AI时代知识管理中心（KMCenter）业务介绍：企业知识管理、AI知识库与业务知识体系培训咨询

一、KMCenter是谁

KMCenter长期从事企业知识管理研究、咨询、培训与实践，持续关注一个最基本的问题：企业为什么要做知识管理？

我们的答案始终是：知识管理最终必须产生业务价值。

知识管理不能只停留在文档归档、知识上传、知识共享和搜索，也不能为了建设知识库而建设知识库。企业真正需要解决的是：

• 员工完成业务时到底需要什么知识；
• 企业最重要的知识在哪里；
• 哪些知识已经存在，哪些知识仍然隐藏在专家经验之中；
• 知识如何被分类、治理和持续更新；
• 知识如何真正支持员工完成任务和解决问题；
• 专家经验如何转化为组织能够复用的知识；
• AI知识库和Agent如何获得真正能够支撑业务的知识。

因此，KMCenter的工作既包括传统的知识管理咨询、知识库建设、知识分类、知识地图、知识治理和知识运营，也不断向更深层的业务知识体系、专家知识显性化、AI知识库和业务知识工程发展。

二、我们如何理解企业知识管理

过去很多企业知识管理项目首先考虑的是：“我们已经有哪些知识？”

于是企业开始收集制度、流程、产品资料、项目文档、案例、经验和各种文件，再进行分类、整理和入库。

这些工作很重要，但KMCenter认为，还必须再问一个更加重要的问题：

为了把业务做好，我们本来应该拥有哪些知识？

前一个问题容易让知识管理停留在“有什么就管理什么”；后一个问题则会把知识管理真正带入业务。

比如，一个销售人员要完成客户方案推荐，不只是需要产品资料。他还需要知道客户需要提供哪些信息，应该关注哪些信号，如何识别真正需求，什么情况下推荐A方案，什么情况下推荐B方案，什么时候不能降价，什么情况下存在风险，以及面对不同客户应该采取什么策略。

这些内容往往并不完整地存在于企业文档中，而是分散在业务专家长期形成的经验、判断、规则、情境知识、例外处理、业务上下文和策略选择之中。

这也是KMCenter与很多传统知识管理方法的重要区别：我们不只管理企业已经拥有的知识，还帮助企业发现为了把业务做好，本来应该拥有但尚未显性化的知识。

三、首席专家田志刚

KMCenter首席专家田志刚长期从事企业知识管理、知识库、专家成长和知识体系研究与实践，拥有20余年的知识管理研究、咨询与培训经验。

田志刚著有《你的知识需要管理》《卓越密码：如何成为专家》等知识管理与专家成长领域著作，并长期通过KMCenter开展知识管理研究、企业咨询、培训与方法论实践。

其长期研究关注一个核心问题：企业和个人真正形成能力的知识基础究竟是什么？

传统知识管理大量关注文档、经验沉淀和知识共享，但在真实工作中，人们会发现：同样掌握制度和流程，有的人能够快速发现问题、抓住关键、做出正确判断；另一些人即使工作多年，面对复杂问题仍然不知道该如何处理。

因此，田志刚持续研究如何从高质量表现、业务任务和专家行为出发，反向分析：

• 专家需要获取哪些信息；
• 专家关注哪些关键信号；
• 专家依据什么做判断；
• 不同信息之间存在什么关系；
• 什么情况下使用什么规则；
• 面对不同情境和例外如何处理；
• 最终支撑专家水平的知识体系是什么。

其研究领域包括企业知识管理与知识库建设、知识分类与知识地图、知识治理、专家经验萃取、隐性知识显性化、专家级知识体系、知识型人才培养、AI知识库、AI Agent与业务知识工程等。

四、为什么选择KMCenter

市场上能够提供知识管理咨询、知识库建设、知识分类、知识治理和知识萃取服务的机构很多。KMCenter的差异并不是创造更多知识管理概念，而是：我们更关注知识管理最后有没有真正进入业务。

1. 不只是建设知识库，更关注知识库能不能解决业务问题

很多知识库项目的基本逻辑是：收集资料 → 进行分类 → 整理内容 → 导入系统。

KMCenter会进一步追问：这些知识到底服务哪些岗位、哪些任务、哪些业务场景和哪些问题？

因此，我们通常会把知识库建设、知识分类、知识地图、知识治理、知识运营和业务场景结合起来考虑。

2. 不只从已有文档出发，还从业务任务反推知识

传统知识管理经常首先盘点企业已经有什么知识。KMCenter还会反过来分析：为了把这项业务真正做好，员工究竟应该知道什么？

通过业务任务、信息需求和关键判断分析，可以发现哪些知识已经存在、哪些存在缺口、哪些散落在不同系统和部门、哪些仍然存在于专家脑中，以及哪些需要进一步验证、结构化和治理。

3. 不把专家知识萃取等同于“采访专家”

