适配人工智能就绪度的知识管理成熟度：技术管理者战略指南–为什么说知识管理是人工智能投入当中潜藏的发展瓶颈
编译：刘枫宁 作者/Crista Scott Tappan
贵司现已布局人工智能投资，或是即将着手投入。或许你已经收获可观的成效，也有可能正遭遇诸多始料未及的阻碍。技术、人才以及管理层的支持均已就位。
但有一项常被忽视的要素，能够决定人工智能战略的成败：知识管理基础。
科技企业有着迭代迅速的创新周期、分散式团队，各类信息流转于每一款产品与平台之中；能否高效管控、运用知识，往往决定人工智能规模化落地的成败。
知识与人工智能之间缺失的关键纽带
人工智能正在重塑企业的决策模式、创新路径以及客户服务方式。然而在算法模型、工具和数据链路之下，存在一层更深层的依赖关系：决定人工智能输出成果的数据，其品质、结构化程度与可获取性至关重要。
即便是最顶尖的模型，效能依旧受制于背后依托的知识。倘若知识碎片化、前后矛盾或是有所缺漏，人工智能系统势必也会暴露出同类缺陷。与之相反，成熟完备的知识管理机制，可以产出互通关联、具备场景语境、可信度高的认知洞察，为管理者可信赖的业务成果赋能。
为何知识管理决定人工智能项目成败
人工智能无法创造知识，只能够放大已有知识。倘若信息碎片化或是已经过时，AI 并不会化解弊病，只会将问题成倍放大。
该规律在科技行业尤为凸显：如今人工智能深度融入产品、业务平台与客户体验。这类内嵌智能的质量，取决于组织固有知识的结构化、共享以及运维水平。
- 输入优质知识，方可输出优质结果：人工智能依赖准确、完备、及时且规整有序的知识资源。
- 薄弱的知识管理引发 AI 故障：知识分散陈旧、内容互相冲突时，AI 系统会大规模复刻这些缺陷。
- 信任感快速流失：一旦团队不再信赖 AI 输出内容，工具推行便陷入停滞，工作人员重新回归人工核验。当劣质的知识管理数据误导人工智能工具之后，从业者常会错误归咎于算法模型、系统故障，甚至判定是人为操作失误。
换句话来讲：糟糕的知识管理不单拖慢人工智能专项工作，还会暗中使其全盘受挫。
真正完备的 AI 就绪能力，离不开数据与知识两大支柱。
知识管理成熟度分级谱系：贵企业处于哪一阶段？
在着手加固知识底座之前，应当认清自身现阶段水准。知识管理成熟度，可以很好预判企业能否稳定收获 AI 业务价值。
| 成熟等级 | 说明 | 对 AI 就绪度造成的影响 |
|---|---|---|
| 被动应对级 | 知识分散于邮件、文档、聊天记录以及员工个人脑海当中。 | AI 项目频繁受阻、输出结果不稳定，失败率居高不下 |
| 起步发展级 | 已经配备部分系统和知识库，但知识存在信息孤岛，维护标准参差不齐。 | AI 初见成效，却难以稳定规模化落地 |
| 战略统筹级 | 搭建统一知识平台、形成常态化知识管理氛围，落地治理规范与元数据标准。 | AI 能够在全企业范围产出可靠、可信、可复用的业务洞察 |
知识管理正在拖累人工智能落地的三大警示信号
认清企业所处成熟阶段是一回事，厘清阻碍因素则是另一回事。以下三项征兆，代表知识基础或许正在制约 AI 业务取得成效。
征兆一：各团队反复重复同类工作
会议里总能听见这样的疑问：“之前难道没人做过这件事吗？”
科技企业当中该现象十分常见：由于过往成果缺少文档记录、难以检索，研发团队与数据科学组只得重新搭建相近的模型和工具。已有成果被困在信息孤岛，人们无法清晰查阅存量工作。久而久之便形成组织内部的 “信息回音室”，团队只信赖自己产出的成果。最终造成工作重复、输出标准混乱，企业沉淀的经验知识持续损耗。
成熟的知识管理机制能够打破该恶性循环。让历史工作成果可检索、可信度高且便于复用，企业便可把过往积淀当作提速杠杆，从重复造轮子转向持续性优化迭代。
征兆二：全员深陷信息检索倦怠
