为什么AI的成功离不开知识管理战略？
企业可以快速上线 AI 工具，但更大的难题是，如何把各类试验项目转化为可持续的企业价值。如果缺少一套深思熟虑的知识管理（KM）方法，提示词会散落在个人硬盘中，各团队重复造轮子，试点项目积累的经验教训白白流失，员工也难以判断哪些 AI 输出结果值得信赖。
解决方案并非单纯堆砌更多技术。企业需要一套机制，沉淀实践所学，让 AI 相关知识可以复用，提升员工的 AI 应用能力，并将治理规则融入日常 AI 工作流程。由知识管理赋能的 AI 卓越中心（CoE） 就可以搭建这套机制，把零散孤立的 AI 尝试，转化为可以在复用中持续增值的组织智慧。
以上就是 APQC 在 2026 年 8 月举办的网络研讨会 ——《为 AI 成功赋能：为何每家企业都需要知识管理驱动的 AI 卓越中心》的核心观点。本次研讨由 APQC 知识管理首席研究负责人琳达・布拉克西克（Lynda Braksiek）主持，对话嘉宾为加拿大医疗保护协会知识经理巴杜・布索（Badou Bousso）。布索分享了一套实操模型，阐述如何将知识管理置于 AI 落地的核心位置。
该议题折射出知识管理领域更广泛的变革趋势。APQC《2026 知识管理优先级与趋势》研究表明，越来越多企业将知识管理视为产出准确、可信、可复用 AI 成果的基础。超过半数受访者认为，掌握 AI 与自动化能力是未来最重要的核心技能，协作与知识共享位列第二。APQC 另一项独立研究显示：回答结果不准确、数据隐私安全隐患、合规问题，是阻碍 AI 落地的几大首要因素。
本文将探讨企业如何做到以下几点：
- 避免宝贵的 AI 知识碎片化、流失遗失
- 借助知识管理赋能的 AI 卓越中心，打造可复用的组织智慧
- 将治理规范与 AI 素养融入员工日常工作
- 调动员工参与学习、试验与知识共享
- 循序渐进提升 AI 能力，而非追求一步到位完成全部建设
AI 既带来机遇，也衍生知识管理难题
布索开篇就提出一个直白的观点：“每一套 AI 战略，都必须配套一套知识管理战略。”
其中的逻辑很容易被忽视：AI 不仅会消耗组织内部已有知识，它同时还会源源不断生产新的知识资产：提示词、模型、工具、试验记录、经验教训、决策记录以及实操经验。
如果不加以管理，这些资产就会四散流失；若管理得当，它们的价值会不断累积放大。
这一点也解释了为什么部分 AI 项目，在试点阶段表现亮眼，后续却后劲不足。布索总结了四种常见失败模式：
- 知识散落各处：提示词、模型、经验存放在收件箱、私人硬盘或者个人工作空间，其他人无法查找复用。
- 工作重复劳动：不同团队独立解决其他同事已经处理过的问题。
- 经验付诸东流：试点项目结束，却没有沉淀经验，后续团队只能从零开始。
- 畏难阻碍落地：员工不了解 AI 的能力边界、适用场景，对使用 AI 心存顾虑。
参会企业代表都表示自己的组织正遭遇上述困境。被问及 AI 落地效果时，大家用 “好坏参半”“局部小范围落地” 来形容，落地效果高度依赖个体用户的能力与成熟度。一位参会者提到，AI 确实提升了个人效率，但整体成效依旧极大取决于个人水平；另一位代表表示项目取得初步进展后便陷入停滞。
当被问到组织本可以做出哪些改进时，大家给出的答案都跳出了技术范畴：需要更清晰的应用场景与战略方向、强化治理、增加教育培训、领导层达成共识、预留充足的学习时间。有参会者简明总结：治理先行；也有人强调企业 “不能从技术起步”，必须建立以人为本的底层基础。
这带来重要启示：仅仅选用一款更优质的工具，并不能解决 AI 项目停滞的问题。企业需要一套机制，让员工可以互相借鉴，避免 AI 试验产生的各类知识白白消失。
将零散的 AI 实践转化为共享智慧
知识管理赋能的 AI 卓越中心就提供了这套解决机制。
