資訊架構是人工智慧迫切渴求的基礎

二十年來，資訊架構一直是被忽視的學科。職位頭銜消失了，團隊之間難以協同，公司內部混亂不堪。做好資訊架構不僅僅是關於結構，更是讓整個組織就如何命名和安排事物達成一致。然而，這項工作緩慢、充滿政治鬥爭且吃力不討好，每個季度都輸給那些推出新功能的專案。它的價值一直隱藏在幕後，它的失敗也同樣隱蔽。

然後人工智慧來了，這個隱形的基礎設施突然出現在了資產負債表上。過去，資訊架構的缺陷可能只是讓一個訪問者感到困惑；現在，它會導致幻覺、錯誤答案，或者一個代理自信地檢索到垃圾資訊並據此行動。2025年的一項調查顯示，資料質量和可用性已成為AI採用的首要障礙，超過了其他所有阻礙。失敗並沒有變得更糟，而是變得可見、可重複且代價高昂。簡單來說，糟糕的資訊架構現在可以用token成本來衡量——而且是非常高的成本。

你可以購買更好的模型，調整更精準的提示詞，增加更多的評估層，但你仍然會得到錯誤的答案，因為模型檢索的是一個沒有人同意如何組織的混亂倉庫。在修復基礎之前，你等於在為同一個錯誤支付兩次費用。

檢索只取決於它開始時的資料質量。大多數團隊將檢索視為一個已解決的問題：將模型指向你的內容，讓它拉取相關段落，生成答案。這種技術被稱為檢索增強生成（RAG），其機制正如其名：模型基於執行時獲取的文件來生成答案，而不是僅依賴訓練時記住的內容。但這個機制繼承了它所檢索的倉庫中的所有缺陷。如果你有一個扁平、非結構化的內容倉庫，檢索就無法正常工作。它會找到最匹配的段落——那個與查詢共享最多表面詞彙的片段，而不考慮它是否是最新的、權威的或正確的。資訊架構的作用就是讓“正確的那個”成為可能。組織方案、標籤和導航不是內容的裝飾，它們決定了正確的答案是可以找到的，還是被埋藏在四份相互矛盾的草稿之中。模型無法超越你給它的結構，如果你從未提供過結構，它就只能抓取最近的東西。

結構讓模型知道事物是什麼。一個價格、一個政策、一個廢棄的註釋和一個客戶引用，它們在文本上可能十分相似，但含義卻截然相反。人可以透過掃視周圍頁面來區分它們，而模型面對同樣的四個片段，如果沒有結構化資訊，它就只會看到四段看似合理的文字，無法判斷優先順序。後設資料、分類法和內容型別可以讓系統區分權威與傳聞、最新與過期、官方與推測。這就是資訊架構師Lou Rosenfeld、Peter Morville和Jorge Arango在《資訊架構：超越Web的設計》中正式化的組織、標籤和語義結構。如今，這個領域有了一個新名字——語義層，即原始內容與讀取它的系統之間的一套受控的定義、型別和關係。無論是稱為分類法、本體還是語義層，其工作都是一樣的：告訴機器一個事物是什麼以及它與其他事物的關係。受控詞彙——一套固定、統一的術語——讓語言保持穩定，防止“取消”、“終止”、“關閉”等詞將同一概念分裂成四個互不相干的部分。結構化後設資料則提供系統依賴的框架：標記哪些是當前的、權威的，以及事物之間的關聯，使檢索除了原始文本之外還有更多的推理依據。這種詞彙在輸入側同樣有用：你可以將使用者的查詢規範化，將“退款”、“退錢”、“報銷”對映到同一術語下，這樣查詢和內容倉庫就能使用相同的受控語言。如果沒有這些框架，模型就無法區分訊號和噪聲，因為從來沒有人告訴它什麼是訊號。

歧義不會被解決，反而會被放大。人類面對混亂的結構時，會運用判斷力填補空白，忽略問題並繼續前進。這種容忍讓糟糕的資訊架構的成本隱藏了二十年。但模型去除了人類這個環節。它們不會用判斷力填補空白，而是根據混亂進行模式匹配，並自信地大規模複製結果。一個人類使用者可能默默糾正的模糊標籤，現在變成了一個系統性的錯誤答案，服務於成千上萬不知道來源有歧義的查詢。2025年《世界質量報告》發現，幻覺和可靠性問題是企業列出的主要障礙之一，只有15%的企業在規模上部署了生成式AI。這是論證的轉折點：糟糕的資訊架構過去一次只讓一個使用者感到困惑，成本分散得無人提及；現在，它變成了自動化、重複、自信的失敗——同一個錯誤答案，為每個提問者新鮮生成。混亂沒有變，但波及範圍變了。

代理需要結構來行動，而不僅僅是回答。檢索是簡單的情況——答錯問題讓人尷尬；但執行錯誤操作則是責任問題。當代理不再僅僅檢索，而是開始執行操作時——比如處理工單、更新記錄、批准請求、呼叫其他系統——它需要的不僅僅是正確的段落。它需要知道關係、層級和邊界：什麼屬於什麼，什麼依賴什麼，它被允許接觸什麼，不被允許接觸什麼。這就是資訊架構作為運營模型而非檔案系統的功能。曾經用來組織幫助文章的分類法，現在決定了哪些操作對哪些物件是有效的。錯誤的答案侵蝕信任，錯誤的操作則轉移資金、改變記錄，並觸發下游系統，而這些下游系統假設操作是正確的。一個沒有這些關係模型的代理不會拒絕行動，而是會用它一貫的自信，基於它獲得的扁平而模糊的資訊去行動。這已經有了代價，甚至在一個代理行動之前就已如此。在Moffatt v. Air Canada案中，航空公司支援聊天機器人告訴一位悲痛的使用者可以追溯申請喪親票價，而該公司的喪親政策頁面卻明確表示相反。聊天機器人甚至提供了指向該頁面的連結。當使用者依賴這個答案並遭到拒絕時，不列顛哥倫比亞省的一個仲裁庭裁定航空公司承擔責任，並命令其賠償。一個站點的兩個頁面表達了相反的資訊，沒有任何東西來協調它們。如果讓一個類似的代理擁有行動能力，同樣的未協調結構就會開始自行轉移資金。

這就是資訊架構最終獲得投資的方式。到目前為止，每一個理由都將一個曾經不可見的成本轉化為一個可見的結果：可查詢性變成檢索準確性，型別區分變成幻覺率，結構變成代理可靠性和部署時間。這個學科沒有變，但資產負債表變了。這種重新定義改變了願意為它買單的人。當資訊架構的回報是“減少困惑使用者”這個沒人能放在幻燈片上的數字時，它從未贏得過預算。但當它的回報變成“已經在路線圖上的AI專案不會失敗”時，它就贏得了預算。2025年，企業在生成式AI上的支出達到370億美元，而前一年是115億美元，根據Menlo Ventures的報告。而其中大部分支出都依賴於檢索和接地，而這些只有在底層內容有序的情況下才能正常工作。收益是可測量的，而不是空談：Anthropic的Contextual Retrieval工作發現，新增用於定位的情境資訊，可以將檢索失敗率降低67%。定義和結構讓模型更快地找到正確資訊，減少了token消耗和呼叫次數，並且減少了因錯誤答案帶來的隱性成本。