本文数据来自 Forrester Consulting 于 2026 年 2 月发布的报告《Use A Knowledge Graph To Start Making AI Useful》，由 Atlassian 委托，调研于 2025 年 9 月完成，覆盖北美、欧洲、亚太三大区域共 275 位 AI 决策者，包括企业技术/软件开发、数据与分析、战略软件投资等岗位负责人。

花了这么多钱，结果呢？

说实话，AI 这两年在企业里掀起的投资热潮是真实的。Jira 里加了 AI 助手，Confluence 里嵌了 AI 摘要，还有各种“AI 智能体”被寄予厚望，要帮团队减少重复劳动、提升决策效率、改善客户体验。

但 Forrester 调研的结果有点扎心：**超过一半的受访决策者表示，他们无法将 AI 带来的"感知生产率提升"转化成可量化的 ROI。**即便是 AI 采用度最高的那些企业，成本节约也普遍低于 10%，收入增长低于 5%。

钱花出去了，期望落了空。

报告给出了一个直接的判断：

期望与实际表现之间的差距，根源在于 AI 系统未能与组织的上下文与知识相连接。

问题出在哪里？

调研问了受访者最常碰到的 AI 战略挑战，排名前两位的并列第一，都是 39% ——

一个是跨工具数据整合困难（格式不统一、无法形成统一视图），另一个是 AI 功能在实际应用中受限。

这两个问题指向同一个根本原因：企业的 AI 系统，根本不知道公司里发生了什么。

员工的真实感受

当员工真正把 AI 引入日常工作之后，调研发现：

说没有任何挑战的只有 6%。

这种挫败感一旦积累，就会出现两个结果：要么员工干脆不用 AI 工具，要么硬着头皮用，但反而制造了更多工作量。

真正的症结：组织知识还没准备好迎接 AI

很多人以为 AI 效果差是模型不够聪明，其实不是。模型不缺智力，缺的是信息。

今天企业部署 AI 的主要方式是：

• 44% 使用供应商内置的 AI 功能，
• 43% 用供应商工具自建 AI 智能体。

这意味着 AI 能看到的信息，被死死锁在了某个供应商的生态里。但员工的工作从来不只发生在一个工具里 —— 项目管理、沟通记录、客户信息、技术文档，分散在五花八门的地方。

知识分散在平均 5 类工具里

调研显示，受访者平均需要跨 5 种不同类型的工具才能找到所需知识。不到一半的决策者说公司的知识集中存放在某一个地方。

知识散落在哪些地方？

知识本身也有问题

即使找到了，质量也未必可靠。Forrester 列出了以下维度的挑战：

维护跟不上变化。 超过 51% 的决策者认为，组织变化的速度让知识源根本来不及更新。架构调了、流程改了、团队换了，但文档还停在去年。更麻烦的是，还有 50% 的人说公司存在多个互不相连的知识孤岛。

报告里有一个数字很能说明问题：78% 的决策者承认，组织在知识共享方面还有相当大的改进空间。

格式混乱，AI 看不懂。 Forrester 估计，超过 65% 的企业数据缺少元数据 —— 没有良好标注、没有血缘追踪、没有适当治理。AI 拿到这些数据，就像给你一堆没有目录的档案，自然没法准确回答问题。

解法：让 AI 真正理解你的公司

这个问题不是换个更大的模型能解决的，需要的是一个根本性的转变 —— 把组织知识变成 AI 能够理解和推理的形式。

Forrester 的数据很清楚：

• 89% 的受访者认为，组织要扩展 AI 规模，取决于能否将内外部知识统一为一致格式
• 89% 的受访者认为，将 AI 用作竞争优势，取决于能否改善驱动模型输出的知识数据质量
• 85% 的受访者认为，需要减少碎片化数据，才能让 AI 输出更高价值的结果

改善组织知识之后，受访者期待收获什么？

知识图谱：连接 AI 与组织知识的关键

Forrester 给出的技术路径是知识图谱（Knowledge Graph）。

报告里对它的定义很直白：

知识图谱是一个互联的知识库，通过实体（节点）之间的灵活连接（边）来定义关系，为深度学习模型和人工智能系统提供了关键的上下文框架。例如，“员工”可以与项目、角色、沟通工具等相连接 —— 无需把所有信息存在一个地方，也能搜索某个项目相关的全部沟通记录与协作开发者。

