2026-04-24 06:07
扫码打开虎嗅APP
本文来自微信公众号： 清华管理评论 ，编辑：排版|尚慧林，作者：李烨 等
知识型工作的智能化不是一次单纯的技术革命，而是一次深层的知识革命。它要求企业正视并建设自身的专属知识体系，把分散在不同个体和部门中的经验沉淀为组织的集体智慧。在这个过程中，那些能够在技术与知识两方面同时发力的企业，将在未来的竞争中率先跨越关键卡点，真正把人工智能的潜力转化为生产力。
过去几十年，人工智能（AI）的发展主要集中在制造、物流、零售等流程化场景。这些领域的任务往往具有明确的标准和可量化的指标，因此适合通过规则化的程序实现自动化。而在法律、医疗、金融、科研等高度依赖专业知识和经验判断的领域，AI的应用则显得步履缓慢。原因在于，这些知识型工作具有三大特征，即复杂性强、非结构化信息多、高度依赖专家经验。长期以来，人们普遍认为这类工作难以被技术替代。
近年来的变化来自大语言模型（LLMs）的崛起。以GPT、DeepSeek、Qwen等为代表的新一代模型，在自然语言理解和生成方面展现出突破性能力。这使AI第一次有可能塑造知识型工作——不仅承担标准化、重复性的环节，还能在逻辑推理、风险识别和辅助决策中提供支持。由此，知识工作的分工模式发生改变：AI负责“减负”，人类专家聚焦“高价值”创造性工作，效率与质量的平衡因此被重新定义。
这一趋势已经开始显现：医疗诊断中出现了辅助分析工具，金融机构开始借助AI进行风险评估，法律服务中也逐渐尝试使用AI辅助合同审查。AI正在从一个“工具”演变为“协作伙伴”，这不仅有助于降低错误率和人力成本，还有助于推动跨部门协作和重塑组织的知识流动方式。对管理者而言，这不仅是一次技术升级，更是一次组织能力和治理模式的再造。本文将以企业法务的合同审查为例，展示知识型工作智能化的实践探索。
与高度流程化的事务性工作相比，知识型工作的本质在于处理复杂信息并作出判断。这种工作最显著的特点是高度依赖经验。例如，一个资深法务能够在合同条款中迅速识别潜在风险，一个医生能够通过病人几句话的描述捕捉关键症状，一个投资经理可以从纷繁的数据里敏锐地察觉风险信号。这些能力往往是多年实践积累形成的。
知识型工作的另一大特征是信息形态的复杂性。这类工作需要处理的数据往往不是整齐划一的表格，而是海量且非结构化的文本和信息。比如合同条款，同样的付款义务可能被写成“应在合同签署后15日内支付总额的50%”，也可能写成“合同生效后，买方需在十五个工作日内支付合同金额的一半”，甚至还可能夹杂更多模糊表述。对于机器而言，这些差异是难以处理的，即使是法务人员来处理，也需要大量时间逐一甄别。
复杂性与不确定性也是知识型工作的常态。不同于流水线上的标准作业，知识型任务很少有唯一的“正确答案”。即便是同样的合同条款，在不同的行业环境、监管要求或商业背景下，也可能存在不同的解释，引出不同的判断。这就意味着，知识型工作对组织的能力要求远高于传统任务，不仅需要专业人才，还需要良好的制度与协作机制来减少偏差。
然而，这种协作往往并不顺畅。以合同审查为例，法务部门需要关注条款的合法合规性，财务部门关心付款方式和金额，业务部门则更在意交付进度和责任分配。不同部门各有其专业语言和立场，往往需要长时间的沟通与协调才能达成一致。这直接导致合同流转周期过长，业务流程的整体效率降低。
知识型工作既昂贵又缓慢，昂贵在于需要大量高水平人才支撑，缓慢在于协作和判断本身耗费时间。这类工作也容易出错，即便是最优秀的专家也可能因为疲劳、信息不对称或疏忽而出现纰漏。更重要的是，这种困境并非个别现象，而是广泛存在于法律、医疗、金融、科研等各个行业之中。可以说，知识型工作的价值越高，背后的效率与风险问题越突出。
知识型工作智能化成为可能的关键在于人工智能的突破，尤其是大语言模型的出现。与早期的规则程序和判别式模型不同，大语言模型能够理解和生成自然语言，这意味着它们不再局限于结构化任务，而是能够进行人与人之间那样自然的沟通与知识表达。
从使用者的角度看，前沿的大语言模型如GPT-5、DeepSeek R1、Gemini 2.5等，已展现出类似人类的一般智能。它们不仅能回答一般性问题，还能在专业语料的训练加持下，对法律、医学、金融等领域的问题给出看似合理的分析和建议。某种程度上，人们已经开始把它们当作“准专家”来看待。但真正把它们放到知识型工作的场景里时，问题便显现出来了。首先，大模型的知识与判断往往是“普适”的，而不是针对具体企业。比如在合同审查中，大模型可以识别风险条款，但它并不知道某一家企业在商业谈判中愿意接受什么样的付款条件、如何界定违约责任的优先顺序。这些差异并非知识缺陷，而是立场和策略的不同。
