每周在 SharePoint 上浪费 7 小时：如何借助托管人工智能，让您的团队不再搜索已存在的信息

在线联系（Konrad Wolfenstein）

语言选择 📢

发布日期：2025年11月11日 / 更新日期：2025年11月11日 – 作者：Konrad Wolfenstein

每周在 SharePoint 上浪费 7 小时：如何借助托管人工智能，让您的团队不再搜索已存在的信息

每周在 SharePoint 上浪费 7 小时：如何借助托管 AI 让您的团队不再搜索已存在的信息 – 图片来源：Xpert.Digital

单靠微软 Copilot 毫无用处：为什么没有这个基础，你的 AI 将会失败

从数据坟场到数据金矿：SharePoint 与托管 AI 如何成为您公司的智能大脑
人工智能时代的知识管理：从被动存储到智能企业基础设施

信息自由的幻象——为何组织机构在拥有海量数据的情况下仍然在战略上视而不见

现代商业环境呈现出一个根本性的悖论。企业拥有海量的数据和文档，然而这种海量数据却系统性地转化为战略瓶颈。信息过载不再是信息技术的边缘问题，而是影响效率的核心障碍，显著损害了企业的经济效益。员工每天都在浪费工作时间，搜索那些早已存在于公司数字档案库中的信息。这并非存储容量不足所致，而是架构缺陷的体现：传统的知识管理系统是静态的、被动的，缺乏智能化管理企业集体记忆的能力。

这种低效造成的经济影响十分显著。实证研究表明，员工平均每周花费五到七个小时查找现有信息或在不知不觉中创建新信息。对于一家拥有500名员工的公司而言，这意味着每周损失2500到3500个工时。按此推算，一个财政年度的生产力损失将达到13万到18万个工时。这不应仅仅被视为时间的浪费，而是直接的资源损失，会对公司的利润率产生负面影响。

与此同时，人工智能系统与 Microsoft 365 生态系统的集成正显著加速数据量的激增。每天有近 20 亿份新文档被集成到启用 Copilot 的 Microsoft 365 实例中，这一挑战不仅在数量上不断增加，也带来了新的质性问题。企业面临着一个关键问题：当信息架构混乱、分散且概念上缺乏条理时，人工智能系统如何才能有效地访问和利用企业信息？

答案不在于对现有系统进行进一步优化，而在于进行根本性的架构变革。该解决方案名为 SharePoint Knowledge Agent，代表了一种新型企业软件：智能驱动的知识操作系统。

结构转型：SharePoint 作为智能知识平台

微软不再将 SharePoint 视为被动的文档管理系统，而是将其视为企业沟通和知识利用的主动智能层。这种转变并非仅仅是对现有功能的渐进式改进，而是对文档平台在现代企业架构中应扮演的角色进行了根本性的重新评估。

SharePoint 知识代理利用现代语言模型和机器学习技术，不仅存储公司内容，还能主动分析、构建结构并针对各种使用场景优化这些内容。该技术利用大型语言模型，能够语义理解文档内容并自动生成结构化元数据。具体来说，这意味着文档并非简单地存储在文件夹中；而是对其内容进行分析，提取关键概念，识别上下文关系，并自动应用相关的分类。

这种自动化内容分类对提升业务效率有着深远的影响。当人力资源部门上传新的政策文件时，知识代理不仅会分析文本，还会自动识别相关类别，例如范围、生效日期、审批状态和内容关键词。系统会相应地标记文档，并将这些元数据提供给搜索和查询功能。因此，信息不仅被存储，而且还被积极地为重用和机器处理做好准备。

这种方法的一个特别创新之处在于它将图书馆组织从人工管理任务中抽象出来。知识代理可以自动建议新的列，建立归档规则，并生成自定义视图，根据智能标准筛选和排序文档。这不仅消除了元数据管理的行政负担，还创建了一种能够适应不断变化的业务需求的组织动态。

这对IT治理的影响十分显著。传统的知识管理系统面临着数字化衰退的问题。文档会失去相关性，不再更新，链接系统也失效。而具备知识代理功能的主动式知识管理系统能够主动识别这些问题。该系统可以自动检测失效的超链接，标记长期未更新的内容，并提醒管理员注意可能包含过时或相互矛盾的信息。

