先说一句可能有点武断的话
“没有 IA，就没有 AI.”（Without IA, there is no AI.）
这句话不是我的发明。报告里，Delfina Hoxha 反复讲它；但我做了这么多年内容平台，越来越觉得它不只是口号，而是一条工程上很硬的判断。
我见过太多企业兴致勃勃地上 AI 项目，最后都卡在同一个地方——不是模型不行，而是它要读的那堆内容，根本没准备好。
我见过太多 AI 项目，卡在同一个地方
有一个数字我印象很深：大约 80% 的 AI 项目，会因为数据准备不足，停在概念验证（PoC）阶段。 传统企业的内容，通常有三个老毛病——数据孤岛化（PDF、视频、代码、零散的知识库、客户反馈，各在各处）、协作低效化（多部门编辑冲突、权限混乱、版本失控）、体验割裂化（静态文档没法跟动态的业务场景联动）。在这样的地基上谈 AI，就像在流沙上盖楼。
报告其实也捕捉到了这个转向：近 70% 的团队现在会在某种程度上把 AI 纳入信息架构决策——“做 IA 时不考虑 AI”的比例，一年内从 31% 缩到了 20%。大家正在意识到同一件事：AI 的上限，是由内容的组织结构决定的。 来源
为什么“结构”决定 AI 的质量
逻辑链其实很朴素：每一项 AI 驱动的文档功能——聊天机器人、AI 搜索、MCP 服务器——都依赖底下结构良好的内容。报告说得很直白：文档质量是决定 AI 输出质量的输入。
Delfina Hoxha 的观察更形象：太多团队撞上同一堵墙——平台没问题，内容组织是坏的。如果输入本身不连贯，再多的 AI 也修不好输出。
我们 Baklib 是怎么做的
基于这个判断，我们做了一件看起来“不够性感”的事：先把内容的地基修好。Baklib 的架构，其实是围绕 IA 重新搭的。
第一，结构化引擎。 我们把数字内容拆成 DAM（数字资产）、KB（知识库）与 Experience（体验）三层使用场景，构建多版本、全生命周期的内容网络——让 IA 从一张静态目录，变成一个“活体知识网络”。
第二，多模态兼容。 支持图片、音视频、文本等 8 大元数据类型，以及富文本、HTML、Markdown 等 20 多种格式，一套内容能多端展示、多风格转换。
第三，内容中台化。 通过多组织、多知识库、多级权限，让内容资产在流动中持续迭代——在一个地方，管住企业所有数字内容。
落到 AI 上，我们把它叫作 AI Data Ready：把“数据清洗与结构化”这道最贵的工序，提前替企业做完。Gartner 的研究说，企业部署 AI 的成本里，数据清洗与结构化占到 75%——我们希望尽量把这部分压下去，让企业不用为了“喂 AI”而临时抱佛脚。
效果我们自己也在看。截至目前，Baklib 服务了先进制造、医疗、金融等十大行业 800+ 付费企业：有个医疗器械客户，把产品手册的迭代周期从 14 天缩短到了 3 小时；某电商平台借结构化知识库，把推荐模型的训练数据准备时间从 3 个月压到 2 周。这些数字背后，其实就是同一句话——结构好了，AI 才跑得动。 来源
一点我自己的体会
这些年的观察，让我养成了几个习惯，分享出来，不一定对。
我现在做 AI 功能之前，会先回头审一遍内容结构——因为聊天机器人和 AI 搜索的上限，是由它们读到的内容决定的，而不是由模型决定的。
我也越来越觉得，IA 这件事正在“专业化”。报告里，既有框架（Diataxis、DITA）的采用在上升，凭直觉的做法在下降——这是好事。而更让我兴奋的是，规范可以“长进工具里”：Booking.com 的 Marco Spinello 把 Vale 接到 Claude Code 之后，说了句很实在的话——“现在没有别的办法了。”当风格一致性变成工具自动执行的事，它就能扩到文档团队之外。
所以呢
一句话：工具决策和结构决策，正在变成同一个决策。
你在选“用哪个 AI 功能”的时候，其实也在选“内容要长成什么样子”。这两件事，以前是分开的，现在必须一起想。