其次，企业真正的竞争力往往蕴藏在无法公开的内部诀窍（know how）中。研发流程中的独门诀窍、供应链中的关键约定、客户关系的维护经验，这些都不会出现在大模型的训练语料中。因此，即便未来通用人工智能（AGI）成为现实，单个AGI模型的能力与企业内部知识岗位的要求之间，依然存在不可避免的适配鸿沟。
这就决定了知识型工作智能化的普遍路径：企业不能仅仅依赖大模型本身，必须在其之上构建属于自己的知识体系。这一知识体系涵盖三大核心：专属的知识库（企业内部沉淀的制度、标准与经验）、专属的推理框架（体现组织判断问题的立场与优先级），以及与日常业务相结合的工作流（使AI的输出真正服务于企业实际需求）。换句话说，通用大模型提供“广度”，而企业专属知识提供“深度”，两者结合才能真正推动知识型工作的智能化。
从管理的角度来看，知识型工作的智能化也带来新的启示。智能化不再只是技术部门的任务，而是一个跨部门的工程：法务需要定义合规标准，财务需要设定风险容忍度，业务部门需要输入实践经验，技术团队则负责将这些转化为可用的知识模块。只有这样，企业才能把大模型的“通用智能”转化为贴合自身战略与运营的“专属智能”。
在一家跨国制造企业的法务部门，合同审查一直是业务运行的“隐性瓶颈”。企业每年要处理数千份供应链、采购和销售合同，从百万级的设备采购，到几十万元的零配件订单，条款内容繁杂，涉及部门众多。合同审查一直是业务推进的“卡点”。
在这家公司，过去一份合同从拟定到最终签署，平均需要两到三周。最常见的情况是合同在法务、财务、采购等部门之间来回流转。法务要核查合规性和风险，财务要确认付款条款，采购要确认交付节点。仅仅是一个条款里的“付款15天内”还是“15个工作日内”，就可能引发反复确认。法务部门忙得不可开交，却无法有效推进审查流程。合同审查的低效直接影响项目交付速度和客户满意度。
为了破解这一长期困境，企业开始探索引入合同智能化审查。最初，这家公司尝试基于规则的自动化系统：开发人员写了一堆正则表达式，用来匹配付款、交付、违约等关键字，效果却不尽如人意。因为合同的表述极其多样化，例如“支付总额的50%，在合同签订后15天内支付”与“合同生效后，买方应在十五个工作日内支付合同金额的一半”，在法律效果上几乎相同，但程序只能识别其中一种写法，结果常常发生误判或漏判。系统一旦更新不及时，就要投入大量维护成本。
后来，这家公司又引入基于自然语言处理（NLP）的实体识别工具，试图识别合同中的关键主体、金额、时间和地点。这一阶段比模板匹配灵活得多，但依旧存在“只见树木、不见森林”的问题。比如系统能识别出“交货地A”“付款地B”，却无法理解这背后可能隐藏的争议与风险：若付款地与交货地分离，国际贸易中的管辖权和关税责任就会成为潜在隐患。换句话说，机器看到了词，却不理解逻辑。
真正的转折点出现在企业决定引入大语言模型，将其接入审查流程。模型不再仅仅依赖关键词，而是能够“读懂”合同。面对一份长达六十页的供应合同，模型可以在几分钟内完成条款的初步梳理，识别出潜在风险点，并生成对应的修改建议。例如，当合同中出现模糊的地方“如有争议，由甲方所在地法院裁决”，模型会提醒：“该表述存在偏颇，建议补充仲裁或双方协商机制，以降低未来纠纷风险。”
借助大语言模型，合同审查进入一个全新的智能化时代。我们不仅可以提升合同审查的效率，还能在质量和精度上实现突破。符合新范式的合同审查系统具备三个特征。
其一为全流程覆盖。大语言模型的强大优势在于其能够覆盖整个合同审查流程，从条款识别、风险评级到修订建议生成。这一端到端的智能化流程可以大大提高审查的效率与准确度。
其二为构建专属法律知识图谱。为了提高合同审查的专业性和适应性，大语言模型需要同企业中与风险评价标准相关的合规法律体系深度结合，构建专属的法律知识库。借助企业专属的法律知识图谱，大语言模型能够实现个性化的法律风险评估和条款建议。每家企业的合同条款和实际需求都有其独特性，大语言模型能够通过分析企业过往的合同实例与审查数据、履约复盘数据，提炼出适合该企业的法律知识和审查标准。这种动态更新的知识库不仅能够帮助大语言模型理解企业文化和业务需求，还能确保大语言模型在审查过程中始终贴近企业实际。法务信息天然具备形成知识图谱的特征——知识图谱中的节点可以是主体、具体的法条、事实和合同条款等，节点之间的关系表征不同立场、不同条款、法律法规等因素之间的关联性。通过这种方式，大语言模型能动态调整其审查策略，做到更为精准地预警法律风险。