倘若员工每天将近三分之一的工时都耗费在查找资料上，就说明知识管理系统并未发挥价值。一份 2021 年调研报告表明，大型企业内 37% 的员工，每日需要花费两小时以上搜寻所需资料来推进手头任务。项目进度备注频繁出现 “等候数据”“查找对应文档”，便是低效问题最直观的信号。
检索耗时造成的生产力损耗远不止时间损失。对于产品与研发团队，零散的文档、不通顺的数据获取途径，会拖慢所有上下游项目进度，涵盖模型训练、功能上线等环节。当资料难以调取，知识型劳动者每周还要额外耗费五小时向同事咨询资讯；更为糟糕的是，大家只能各自埋头搜集信息。
而在 AI 专项工作之中，难题还会叠加：数据科研人员、大模型开发人员，搜寻和预处理数据的时长往往超过搭建、调优模型的时间。
每一次检索受阻，耽误的并不只是单个项目；负面影响还会传导至各个关联业务，造成协作阻碍、员工负面情绪，损耗整个组织的推进动力。
征兆三：所有人都不信任统计数据
当数据看板给出矛盾结论、AI 助手检索出多个版本的事实资料时，工作人员便会反复质疑输出结果，而不是直接据此开展工作。信任感缺失是阻碍 AI 落地推广最主要的诱因之一。
在以产品为核心的科技环境下，分析结果、人工智能输出前后矛盾，会传导至面向客户的系统，继而引发产品性能、业务报表、系统稳定性等下游故障。
有 61% 的高层管理者将 AI 错误输出视作落地首要障碍，但根源不在于人工智能本身，而是底层碎片化的知识架构。
一旦信任崩塌，团队就会开始人工核验结果、搭建非正规备用系统、摸索变通方案；为了掌控自身的数据，又催生全新的信息孤岛。
这种怀疑‑变通的恶性循环，损害数据完整性，消磨组织信赖。长久之后便陷入信誉下行旋涡：后续每一项 AI 新项目都会受到严苛审视，落地推进速度愈发迟缓。
搭建适配人工智能的知识基础设施
想要完善知识管理，就需要统筹规划日常工作当中信息的结构化、管控机制与使用方式。
1. 带有明确目标地实现知识集中管理
不要止步于基础的文件储存库。依托 Confluence、SharePoint 或是专用数据湖等平台搭建智能化知识生态，保障知识易于检索并且附带完整业务上下文。关键在于统一知识的结构规范、文档撰写标准与标签体系，适配人工智能读取调用。
建设目标：打造唯一可信数据源，打通数据、文档内容与团队协作板块。
2. 搭建可规模化落地的治理机制
制定元数据标准、知识权责归属机制以及定期审核流程。所有文档、代码仓库、数据集统一设置标签与版本管理，方便检索获取。该底层支撑能够让人工智能检索并且调用企业沉淀经验知识。
建设目标：降低使用阻力，提升人工智能定位、解读以及运用有效信息的能力。
3. 将组织文化视作顶层战略
仅凭技术无法化解员工层面的观念阻力。对知识共享行为给予认可和激励；不要把知识管理当作行政负担，而看作支撑业务规模化的战略性基础设施。
建设目标：把知识贡献纳入绩效考核与工作价值评估标准。
4. 将知识管理嵌入人工智能全生命周期
把知识管理流程融入 AI 项目全流程：数据标注、特征仓库、模型文档归档以及上线之后的复盘评审。
建设目标：保证人工智能研发的各个阶段完善组织知识，而非造成知识碎片化。
当知识管理底层架构搭建完毕之后，下一步便需要量化业务收益。
供管理者评估知识管理就绪度的三个问题
借助以下问题开展深度研讨，评估知识管理准备水平：
- 近期有没有团队重复完成其他部门已有工作的案例？造成该现象的诱因是什么？
该问题用于排查重复劳作模式，不追责相关人员，从而暴露出知识缺口或是信息孤岛问题。
- 倘若三位核心领域专家次日离职，其余员工能否顺利承接对应的人工智能项目？
借此发现隐性经验知识缺口，唤起团队对于经验留存工作的重视。
- 当 AI 工具给出建议时，员工是否可以直接采信而无需二次核验？是什么促成他们信任或是心存疑虑？
从中定位信任危机，背后通常代表数据质量缺陷、知识标准不统一等隐患。
来源：https://propeller.com/
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》
