关于知识管理与人工智能的几点思考
作者：玛丽迪・奥贾拉
过去数年的经历印证了一件事：得益于人工智能技术的飞速发展，知识管理领域乃至我们工作与个人生活方方面面的变革速度，都变得愈发迅猛。阿耳忒弥斯二号绕月飞行创下的速度纪录，与 OpenAI、微软、元宇宙、Anthropic 等企业接连发布全新大语言模型的势头相比，都相形见绌。紧跟各类新模型的功能、性能短板迭代更新，已然成了一项全职工作，却极少被纳入正式岗位职责范畴。
变革节奏的极速加快，对知识管理意味着什么？
一方面，当你刚敲定一套可行的高效知识共享解决方案，全新的技术可能性便会接踵而至，打破现有方案的稳定性。评估新型解决方案的利弊变得愈发紧迫，同时也增添了新的风险变数。新技术落地后未必能在企业实际场景中达到宣传效果，这类隐患始终存在。隐私与安全风险多年来一直是行业关注焦点，但如今人们愈发难以精准摸清大语言模型的运行逻辑，也因此更难提前规避此类风险。
企业对人工智能新技术的两种态度
知识管理从业者对人工智能技术，呈现出两种截然相反的立场。
一类是技术热衷派。他们看好生成式人工智能、智能体人工智能以及未来各类 AI 技术，能为知识创造与知识共享带来全新机遇，主张全面拥抱、落地应用，充分享受技术红利，态度上全然支持。
另一类则是谨慎批判派。需要强调的是，这群人并非抵制一切新技术的卢德主义者，也并非不愿适应快速技术变革。事实上，约半数美国人会在日常生活中使用 AI 工具，用于撰写邮件、规划出行、搜索食谱、整理专题资料等，其中不乏这类谨慎派人士。他们真正担忧的是，企业仓促推行 AI 落地，可能引发灾难性后果。因此他们主张放缓应用节奏，对 AI 落地持保守观望态度。
无论是企业员工还是客户群体中，都同时存在这两类人群。一部分人乐于尝试最新 AI 技术，愿意探索其在知识管理工作中的价值，主动测试 AI 能为企业、部门、团队及个人工作减负增效的边界。另一部分人则心存顾虑，忌惮大语言模型可能生成错误信息，也担心 AI 聊天机器人在处理客户投诉时，无法真正理解人类诉求。
企业在搭建全新知识管理系统，或是为现有系统融入 AI 功能升级时，需做好统筹规划，兼顾热衷派与谨慎派的诉求，让双方都认可这一升级方向具备正向价值。
过度追捧 AI 的弊端在于：轻易轻信所有关于 AI 的正面宣传，缺乏实测验证、理性质疑与深度思考，甚至直接依据 ChatGPT、微软 Copilot、谷歌 Gemini 的输出结果做决策。这一做法隐患重重 —— 谷歌 AI 概览功能输出准确且来源可靠信息的准确率仅为 90%。谷歌每年处理数万亿次搜索，换算下来每分钟都会产生数百万条不准确的概览摘要，风险不容小觑。
热衷派只关注 90% 的准确率，却忽视剩余 10% 存疑信息；而谨慎批判派则只盯着这 10% 的错误率。
上述数据仅针对谷歌面向公众开放的信息服务。企业内部部署 AI、聊天机器人与大语言模型时，借助检索增强生成（RAG）、基于企业专属领域知识对大模型进行本地化微调等技术，可将不可溯源、错误信息的出现概率降至 10% 以下。但 AI幻觉问题依旧无法彻底根除，这也凸显了事实核查与保持理性审慎态度的重要性。
知识管理场景下的人工智能技术评估
和所有技术评估工作一样，知识管理从业者需遵循几项核心评估原则。其中最重要的一点：面对层出不穷的 AI 技术新突破，必须立足企业实际业务需求理性判断。这项新技术是不是为了应用而强行找场景？还是真能解决企业现存的知识管理痛点？
评估知识管理领域的 AI 技术时，人们很容易沿用过往的传统评估思路，凭经验主观判断。诚然，不少传统评估方法依然适用，但并非全部通用。AI 时代的技术评估，早已不是过往的常规经验可以完全套用。
有一条评估准则始终不变：落地任何 AI 解决方案前，先明确成功衡量标准。设定清晰、可量化的考核指标，贴合企业专属知识管理目标，例如缩短客服答疑时长、提升知识检索精准度、提高员工系统使用率等。预设量化指标，能确保评估以实际业务需求为核心，而非被厂商的营销话术带偏。一直以来，厂商都会夸大产品价值，保持适度质疑，始终是技术合作谈判的关键。
评估任何新型 AI 工具，都必须结合企业现有知识基础设施考量：是否兼容现有系统？能否低成本快速集成？即便工具本身功能亮眼，若会形成数据孤岛、打乱现有工作流程，或是需要高额定制开发成本才能对接企业在用系统，便毫无实际价值。同时还要契合企业内部文化，强行推行与企业文化相悖的 AI 系统，很难获得员工认可。
严格审查隐私安全与治理规范。如今想要完全摸清大语言模型如何处理企业数据，难度越来越大。严谨的评估必须涵盖：工具如何处理企业涉密信息、数据存储与处理地点、数据访问权限划分、是否触发行业合规要求。这一点在受强监管的行业中，更是重中之重。
评估 AI 驱动的全新系统、平台或功能升级，技术层面只是基础，更要预判员工与用户的接受度。因此，必须邀请真实用户参与试点测试，且测试群体不能只包含 AI 热衷派。企业内部两类人群并存，有效的评估测试需同时吸纳双方代表参与结构化试点。热衷派会挖掘工具功能上限，谨慎派则会压力测试系统短板，提前暴露潜在隐患，避免大规模落地后才发现问题，造成高额成本损耗。
建立常态化复评机制，本就是知识管理从业者采购新产品的固有思维。而在 AI 技术飞速迭代的当下，一次性评估远远不够。需搭建定期复盘机制，持续评估现有解决方案是否仍适配企业需求、是否出现更优质的替代技术、伴随技术迭代与企业发展，风险和收益是否发生变化。
人工智能的发展脚步毫无放缓迹象。无论 AI 如何颠覆知识管理模式，聚焦技术如何赋能员工工作、提升个人福祉，同时为企业创造价值，始终是不变的核心。
来源：KMWorld
相关链接
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》