知识表达自动化：常见问题解答生成作为元生产力倍增器

人工智能支持的知识管理平台的一个特别实用的功能是自动生成常见问题解答。这一功能模块代表着组织内部知识传播民主化的一项重大突破。

在传统模式下，创建全面的常见问题解答文档是一项劳动密集型工作。内容管理员必须仔细审阅原始文档，预测用户可能提出的问题，并撰写既准确又易于理解的答案。这个过程既耗时，又会受到人类认知和视角偏差的限制。

人工智能驱动的常见问题解答 (FAQ) Web 部件从根本上改变了这种动态。作者可以选择一个或多个源文档，并指示系统自动生成 FAQ 结构。该过程遵循三阶段架构：首先，选择源文档，例如 Word 文件、PowerPoint 演示文稿、PDF、会议记录或会议纪要等。第二步，作者定义内容上下文，例如 FAQ 是与事件、政策、产品还是其他概念领域相关。第三步，知识代理自动生成类别、相关问题和有意义的答案。

这项功能之所以能被企业接受，关键在于保留了人工控制和质量保证环节。自动生成的常见问题解答不会立即发布，而是提交给作者进行审核、调整和验证。这形成了一种混合工作流程：重复性的认知负荷（例如结构化工作）被转移到人工智能系统，而质量保证和上下文验证则仍然由人类专家负责。

这种自动化带来的经济影响因组织类型而异。在大型金融服务机构中，自动化生成合规文档、产品指南和内部流程指南的常见问题解答，每个季度可节省数百小时。软件公司可以利用此功能自动生成与内部利益相关者和外部合作伙伴相关的文档。

然而，其隐藏的经济效益在于信息传播的改善。当员工能够更快、更直观地找到问题的答案时，支持部门和专家团队的负担就会减轻。在团队分散或采用零工经济模式的组织中，这种自助式知识获取方式可以显著提高生产力。

特定场所人工智能：从通用助手到情境专家

通用人工智能助手的一个根本问题是其上下文盲点。通用助手可以访问聚合的 Microsoft 365 内容，但缺乏对特定公司或团队独特信息环境的深入了解。这就导致了一种局面：尽管人工智能助手在技术上可以访问数百万份文档，但其响应却缺乏针对性、不考虑上下文，并且往往与实际需求不直接相关。

SharePoint 站点专属代理的创新之处在于，它能够有针对性地解决这个问题。每个 SharePoint 站点都拥有自己的 AI 代理，该代理拥有专属权限访问该站点的内容，并将这些内容用作专业知识库。这意味着销售部门的团队拥有一个专门负责销售策略、客户画像、业务逻辑和销售手册的“副驾驶”。与此同时，IT 部门也拥有一个专门负责技术文档、系统架构和 IT 治理的代理。

其结果是人工智能生成的答案的相关性和质量显著提升。销售人员不再能简单地用通用信息回答“大型企业适用哪些折扣等级？”之类的问题，而是能够提供存储在销售文件中的精准、最新的公司指南。这不仅提高了信息质量，还消除了因信息过时或错误而导致的违规风险。

然而，部署特定站点的代理需要复杂的安全架构。微软通过多因素身份验证和授权策略来解决这个问题。该平台采用身份传递和代理身份验证，确保人工智能代理仅在请求用户拥有相应访问权限时才能检索文档和信息。这是一种针对复杂问题的技术解决方案：如何在不损害安全性和合规性的前提下，为人工智能代理配备全面的知识库。

这种访问控制的精细程度令人瞩目。管理员不仅可以在站点级别授予或拒绝访问权限，还可以在文档库和列表级别进行权限控制。这使得组织能够在有效控制敏感信息访问的同时，最大限度地发挥人工智能系统的认知能力。

部门特定生产率乘数：经济转型情景

智能知识管理系统的理论能力通过各个部门的具体生产力提升在实践中得以体现。每个组织单元的信息需求、访问模式以及对人工智能辅助自动化的成本效益分析各不相同。

在销售领域，这种转变尤为明显。传统的销售人员需要处理繁琐的任务：研究客户历史记录、识别相关产品信息、咨询定价和折扣政策，所有这些都必须在与客户互动时实时完成。而智能 SharePoint 代理可以显著加快这一流程。销售人员可以向代理提出诸如“这位客户之前购买过哪些产品组合？有哪些升级方案可供选择？”之类的问题，并基于历史销售数据、产品政策和客户偏好，在几秒钟内获得准确的答案。这使得从客户咨询到获得有效报价的响应时间从数小时缩短到数分钟。这种快速响应直接转化为更高的转化率、更短的销售周期和更佳的客户体验。