布索将这类卓越中心定义为：集中统筹 AI 相关工作、体系化开展学习，让知识成为协作、治理与创新的底层支柱，把分散的活动转变为共享智慧。 该模型并不把卓越中心当作一个管控全部 AI 工作的小型内部团队，它由三层架构协同组成：
- 交互层：AI 卓越中心。员工通过实验室、主题活动、实操支持来接触、实践 AI。
- 智慧层：知识库。各类知识资产可被检索、版本化管理、精心维护、支持复用。
- 对话层：企业社交网络。通过社群、提问、同行交流、持续讨论驱动知识流动。
三层架构协同，将各类 AI 实践转化为组织共享智慧。
知识库尤为关键，它不能沦为另一个静态文档仓库，员工上传文档后便再也不会访问。布索把它称作卓越中心的交付引擎，是连接试验项目、决策、人员、治理以及后续工作的组织记忆载体。
这意味着要把 AI 知识当作正式资产管理。布索提出五大战略原则：知识即产品、从文档沉淀转向决策沉淀、AI 资产管理、互联生态、知识共享文化。落实到实操中，就是带有明确责任人、版本管理的页面与工具包；决策日志与结果总结；可检索的提示词与试验库；治理工作与 AI 实践的关联；激励贡献者的配套机制。
目标不是单纯收集更多信息，而是让知识真正发挥作用，影响员工后续的工作行为。
保持 AI 知识持续流转
企业还要思考，试验项目结束之后，知识该如何存续运转。
布索提出五阶段知识生命周期：创造、捕获、整理、关联、复用。AI 试点、提示词、各类试验完成知识创造；团队沉淀经验与总结，对资产做整理、质量校验；将资产和相关人员、业务决策建立关联；最后在后续工作中复用、迭代优化。
最后一步是这套模型的核心价值所在：复用会反向驱动新一轮知识创造。
不必每个项目都从零起步，每一次试验都可以借鉴过往的提示词、框架、经验与决策。组织形成正向反馈循环，沉淀的知识持续优化下一轮 AI 实践。
这也重塑了看待 AI 资产的思路：一份好用的提示词，不只是某一个员工偶然用成功的片段。当一份经过验证的提示词、试验方案、框架，经过核验、补充背景信息、确定负责人，方便其他人查找改编，它就成为了组织资产。
失败案例的经验同样重要。如果只沉淀成功的应用案例，员工就无法了解哪些方案行不通、失败的原因是什么，丢失了关键参考信息。
依靠治理构建 AI 规模化所需的信任
鼓励试验探索的体系，同样需要配套约束边界。
布索提出，不应当把治理视作 AI 创新的阻碍。恰恰相反，治理能够让大家更有底气开展工作，因为员工清楚预期要求、权责划分与可承受的风险范围。
知识管理赋能的卓越中心可以通过多重方式建立信任：
- 留存决策日志和结果总结，让决策逻辑公开透明；
- 明确 AI 资产、提示词、模型的归属责任人；
- 针对合规政策、公平性、风险开展标准化测试；
- 将风险评审与知识库文档直接挂钩。
文档记录不再只是行政归档，它让负责任的 AI 实践可以被查阅、复用。
但仅有规则远远不够，员工还需要具备足够的 AI 素养去理解、落地规则。研讨会上，布拉克西克转述布索的观点：“人们需要具备相应素养，才能读懂规则。”
该观点与 APQC 关于 AI 及自动化能力的研究结论高度契合。适配 AI 时代的员工，并不需要人人掌握深度技术，但是要明白 AI 能做什么、不能做什么，掌握恰当的使用方式，学会评估 AI 输出结果，懂得何时需要人工判断介入或者补充。
因此治理与素养应当相辅相成：清晰的规则划定边界，应用能力让员工在边界内高效开展工作。
从中心驱动，走向文化驱动的变革运动
技术和治理搭建起框架，但最终决定 AI 知识能否在组织内部流转的是人。
布索的模型把责任分摊到四类角色：
- 卓越中心核心团队：制定战略，维护知识库，运营专项实验室。
- AI 推广大使：各部门内部倡导者，发掘试点项目，推广工具，收集反馈。
- 贡献者：分享提示词，记录经验，解答问题。
- 管理层与项目发起人：破除落地阻碍，认可员工参与，把 AI 工作和业务成果挂钩。
AI 推广大使角色意义重大，单靠一个小型中央团队，无法实现知识共享规模化。分布式网络相当于知识 “传播载体”，既可以把总部指导转化为部门本地实践，也能把一线洞察反馈回整个组织。
