当没有知识管理时,人工智能投资大都将打水漂
作者| Alan Pelz-Sharpe 深度分析公司（Deep Analysis）创始人
如果你是本专栏的忠实读者，首先要向你表示感谢。
其次，你肯定很清楚，我对各类信息技术（IT）“定律” 情有独钟 —— 这些非官方的、往往带有讽刺意味的经验法则，比任何厂商光鲜亮丽的宣传册都更能揭示真相。
其中，关于处理能力的摩尔定律广为人知，而关于高估技术短期影响的阿玛拉定律（Amara’s Law）则紧随其后。但在如今人工智能（AI）热潮高涨的背景下，我们理应反复提及的，是索洛计算机悖论（Solow Computer Paradox）（以诺贝尔经济学奖得主罗伯特・索洛命名）。
这位经济学家曾有句名言：“计算机时代无处不在，唯独在生产率统计数据中难觅踪迹。”（“You can see the computer age everywhere but in the productivity statistics.”）
这一悖论凸显了一个令我们行业颜面无光的巨大鸿沟：技术投资所承诺的两位数生产率增长，与企业在现实场景中部署厂商技术后所实现的、顽固持平的个位数增长（甚至负增长）之间，存在着鲜明的脱节。
显然，哪里出了严重问题。
按理说，本专栏此时大可顺势猛烈抨击那些催生这一循环的炒作推手和营销机器。但尽管他们的责任毋庸置疑，我更想将焦点转向一个更根本、也更关键的问题：我们究竟该如何衡量生产率，尤其是在知识与信息管理（KIM）领域？
从最基本的定义来看，生产率是一个简单的比率：产出除以投入。
但在知识与信息管理这种混乱且以人为本的领域，这两个要素向来难以量化。一个管理完善的知识库，其 “产出” 是什么？它不是一个实体产品。它是资深工程师不用第十次回答同一个问题而节省的时间；是因能即时找到正确流程而避免的监管罚款；是让新员工的胜任之路缩短数周。
迫于现实需求，知识与信息管理行业一直依赖一套便捷的系统级指标。我们会报告搜索成功率、信息查找耗时和内容浏览量。
这些指标并非毫无价值，但它们存在严重的局限性 —— 仅衡量了 “活动过程”，而非 “最终成果”。
它们能告诉你公司内部网正在被使用，却无法说明它是否真的让任何人的工作能力得到了实质性提升。这些指标反映出，该职能领域正艰难地用高管层能理解的语言证明自身价值。
简单生产率比率
真正重要的指标，更多是运营层面和战略层面的：产品开发周期缩短、客户服务处理时间减少、员工入职速度加快，以及通过避免错误或返工实现的可量化成本节约。这些才是能真正影响企业发展的数字。
然而，它们很少与知识与信息管理举措挂钩追踪。
为何？
因为这项工作极具挑战性 —— 它需要与业务部门深度协作、开展细致的事前事后分析，还需要有能力将信息质量的影响从众多其他变量中剥离出来。
相比之下，仅报告内部网页面浏览量然后草草收工，要容易得多。这种衡量方式的失效，正是索洛悖论持续存在的核心原因。
我们投入数百万资金用于新平台（无论是企业资源规划系统、客户关系管理系统，还是如今的生成式与智能体 AI），期待出现奇迹。
但这些系统本质上只是 “放大器”—— 既能放大优势，也会凸显缺陷。如果向生成式 AI 模型输入混乱、冗余且不可靠的内容，它就会变成一个高效的 “胡言乱语生成器”，以前所未有的规模和速度产出看似笃定的无稽之谈，这正是 “垃圾进，垃圾出”（GIGO）的模式。
AI 能否兑现承诺？
这让我想到了最后的观点 —— 一个我曾多次表达但仍需反复强调的观点：
对于普通企业而言，当前的智能体 / 生成式 AI 热潮，极不可能兑现其天花乱坠的承诺。
技术层面的障碍，更重要的是数据就绪度方面的挑战，都被严重低估了。
巨额投资将再次无法在生产率统计数据中体现价值。
但在这场狂热的炒作周期中，隐藏着一个巨大的机遇。
在即将到来的幻灭期，有一个群体理应成为明确的赢家：知识与信息管理者。
AI 带来的反思将迫使高管层迎来迟来的顿悟：技术的价值并非与生俱来，而是取决于你输入的数据质量。
届时，那些看似乏味、需要精耕细作的数据治理、内容优化、元数据建模和知识整理工作，将不再被视为成本中心，而是企业能做出的最关键战略投资。
要实现这一点，要让知识与信息管理最终确立其作为数字化转型基石的应有地位，我们需要确凿且有说服力的指标。
是时候摆脱 “点击量” 这类浅层数据的衡量，转而聚焦于对 “竞争优势” 的评估了。
这个悖论，不会自行解决。
来源：KMWorld
经典培训课程
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
书籍和资料
《卓越密码如何成为专家》
《你的知识需要管理》
免费电子书《企业知识管理实施的正确姿势》
免费电子书《这样理解知识管理》