例如，一家金融服务公司可能会发现，平均销售电话准备时间从 45 分钟缩短到 15 分钟。假设该公司有 100 名销售人员，平均每天拨打 5 到 10 个电话，那么每天就能节省 3000 到 6000 分钟的生产力。这相当于每天额外增加 90 到 180 个工作小时，可以投入到其他创收活动中。

IT部门受益于完全不同的机制。在IT领域，知识管理历来具有快速过时和高度复杂性的特点。系统架构不断变化，新技术需要新的文档，而旧文档往往无法及时更新。这导致IT专业人员经常需要面对过时的文档，进而造成潜在的错误来源。

具备知识代理功能的智能知识管理系统可以系统地解决这些问题。该代理可以自动识别失效的超链接，标记过时的内容，甚至推荐指向更新或类似文档的链接。管理员可以定期收到自动生成的报告，了解哪些文档已过时或不再使用。这创建了一种主动式而非被动式的治理模式。

然而，IT 的优势远不止于维护任务。IT 专业人员可以通过向 SharePoint 代理提出智能问题，更快地找到复杂技术问题的解决方案。例如，系统管理员可以询问“在我们的混合云基础架构之间建立安全连接需要哪些配置步骤？”，并获得基于其组织已记录的架构和流程指南的专业答案，而不仅仅是通用信息。

人力资源部门受益于人力资源政策和流程相关信息的民主化获取。新员工通常会面临信息过载：组织架构、公司政策、IT系统、合规要求以及其他众多主题都需要快速掌握。智能化的人力资源SharePoint代理可以显著改善这一入职流程。新员工可以询问有关公司文化、福利政策、合规要求和流程的问题，并获得针对其具体情况量身定制的解答。

这不仅减轻了人力资源专业人员的工作量，还提高了入职流程的质量。研究表明，更完善的入职流程能够提高员工留任率、加快生产力提升并降低员工流动率。其经济效益显著：在许多行业，招聘和入职一名员工的平均成本在 5 万至 15 万欧元之间。如果一套智能知识管理系统能够降低 5% 的员工流动率，那么对于一家拥有 1000 名员工的中型企业来说，每年就能节省 250 万至 700 万欧元。

在项目管理中，智能知识管理通过自动化报告生成，直接提升生产力。一个典型的例子是：项目经理每周需要花费两到四个小时，整理会议记录、任务清单和各种项目文档中的信息，生成状态报告。而一个拥有所有项目相关文档访问权限的人工智能代理，可以根据自上次报告以来新增的文档和更新自动生成这些报告。这样一来，每个项目经理每周就能节省两到四个小时。

对于一个拥有五名项目经理、平均年薪为八万欧元的大型项目而言，这意味着每年可节省两万至四万欧元。对于大型组织中通常拥有十二至十五名项目经理的项目管理岗位而言，这些节省的金额将成倍增长，达到每年十五万至一千一百欧元。

下载 Unframe 的《2025 年企业 AI 趋势报告》

点击此处下载：

Unframe AI 网站：《2025 年企业 AI 趋势报告》可供下载

面向 SharePoint 的托管 AI：以治理驱动生产力

治理复杂性：自动化与控制之间

实施智能知识管理系统会给组织带来复杂的治理难题。一方面，自动化分类和标记能够显著提高效率；另一方面，如果不同的团队和部门开发不同的分类系统，则存在数据异构性失控的风险。

微软通过正式的分类管理模型来解决这个问题。它不允许用户随意分配元数据，而是定义了一个中央企业分类体系，该体系源自公司的信息架构和业务逻辑。这个分类体系随后成为自动化人工智能分类的基础。人工智能学习根据标准化的、公司范围内的类别来标记文档，而不是根据任意标准。

这种治理结构是一种权衡。它限制了各个团队开发各自分类系统的灵活性，但也实现了公司范围内的一致性和互操作性。人力资源部门标记的文档将与信息技术部门的文档使用相同的类别，从而实现公司范围内的搜索和查询。

