想象一下這樣的情況:你剛剛在一家《財富》1000強公司的市場部開始了一份新工作，是時候開始著手工作了。
你的首要任務是建立一個指導未來12個月的戰略組合。收集曆史數據和見解是這個項目的關鍵。
其中一些關鍵知識可以在該組織的數據庫中找到，不過大多數都是存儲在Box、Dropbox、SharePoint和OneDrive中的PowerPoint演示文稿、pdf和Word文檔。
從這個非結構化數據存儲庫中尋找任何答案就像大海撈針。
在篩選前任創建的不熟悉的文件時，你意識到交付第一份任務的時間已經不多了，所以你放棄了它——忽略了豐富的內部數據，以快速“互聯網”答案。
雖然這聽起來像一個噩夢，但它每天都在大多數組織中發生。
創建和記錄企業信息的解決方案已經迅速超越了組織、存儲和從數據中尋找答案的現有技術。
非結構化數據是最難獲取的，但也是最有價值的，因為將數據轉化為知識需要花費時間、金錢和洞察力。
好消息是:如今的人工智能技術可以搜索那堆文件，並找到你想要的答案。讓我們來探索人工智能是如何做到這一點的。
我知道它就在那裏，某個地方……
你的任務是為你的部門撰寫季度市場報告。
你想把你在不同地區的市場份額納入一個矩陣，並記得在另一個團隊的演示中看到過它。
你向他們伸出手;沒有人知道是誰創建的，文件名是什麼，或者保存在哪裏。它應該在文件服務器的某個地方。您的搜索檢索90個可能的橋牌創建僅在過去一年。
即使每個演示隻有20張幻燈片，你想要的圖表也隱藏在這1800張幻燈片中的某個地方。重新創造它要比試圖找到它容易得多。
有了人工智能驅動的知識管理係統，您可以通過簡單地詢問“我們在不同地區的市場份額是多少?”
很快，你就會看到一張設計精美的圖表，它位於100頁的《競爭情報》的第33頁。
更好的是，它還調出了原始數據。根據這些新信息快速更新數字，就可以得到一個精美的圖表，這樣就完成了。
你現在可以把時間花在為你的報告添加戰略見解上，而不是重新創建資產。
可能以前就有人這麼做過……
你的桌子上剛剛看到一份征求建議書，和往常一樣，你隻有有限的時間把提案發出去。
您立即開始聯係組織內的不同專家，詢問他們中許多人以前回答過的問題，但不是針對這份RFP的問題。
在等待回複的過程中，你開始瀏覽過去的提案，知道很多答案可能可以在龐大的pdf庫中找到。問題是搜索將占用大部分可用的響應時間。
如今的人工智能技術正在改變這種猜謎遊戲。你隻需向你的人工智能助手詢問你想要回答的問題，而不是試圖弄清楚誰可能知道或者它是否已經存在。
在閱讀並記住公司Dropbox、OneDrive和SharePoint賬戶上的每一條信息後，你會立即發現紐約辦公室創建的一個類似的建議。
如果沒有人工智能，你將永遠無法利用你的異地同事已經寫下的一些精彩答案。當公司的所有數據都可以通過支持人工智能的知識管理獲得時，每個人的項目都可以繼續而不受幹擾。
我不知道我不知道什麼…
是時候寫博客、通訊或白皮書了，你需要包括一些相關的數據來加強你的信息。
您瀏覽了公司的已發布內容檔案，但沒有看到任何與您的特定主題相匹配的標題，因此您轉到穀歌查看可以找到什麼。穀歌可以讓您輕鬆地從公開的信息中收集一些額外的關鍵點，並將其包含在您的內容中。
如果你可以直接問你的人工智能助手，這個過程會容易得多。
你不知道的新信息馬上就會被發現。在22點43分的時候，你的CEO會在視頻中講述這個話題。你會從另一間辦公室的同事半年前撰寫的一份通訊中找到一條拉引用。
還有一個相關的統計數據來自你忘記自己訂閱的eMarketer。現在你可以通過人工智能即時傳遞有針對性的信息來加強你的內容。
想到的知識管理的人工智能作為企業答案引擎而不是文檔搜索工具。它通過無數的文件類型保存了公司的知識總和，並快速提供精確的答案，而不是相關文檔的列表。
您的所有品牌記憶，在一個地方被徹底閱讀、記住和訪問，這是通向您的企業知識的單一門戶。通過一個接口實現數據的普遍訪問和民主化。積累的知識不僅僅是儲存的，它是建立在知識的基礎上的。這些係統真正允許知識工作者使用數據推動他們的公司向前發展。
當我們重新審視上麵的“噩夢場景”時，想象一下公司裏有一個知識最淵博的人——擁有多年積累的智慧——幫助你建立你的戰略。
最重要的是，這個“人”完全致力於通過不斷學習，發掘過去的洞察力，並在你需要的時候提供正確的信息來幫助你更好地完成工作。這似乎不再是一場噩夢了，不是嗎?你完成了你的截止日期，推動了收益的增長，從此過上了幸福的生活。
有了人工智能，一切都成為可能。
丹Mallin
丹·馬林(Dan Mallin)是Equals 3的聯合創始人，他和他的團隊在那裏創建了ai驅動的知識管理平台Lucy。