销售说"AI不好用"时，老板该查的从来不是模型

先讲一个我们这行天天见的场景

旅行社上了AI知识库，员工最常见的抱怨就两句话："搜不到""答不准"。

我们服务过的一家社，销售问"老人去新疆适合哪条线"，AI回了句"不确定"。老板当场拍板：换模型。换了三家，问题原样。后来一查才知道，知识库里压根没有"适合老人的行程"这条知识——只有线路介绍，没有客群适配、行程强度、乘车时长这些字段。模型再强，也答不出一份不存在的答案。

"搜不到"是现象，不是原因；"答不准"也是现象，不是原因。员工只看得见最终答案，看不见背后发生了什么，所以一有问题就全归到"AI不准"。可真相往往藏在别处。真正要管的，是知识、检索、权限、回答这四条链。

五层链，一格格查，顺序不能乱

我们做旅游这行的，诊断知识库问题有个固定顺序，跟医生问诊一个道理，跳不得：

第一层，企业到底有没有这条知识？ 第二层，有了，它现在还作数吗？ 第三层，作数，系统找到了吗？ 第四层，找到了，这个人有权限看吗？ 第五层，权限也过了，AI用对了吗？

很多人第一步就跳到第五层，上来就调Prompt、换模型，等于没问诊就开刀。下面把每一层拆开讲。

前两层：先问"有没有"，再问"作不作数"

最基础的一层，也最容易被忽略。员工问"新疆老人团适合什么年龄"，先别测AI，先去知识源里找：企业有没有正式答案？大家默认"我们公司肯定知道"，可企业知道，不等于企业写下来了。答案可能只存在某个资深销售脑子里、某个产品经理的Excel里、某个微信群里。员工脑子里有的答案，不等于企业知识库里有的答案。

判断是不是知识缺失，方法简单到不像技术问题：不用AI，直接让业务负责人找标准答案。销售、产品、OP一圈问下来，谁都给不出正式答案，那就不是AI的事，是企业还没把知识沉淀下来。知识库建设的第一步，从来不是让AI知道更多，而是让企业第一次搞清楚"我们到底有没有标准答案"。某产品适合谁、老人客户怎么判断、儿童怎么收费、单房差怎么处理、是否接散客、什么情况必须转人工——这些信息在业务里都存在，但几乎都没结构化。

第二层是旅行社最危险的一层：系统有答案，也搜得到，可答案是去年的。这种时候，员工反而更容易相信错误。最典型的就是旧线路、旧价格。我们见过一家社，知识库里6999、7699、8299三个版本并排躺着，员工问"多少钱"，AI随机抽一个报。这不是检索没找到，恰恰是找到太多。知识冲突和知识缺失一样伤质量——知识库不光要解决"没有"，还得解决"太多、重复、打架"。怎么判断是知识质量问题？至少查四样：产品状态、版本、更新时间、责任人。企业自己都没有这些信息，就别指望AI替你判断。

中间两层：检索匹配不上，权限挡在中间

到了第三层，才真正进入技术问题。知识存在、业务负责人确认有效、权限也通，AI还是找不到，这时才该查检索。

旅行社检索有个天然的坑：同一个东西，叫法太多。"老人团"可能是中老年团、银发团、父母游、舒适团；"私人团"可能是私家团、小包团、独立成团；"地接"可能是DMC、目的地服务、当地接待。客户说"我爸妈70多了，不想太累"，你文档里写的是"中老年舒适型产品"，机械匹配必然漏。想快速判断是不是检索问题，做个三问测试：先用原始产品名问一遍，再用客户自然语言问一遍，最后用模糊场景语言问一遍。第一问找得到、后两问找不到，就是检索和语义覆盖的问题。检索验收不能只测"知道答案的人怎么问"，还得测"第一次接触你们公司的人怎么问"。

第四层是权限，最容易被误判成"搜不到"。产品经理账号查得到内部政策，普通销售查不到，系统提示"未找到"，员工以为知识不存在——其实知识好好的，是权限把答案挡住了。最简单的诊断：同一个问题，拿两个不同角色的账号各测一遍，A能查、B查不到，先查权限，别急着重做知识。权限还要防另一头：不是看不到，是看太多。普通销售问"某酒店成本多少"，AI直接把采购底价报出来，这就不是搜索体验问题了，是权限风险。所以权限验收要双向测：该看的能不能看到，不该看的能不能被挡住。系统最好能区分"没有答案"和"没有权限"，否则员工永远在猜。

最后一层：都对了，AI还是答错

知识正确、检索成功、权限放行，AI仍然答错——这才轮到回答逻辑。比如检索结果里明明白白写着"老人优先B线"，AI偏偏推荐A。原因可能有几种：产品规则表达不清、多条知识冲突、AI忽略了约束条件、上下文有干扰信息、模型理解有偏差。

还有一种更隐蔽的：企业自己压根没定义规则。客户同时符合A、B两个产品的条件，到底推谁？企业没规则，AI当然不稳定。当企业没有定义选择规则时，"答不准"不是技术故障，是业务规则没写明白。老人怎么分产品、亲子怎么分、低预算客户优先什么、什么时候推私人团、什么时候根本不该自动推荐——这些不能交给模型猜。AI把"感觉"变成"规则"的那一天，就是企业被迫做产品标准化的那一天。

一张表，把六类故障分清楚

把前面讲的五层再落成一格一格的，员工反馈时直接对号入座：

这里要特别说一句：B1经常被错误归类到"模型问题"。客户同时满足A、B两个条件，企业自己没定推荐规则，AI答得飘，不是技术故障，是业务规则没明确。员工反馈时也别只写"AI不好用"，用四段式故障单：我问了什么？我期望什么？AI实际答了什么？我是哪个岗位？最好再带上知识ID或产品ID，比如"正确答案应该来自产品XJ-SENIOR-8D"，排查能快一半。

知识也要有生命周期

最后聊三层容易被忽视的东西。

一是单一事实源。不是要求企业只有一个文件，而是任何一个关键问题，都能确定哪个来源有最终解释权。同一款产品，销售版、市场版、产品版、旧版、最终版并排躺在库里，AI很难稳定。标准答案互相打架时，先让业务部门拍板，再更新知识，别让AI"综合一下"——涉及服务承诺和履约边界的事，AI的语言能力替不了企业内部的决策。

二是系统的边界。员工问"实时机票库存"，知识库没有实时连接，正确的回答是"需要进一步确认"。查不到今天的库存，不是知识库故障，是范围理解问题。采购之前把"知识库能做什么、不能做什么"写清楚，上线前给员工培训到位，能少掉一大半误会。

三是老板的月报。别只看"每天提问多少次"，要看问题解决质量。错误分级处理：错误电话、错误价格、错误产品状态、敏感信息越权，这是P0，先处理；产品推荐错了是P1；表达不完整是P2。优化优先级按业务风险排，不按员工抱怨声音大小排。一个月下来，数一数这六类故障各有多少、修了多少、复测没有，比盯着一堆对话数有用得多。

收个尾

换模型之前，先回答五个问题：企业有没有答案？答案还有效吗？系统找到了吗？员工有权限吗？AI用对了吗？

旅行社AI知识库真正成熟的标志，不是再没人说"搜不到、答不准"，而是每次出现这两个问题，企业都能快速判断：该补知识、修版本、调检索、改权限，还是修回答。知识库从"一个机器人"变成"可运营的企业知识基础设施"，靠的不是换更好的模型，是把这五层诊断做扎实。