然而，组织在实施这些治理模型时必须考虑一些技术限制。自动标记功能每个文档库最多只能标记五列。扫描的PDF文档无法通过自动内容分析进行捕获，因为自动内容分析无法从扫描文档中提取文本。系统不会自动回填现有文档；自动化功能仅适用于新建或最近上传的文档。这意味着文档历史记录可能仍然需要手动或半自动完成。

尽管存在这些局限性，微软强调，正式的治理机制并不会限制生产力，反而能够实现安全一致的协作。这一点在启用自助式站点创建的 Microsoft 365 环境中尤为重要。如果没有集中化的治理标准，组织很快就会发现，成百上千个站点各自拥有不同的分类系统，彼此之间无法互操作。

与扩展的 Microsoft 生态系统集成：Copilot Studio 和 Power Platform

使用 SharePoint 进行智能知识管理不应被视为一个孤立的系统，而应被视为由 Microsoft Copilot Studio、Power Platform 和增强型 AI 功能组成的集成生态系统的核心组件。

在此架构中，SharePoint 作为中央知识库。Copilot Studio 提供了一个用于配置和管理 AI 代理的平台，而 SharePoint 则作为数据集成后端。通过 Copilot Studio 配置的 Copilot 代理可以使用 SharePoint 作为其主要知识库，并且可以与其他数据源集成，例如 CRM 系统、ERP 系统、HR 系统或任何其他可通过 API 或连接器访问的数据源。

这意味着企业人工智能基础设施的集中化。以往由不同团队分别部署不同的人工智能工具和代理，现在则建立中央治理模型，所有人工智能代理都通过一个通用平台进行管理。这降低了复杂性，提高了一致性。

Power Platform 及其 AI Builder 功能代表了更高层次的扩展。SharePoint 和 Copilot Studio 针对问答场景进行了优化，而 Power Platform 则能够实现更复杂业务流程的自动化。例如，可以在 Power Automate 中配置一个自动化工作流，以便在新上传的人力资源政策文档时自动触发一系列操作：分析文档、根据相关性对员工进行分类、发送通知、生成常见问题解答，并记录变更历史。

确保所有数据安全地保存在组织控制者手中是至关重要的安全保障。人工智能代理会明确引用其数据来源，并显示其回复所依据的具体段落。这有助于实现两个重要方面：首先是透明度和可追溯性（微软称之为“可解释性”），其次是合规性和审计跟踪。当代理生成回复时，审计人员可以追踪并验证其确切来源。

未来发展：多智能体编排与智能体时代

微软将 SharePoint 及其周边生态系统的长期发展视为向完全基于代理的时代的过渡，而非持续的渐进式改进。下一阶段的发展将涉及自主代理，它们不仅能够响应请求，还能根据公司数据和战略背景，主动、独立地执行复杂的业务任务。

变革性的概念是多代理编排。它不再由单个代理执行所有任务，而是开发多个专业代理，每个代理负责不同的功能领域，并以协调的方式协同工作。一个实际场景可能是这样的：业务分析师向主代理发出指令：“为销售团队创建一份月末报告。” 这会触发一系列操作：数据代理从 Fabric 中检索相关的销售数据，分析趋势并识别异常情况。Microsoft 365 代理根据这些分析结果创建文档和演示文稿。Azure AI 代理自动安排与相关利益相关者的会议。工作流代理协调所有这些活动，并确保它们按正确的顺序执行。

这标志着人工智能在商业领域的应用方式发生了根本性转变。如今的人工智能主要作为人类决策者的辅助工具，而未来的人工智能将更加自主地运行。这既带来了巨大的生产力提升潜力，也带来了新的治理挑战。

管理型人工智能解决方案的经济合理性

为什么基于 SharePoint 的 AI 支持的知识管理是托管 AI 解决方案的理想选择？这个问题可以从各种经济和运营角度来解答。

首先，这是一个高度复杂且高度专业化的领域。实施智能知识管理系统不仅需要掌握 SharePoint、Microsoft 365 和人工智能技术方面的专业知识，还需要深入理解信息架构、治理模型、安全架构和变更管理。大多数中型企业，甚至许多大型企业，都缺乏从零开始设计和实施此类系统的内部专业知识。