企业还需要为员工创造社交化学习机会。布索列举多种形式：AI 诊疗工坊、成果分享会、峰会、社群、非正式聚会、意见征集箱。表彰、奖励以及游戏化手段，可以提升参与感，鼓励更多人贡献内容。
研讨会也印证了社交化学习的价值，大家对 “失败分享会” 反响热烈 —— 公开复盘不成功的试验，从中提炼经验。
开展这类活动意义重大，因为 AI 落地不只是技术学习曲线，更是行为模式的变革。
不同员工所处阶段各不相同：新手、浅尝辄止者、合格使用者、熟练使用者、专家。布索建议立足员工现有水平，借助成熟变革管理方法（科特变革八步法、ADKAR、知‑感‑行模型），循序渐进提升大家的信心与能力。
现实启示：不要指望一次培训或者工具上线就能完成落地。员工需要机会去试验、提问、参考案例、向同事学习，逐步建立信心。
分阶段逐步建设能力
知识管理赋能 AI 卓越中心听起来目标宏大，尤其对于 AI 实践尚且零散的企业。布索并不建议企业一次性做完所有事情，而是遵循一套五阶成熟度模型，分步推进：
- 临时零散阶段：试验项目分散，知识留存于个人手中。
- 萌芽起步阶段：卓越中心初步成型，落地首批实验室，搭建共享知识库。
- 稳固建立阶段：核心支柱全部就位，跨团队复用带版本管理的资产。
- 融合集成阶段：治理、业务决策、知识流转互相打通。
- 持续优化阶段：组织成为自我迭代的学习引擎，由文化驱动全员贡献。
重点在于循序渐进，而不是 “大爆炸式” 一次性改造。
企业可以先定位自身所处成熟度阶段，执行下一步可行举措。布索给出前 90 天行动建议：
- 本周：指定 AI 项目的知识管理负责人，确定卓越中心首个主攻方向。
- 本月：搭建简易知识库，收录高价值提示词，开始记录经验教训。
- 本季度：上线 2‑3 个专项实验室，招募 AI 推广大使，举办首场成果分享会。
- 长期持续：把风险评审和文档记录绑定，跟踪少量关键衡量指标。
衡量指标同样可以从简起步：知识库访问与资产下载量（了解使用情况）、跨团队模板复用情况、试验后总结沉淀（保障经验留存）、风险评审和文档的关联情况（对齐治理）、多人协作产出内容 / 跨团队贡献（衡量协作水平）。
这些指标无法覆盖 AI 价值的全部维度，但可以帮助管理者判断知识是否真正流转、被复用，支撑治理完善的 AI 实践。
核心要点
企业不必等到打造出完全成熟的 AI 卓越中心，才开始落地知识管理。可以从现有 AI 工作入手，强化配套知识管理实践。
对于知识管理与 AI 负责人，本次研讨会明确五大优先事项：
- 把 AI 产出知识视作组织资产。沉淀提示词、试验、经验、模型、决策，不要任由知识保存在个人手里。
- 为复用而设计，而非只为存储。给高价值资产设置责任人、版本、背景信息，关联人员与业务决策。
- 同步建设治理规范与员工 AI 素养。员工既需要清晰的行为边界，也需要足够能力去灵活运用规则。
- 搭建分布式学习网络。依靠推广大使、社群、实验室、各类活动，让知识跳出中央 AI 小团队。
- 渐进式推进：先落实责任人、简易知识库、少数重点领域、关键衡量指标；随着组织能力提升再持续扩展。
更大的机遇，是重新审视 AI 项目究竟要留下什么。一个成功的试点，除了产出即时成果、提升效率，更应该让组织在后续项目中变得更聪明。
布索在演讲结尾总结了这层区别：“AI 赋予组织能力；知识管理将这种能力转化为持久的组织智慧。”
想要摆脱零散孤立的 AI 试验，企业最重要的转变或许就在于此：不要只规模化技术，更要搭建知识体系，让人们从 AI 实践中学到的经验，得以积累、流转、持续迭代优化。
本文由 APQC 领域专家撰写，借助 AI 辅助研究与写作工具完成；全部分析与结论均来自人类作者。
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》
