这一进程远超大多数高管的认知。其中，智能体框架可提供自动化和自主决策的协同，并置于人类监督之下。

Rodriguez 将智能体分为以下三类：

1. 在最基本的层面上，组织可以创建自己的内部搜索和问答系统。这些智能体能够执行诸如对结构化和非结构化数据进行自然语言查询、安排会议室、查找联系信息或提供指引等任务。

2. 第二种智能体行为与机器人流程自动化 (RPA) 和业务自动化相关。设想一下发票处理：收到发票后，财务系统会触发一系列查核和数据登记。生成式 AI 自动化此流程的手动步骤，从而有可能提高准确性并降低成本。

3. 在未来，智能体可以作为一个协作团队，配合我们解决问题。监管型智能体可能会定义一项任务，例如创建营销简报，然后将子任务委派给其他专业智能体。这些子智能体收集信息，并将其整理汇总成最终结果。

在所有这些情况下，矢量化的可搜索知识存储都是必不可少的。“这是企业为利用智能体工作流而应进行的投资，Elastic 可以在这方面提供帮助，”Rodriguez 说。

Rodriguez 还向那些不确定是立即采取行动还是观望第一波生成式 AI 的企业发出了一个明确的信息：“企业需要从大处着眼。不要只关注在起草电子邮件时节省几秒钟的聊天机器人。”他说，“好消息是，Elasticsearch 等平台提供了成熟的数据建模和搜索功能，以应对企业级挑战。”