其次，这是一个不断发展且需要持续更新的领域。微软会定期发布 SharePoint 及其相关平台的新功能和特性。内部管理这些系统的组织需要不断更新专业知识并评估新功能。这会占用原本可以更有效地用于其他领域的内部资源。

第三，如果实施不当，这一领域存在重大风险。如果治理模型配置错误，可能导致安全问题、违规或数据泄露。如果分类结构设计不合理，则可能实施的系统看起来更好，但实际上并不能提高生产力。经验丰富的托管人工智能提供商可以通过既定的最佳实践和实施方法，系统性地降低这些风险。

第四，这一领域的投资回报率高度依赖于实施质量。理论上的生产力提升可能相当可观，但这并非自动实现的。它需要周密的变革管理计划、深思熟虑的培训策略以及结构完善的推广活动。拥有这些领域专业知识的托管人工智能服务提供商可以显著提高成功推广和实现投资回报的可能性。

第五，持续优化是这一领域的关键所在。在初始实施之后，组织很快就会发现某些治理模型运行良好，而另一些则需要调整。分类体系将被完善，新的代理将被配置，新的用例也将被识别。托管式人工智能提供商可以执行这种持续优化，从而使内部 IT 部门能够专注于其他战略重点。

托管人工智能转型业务模式

采用 SharePoint 进行智能知识管理的托管 AI 解决方案通常遵循包含各种阶段和服务组件的业务模型。

第一阶段是评估和策略制定阶段。经验丰富的服务提供商将对当前的知识管理现状进行全面评估，找出痛点和低效之处，并制定战略实施计划。此阶段通常需要两到四周，包括与各利益相关方进行访谈、记录现有流程，以及确定可快速见效的方案和长期战略举措。

第二阶段是设计和规划阶段。服务提供商将制定一份详细的技术设计文档，其中定义了分类结构、安全和治理模型、集成架构以及实施路线图。此外，该文档还包括风险分析和缓解策略。

第三阶段是实施阶段。服务提供商将配置 SharePoint，实施分类结构，设置治理策略，培训关键用户和管理员，并迁移或转换现有内容。此阶段可能需要两到六个月，具体取决于组织的规模和复杂程度。

第四阶段是采纳和变革管理。服务提供商将支持各部门之间的沟通、培训和赋能，以确保新系统得到广泛应用。这可能包括网络研讨会、文档、最佳实践指南和持续支持。

第五阶段是持续支持和优化。服务提供商提供持续的技术支持，协助配置新功能和代理，监控采用情况和投资回报率的实现情况，并根据经验教训和不断变化的业务需求，支持持续优化。

从成本角度来看，托管式人工智能解决方案模式能够帮助企业降低总体成本并分摊财务负担。企业无需投入大量资本支出 (CapEx) 预算用于内部部署，也无需承担持续的运营费用 (OpEx)，而是可以与服务提供商建立一种模式，例如收取初始部署费和定期管理费。这种模式能够提供更大的财务灵活性和可预测性。

从风险转移的角度来看，托管人工智能服务提供商对实施质量和项目成功负有责任。这激励服务提供商提供高质量的实施方案，并成功支持应用推广和投资回报。

价值的具体创造：从理论到量化

该方案的经济吸引力最终取决于其创造价值的具体量化。虽然理论上的生产力提升幅度很大，但必须在实践中进行衡量和验证。

一家拥有500名员工的中型企业，如果员工平均每周花费5小时搜索信息，那么通过实施自动化和改进知识导航，其理论生产力提升潜力可达30%至40%。假设员工平均年薪为6万欧元，运营成本乘数为1.3，则每年可创造1.8亿至2.4亿欧元的增值。即使实际实现的理论收益仅为50%，也能带来9000万至1.2亿欧元的年度附加值。

拥有 1 万名员工的大型企业组织可以取得相应的更高绝对值，尽管按百分比计算的利润可能会较小，因为这类组织通常已经拥有更复杂的知识管理系统。

托管式人工智能解决方案的成本取决于组织的规模、实施项目的复杂性和目标。中等规模的实施项目成本可能在 13 万欧元到 30 万欧元之间，而大型企业实施项目的成本可能在 200 万欧元到 500 万欧元之间。如果年度新增价值达到 1.2 亿欧元或更高，则该项目具有非常可观的投资回报率，投资回收期为 6 至 24 个月。