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 从概念验证走向企业生产环境的关键之年。凭借正确的数据基础，企业可以从知识库中释放更大价值，为长期转型和竞争优势铺平道路。无论是在销售、客户服务还是营销领域，可行用例都在不断增加，而先行者已经开始实现效率提升。

面对如此多的机会，该从哪里开始？Accenture 搜索与内容分析部总经理 Derek Rodriguez 表示，答案可以从搜索的演变中找到。“多年来，我们一直依赖传统的基于关键词的检索：用户输入搜索词，再凭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 的合作发挥着关键作用：将 Elastic 可扩展的 AI 驱动型搜索能力与 Accenture 深厚的行业专业知识相结合，帮助企业最大限度释放数据价值，并产生真正的业务影响。

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，还在于其高级监控功能，以及与一系列 AI 生态系统合作伙伴的集成。与此同时，Accenture 则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熟练专业人才网络。Accenture 持续招聘并培训员工掌握 Elastic 技术，也凸显了这一联盟的重要意义。

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 表示：“在现实世界中，组织数据高度复杂，横跨层级结构、网络以及多维关系。”

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 帮助企业弥合差距，在嵌套记录、业务标识符以及多样化排序信号之间建立复杂联系。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，使用基础向量数据库就像试图用一根火柴照亮一座体育场：从技术上说确实有光，但面对如此规模的挑战，显然远远不够。

有了坚实的基础，组织就能面向一个比大多数高管意识到的更快到来的 AI 未来，重新设计业务架构。这其中包括智能体框架，可在人类监督者的参与下，同时实现自动化和自主决策。

Rodriguez 将智能体分为以下三类：

1. 在最基础的层面上，组织可以创建自己的内部搜索和问答系统。此类智能体能够执行多种任务，例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，或提供路线指引。

2. 第二类智能体行为与机器人流程自动化 (RPA) 和业务自动化相关。以发票处理为例：收到发票后，财务系统会触发一系列检查和数据登记。生成式 AI 可自动执行这一流程中的手动步骤，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，向量化的可搜索知识存储都至关重要。Rodriguez 表示：“这是组织为了利用智能体工作流而应进行的投资，而 Elastic 可以在这方面提供帮助。”

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。”