换句话说，知识图谱做的事是：把散落在各处的人、项目、文档、目标、决策连成一张网，让 AI 能够沿着这张网推理，而不是在孤立的数据片段里瞎猜。

实施知识图谱的预期收益

但大多数企业对它还很陌生

Forrester 在解释知识图谱是什么之前，先问了受访者的了解程度 —— 结果只有 34% 表示有深入理解。这项技术并不新，但它与 AI 结合能产生的价值，至今仍被严重低估。

自建？还是找合作伙伴？

90% 的决策者表示对知识图谱驱动的产品感兴趣或非常感兴趣。

但多数企业没有自建的能力。改善组织知识的优先事项中，与战略技术提供商合作排名第一，有 51% 的人选了这个选项。

理由很实际：从零构建知识图谱，不只是写代码的问题，还要解决诸如“works with 到底是按汇报线还是实际项目协作来定义”这类没有终点的内耗。用现成的产品，直接跳过这些麻烦，把精力放在真正重要的地方。

三条行动建议

一、选择以知识图谱为底座的 AI 数据平台

让 AI 真正有用的第一步，不是调参，而是给 AI 一个有效的数据索引。选平台时，优先考虑那些把知识图谱作为基础数据层或能兼容现有图谱的产品。

二、投资跨生态的图谱连接

AI 要能回答“某个客户现在有哪些未完成的任务”，就必须同时看得到项目管理系统、CRM、邮件、协同文档里的信息。选能够跨越多个供应商生态的工具，找愿意长期陪你做集成的合作伙伴。

三、把知识管理变成团队的共同责任

知识图谱能连接信息，但连接的前提是信息本身是对的。这需要两件事：
• 建立知识管理的评估机制，搞清楚信息存在哪、健康状况怎么样；
• 把知识更新的责任写进团队目标，而不是让它成为某个人偶尔想起来才做的事。

Atlassian 的答案：团队合作图谱 + Rovo

Atlassian 在这个方向上深耕多年，推出了专有的 Teamwork Graph（团队合作图谱） —— 这正是 Forrester 报告所描述的“内嵌于 AI 数据平台的知识图谱”。

团队合作图谱以目标、知识、团队、工作四个核心协作元素为基础，向外延伸整合 Jira、JSM、JPD, Confluence 等 Atlassian 产品，以及 GitHub、Figma、Notion、Slack、Gmail 等主流 SaaS 应用的数据，构建起覆盖整个组织的知识网络。它的价值不只是搜索更快、更准 —— 而是让 AI 第一次真正“读懂”你的公司在做什么、谁在做、为什么这样做。

构建于团队合作图谱之上的 AI 产品 Rovo，则把这张知识网络变成了员工可以直接使用的 AI 能力：

• Rovo Search：跨所有工具的语义搜索
• Rovo Chat：基于真实组织上下文的对话式 AI
• Rovo Agents：可自主执行任务的 AI 智能体

想直观感受知识图谱是如何构建？ 可以通过这个可视化工具体验 Atlassian 团队合作图谱：forge5.io/zh/teamwork-graph

写在最后

这篇文章里的问题 —— 知识分散、维护滞后、AI 找不到上下文 —— 几乎每家企业都有，只是程度不同。

AI 不够聪明不是问题所在。问题是你给了它一堆它看不懂、也找不全的信息，然而期待它给出正确答案。

知识图谱做的事，就是把这个前提补上。

如果这篇文章戳到了你，或者你们公司也正在经历类似的困境，欢迎在文末留言聊聊。

想直接交流的话，请关注下方公众号，在后台给 YY哥 留言。

作者简介：YY哥

• Atlassian 解决方案顾问 | 全球认证专家 | 社区负责人 | 插件开发者 | 创作者
• 15 年职场经验，曾任互联网企业 PMO 总监，海洋技术专业研究生
• 深耕 Atlassian 产品生态，服务金融、电商、旅游、医疗、制造、Web3 等行业
• 专注产品创新与团队效能提升、项目管理、流程优化、IT 服务管理 和 DevOps 等领域