其三是大语言模型预审与人工复核相结合。尽管大语言模型在合同审查中的应用能够显著提升效率和准确性，但由于法律领域涉及高度复杂的语境和细节，人工复核依然是不可或缺的一环。因此，采用大语言模型与人工复核相结合的混合工作流，能够在提高效率的同时，保证审查的质量和合法性。大语言模型对合同进行初步审查，识别出所有潜在问题，给出修改建议，并进行初步的风险评估；然后，人类律师对自动化的审查结果进行复核和确认，提供更高层次的安全保障。大语言模型能够承担大部分重复性和流程性工作，人工则集中精力处理需要专业判断和复杂推理的部分。这样的人机协同模式既能提高效率，又能确保审查结果的高质量。
在上述智能化转型落地之后，企业的合同审查效率有了显著提升。原本一份合同往往需要两到三周才能走完流程，如今在AI预审的基础上，整体周期被压缩到三到五天。对于金额较小、条款标准化程度较高的采购合同，甚至可以在一到两天内完成签署。
更重要的是，合同审查的错误率和疏漏明显下降。过去常见的遗漏条款（如付款条件未明确、违约责任模糊等）可以被大模型及时发现，减少了后续执行阶段的争议。法务部门统计发现，智能审查上线后的一年内，由合同不完善引发的内部复盘案例下降了约三分之一。
法务部门反馈，AI的引入并没有削弱专业人员的价值，反而让他们能够把精力从烦琐的逐条审查中解放出来，投入到谈判支持、合同模板优化、合规战略研究等更高价值的工作中。初级法务人员也能通过复核AI的结果快速学习，缩短成长周期。法务负责人表示：“机器把杂活、累活接过去了，人才能腾出手去做真正需要智慧的判断。”
这个案例清晰地展现了知识型工作智能化的渐进路径。第一，技术演进是一个循序渐进的过程：从规则匹配到自然语言处理，再到大语言模型，企业一步步走过了从“部分自动化”到“深度智能化”的过程。第二，真正的突破来自于通用技术与企业专属知识的结合。没有企业化的知识图谱，大模型的建议往往“泛而不专”；只有沉淀内部经验，才能让技术输出贴近组织实际。第三，人机协同而非完全替代，是当前阶段最现实、最有效的模式。AI虽然在效率与准确性上具有优势，但在法律、金融等领域，人的判断与责任仍然不可或缺。
合同审查智能化不仅是一次技术升级，更是一场组织能力的再造。它重塑了人机分工，推动了跨部门协作，也为企业积累和利用内部知识提供了新方式。更广泛地说，这一案例也折射出知识型工作智能化的普遍逻辑：技术是基础，知识是核心，协作是关键。
在知识密集型工作的智能化探索中，我们看到一个愈发清晰的趋势：AI技术正逐渐从辅助工具转变为组织知识工作的“协作者”。然而，能否真正落地并创造价值，并不在于算法本身的先进程度，而在于企业是否具备完善的知识支撑体系。换句话说，AI再强大，如果没有与企业专属知识深度结合，其作用终究有限。
这揭示了当前知识型工作智能化的关键卡点：通用AI模型与具体业务需求之间存在天然鸿沟。通用模型擅长的“普适性智能”和企业需要的“专属性判断”之间存在的大量差异，要依靠企业自身长期积累的制度、流程、案例和隐性知识，才能准确识别。因此，建立企业专属知识体系才是智能化成功的关键。
企业建立专属知识体系的工作至少包含三个层面。第一，知识的沉淀与标准化。将散落在个人经验和部门文件中的诀窍转化为可共享、可迭代的制度性资产。第二，动态更新与反馈机制。知识不是一成不变的，必须随业务变化、外部环境和法规调整而不断迭代。第三，与AI技术深度融合。不仅要让AI能够调用这些知识，更要使其在工作流中自动应用这些知识，从而真正做到“懂企业、懂业务”。
然而，这一过程并不容易。企业往往面临两大难题。一是知识捕捉难。许多关键经验依赖资深专家的隐性知识作出判断，很难直接转化为条文化、规则化的内容。换句话说，大量诀窍实际上是沉积在人脑中而不是“纸面上”的。二是知识治理难。不同部门的立场和标准并不一致，要在知识体系中形成统一的出发点和裁量标准，需要管理层的强力推动与协调。
展望未来，知识型工作智能化可能会呈现出“双轨并行”的格局：一方面，AI承担起重复性强、流程性明确的工作，并通过不断学习企业知识逐渐提升判断能力；另一方面，人类专家把更多精力投入到战略性、创新性和跨领域整合的任务中。知识型工作智能化最终的目标不是机器替代人，而是让AI与专属知识体系共同成为企业的“第二大脑”，持续支撑组织的高效运转与创新突破。
知识型工作的智能化不是一次单纯的技术革命，而是一次深层的知识革命。它要求企业正视并建设自身的专属知识体系，把分散在不同个体和部门中的经验沉淀为组织的集体智慧。在这个过程中，那些能够在技术与知识两方面同时发力的企业，将在未来的竞争中率先跨越关键卡点，真正把AI的潜力转化为生产力。
