8月，AI智能体向文档站点发起2.57亿次请求，而人类页面浏览量仅为1.31亿次。智能体读取企业知识库的速度已接近人类的两倍。这并非意味着人类开发者停止阅读，而是将更多任务委派给智能体：开发人员让编码智能体连接API，采购人员利用聊天机器人对比供应商，客户则通过支持机器人查询支付问题。
文档服务的对象正发生根本性变化，但多数公司仍在为旧受众编写内容。每家公司都拥有看似权威实则过时的知识：一个月前编写却未更新的设置指南，或与最新帮助中心矛盾的价格页面。人类读者可能察觉异常并寻求澄清，但智能体会直接拾取错误版本，将其写入代码或支持回复中，在无人察觉的情况下重复错误数千次。
从出版任务到知识工程
开发人员已深感其痛。研究显示，66%的开发者指出最大挫折源于“接近正确但仍存在错误”的AI输出。除模型本身因素外，很大一部分原因在于喂给AI的内容质量不佳。
长期以来，文档被视为一种出版任务，依赖读者自行填补信息空白。随着智能体读者的兴起，这种模式已无法规模化。新的范式更接近于基础设施工作：需确立信源冲突时的权威性标准，将产品变更与文档同步更新，并对信息进行结构化处理以便智能体检索。同时，需跟踪智能体的搜索失败情况，因为这些空白直接导致客户获得糟糕答案。
这一过程被称为“知识工程”。其核心不再仅仅是制作页面，而是确保公司知识对人机均准确、最新且可用。
角色转变与衡量指标重构
类似转变也发生在放射学领域。2016年，杰弗里·辛顿（Geoffrey Hinton）曾预言AI将使放射科医生过时。然而，作为积极采用AI的机构，梅奥诊所（Mayo Clinic）的放射科员工数量在2016年至2025年间增长了55%，2025年美国放射科住院医师项目更提供了创纪录的职位。黄仁勋指出，人们误将“读取扫描图像”等同于“整个职业”。事实上，放射科医生花在识别图像上的时间减少，花在患者身上的时间增加，岗位需求反而增长。
在实践中，成功的衡量标准正在重构。页面浏览量和停留时间仅反映人类参与度，无法说明智能体是否获得正确答案。领先公司正关注新指标：智能体执行了哪些查询、检索何处出现空结果、信源间存在何种矛盾，以及产品变更多久后能同步至知识库。
文档已从供人查阅的参考书，转变为机器采取行动的直接输入信息。未来胜出的公司，将是那些将知识视为基础设施的企业。