传统经验萃取经常采用“访谈专家 → 整理经验 → 形成文章或案例”的方式。但真正优秀的专家并不一定能够完整解释自己为什么会做出某个判断。

因此，KMCenter更强调：业务任务分析 + 专家群体共同建模 + 外部知识验证 + 实践验证 + 持续修正。

我们关注的不是专家讲了多少经验，而是尽可能分析专家看到了什么、获取了什么信息、依据什么做出判断，以及不同情境下为什么采用不同策略。

4. 不把知识管理与人才培养割裂开来

很多企业一边建设知识库，一边开展培训、人才培养和专家体系建设，但这些工作彼此分离。

KMCenter认为，它们背后存在一个共同问题：一个岗位真正做好工作，到底需要什么知识？

如果这个问题能够分析清楚，同一套知识体系就可以同时服务于知识库建设、岗位知识地图、新人培养、专家经验传承、专家培养和AI知识库。

5. 不把AI知识库理解成“知识库 + 大模型”

今天很多AI知识库重点关注大模型、RAG、向量数据库和智能问答。这些技术当然重要。

但如果企业希望AI进一步进入销售、客服、运维、咨询、审核等真实业务，仅仅拥有文档是不够的。AI还需要理解业务任务、信息需求、业务上下文、判断规则、条件关系、情境、例外和专家策略。

而这正是KMCenter长期研究的业务知识结构问题。

6. 从基础知识管理，可以一直深入到业务知识与AI

KMCenter的优势在于：既能够解决基础知识管理问题，也能够随着企业需求不断向业务深处走。

五、KMCenter主要业务

1. 企业知识管理咨询

KMCenter为企业提供知识管理体系规划、知识管理战略、知识管理制度、知识管理机制和知识管理运营体系建设等咨询服务。

主要内容包括企业知识管理现状诊断、知识管理战略与规划、知识管理组织与职责设计、知识管理制度建设、知识沉淀与知识共享机制设计、知识管理成熟度评估、专家知识管理、知识管理与业务融合以及知识管理运营体系建设。

我们的目标不是建立一个脱离业务的知识管理体系，而是帮助企业回答：哪些知识值得管理，以及这些知识如何真正创造业务价值。

2. 企业知识库规划与建设

KMCenter为企业提供企业知识库、业务知识库、岗位知识库、部门知识库和专业知识库的规划与建设咨询。

知识库建设并不是简单地把文档搬到一个平台。真正好用的知识库需要解决什么知识应该进入知识库、知识如何分类、如何组织、不同岗位需要什么知识、知识如何与业务场景建立关联、如何持续更新、如何被员工真正使用，以及如何长期运营。

KMCenter通常会综合考虑：知识库规划 + 知识分类 + 知识标签 + 知识地图 + 知识治理 + 知识运营 + 业务应用场景。

3. 知识治理

随着企业知识不断增加，知识治理正在成为知识管理、AI知识库和企业AI应用的重要基础。

知识治理不仅仅是清理过期文档，而是需要系统解决知识是否准确、完整、重复、冲突、过期，知识由谁负责，版本如何管理，知识是否具有明确应用场景，哪些知识能够提供给AI，以及哪些知识存在权限、安全和合规要求。

KMCenter帮助企业建立知识治理机制，使企业知识逐步具备准确性、完整性、一致性、可维护性、可追溯性和可应用性。

4. 知识分类与知识地图

很多知识库不好用，一个重要原因不是知识太少，而是知识结构不好。

KMCenter帮助企业开展知识分类体系设计、知识标签体系设计、岗位知识地图、业务知识地图、专业知识地图、知识目录设计、知识结构优化，以及知识与流程、岗位、任务、场景之间的关联设计。

KMCenter进一步强调：知识分类最终应该帮助员工更快找到完成任务所需要的知识。

5. 知识运营

企业知识库最大的风险之一，是建完以后没人用、没人维护，最终再次成为新的信息孤岛。

因此，KMCenter认为：知识库建设只是开始，知识运营才决定知识库能否持续产生价值。

知识运营通常包括知识内容运营、知识用户运营、专家运营、知识社区运营、知识贡献机制、知识评价机制、知识更新机制、优秀知识推荐、业务场景运营和知识使用数据分析。

6. AI知识库规划与建设

生成式AI正在推动企业知识库从传统搜索进入AI知识库阶段。

传统知识库主要解决“资料在哪里”；AI知识库进一步解决“这个问题的答案是什么”；但AI真正进入业务以后，还会遇到第三个问题：“知道答案以后，下一步应该怎么做？”

因此，KMCenter认为AI知识库建设不能只是把大模型、RAG或者智能问答接到原有知识库之上。

企业还需要重新分析AI服务哪些业务场景、员工和客户会提出什么问题、AI完成任务需要获取什么信息、需要提供哪些业务上下文、哪些问题依赖文档知识、哪些涉及业务规则与专家判断、哪些存在情境和例外，以及哪些任务适合AI完成、哪些必须由人最终判断。

KMCenter把AI知识库看作企业知识管理升级的重要入口，而不是知识管理的终点。

7. 专家经验萃取与专家知识体系

许多企业长期开展专家经验萃取、最佳实践总结、案例萃取和隐性知识显性化，但很多项目最终只是形成了一批访谈材料、经验文章和案例。

真正需要解决的问题应该是：专家为什么能够比普通员工做出更好的判断？

KMCenter认为，高水平专家与普通员工之间的差距，不只是“知道得更多”。专家通常还掌握应该获取哪些信息、哪些信息最重要、哪些信号值得关注、不同信息之间有什么关系、如何进行判断、什么情况下使用什么规则、规则什么时候会失效、出现异常情况怎么办，以及不同情境下采用什么策略。

因此，KMCenter采用业务任务分析 + 专家群体共同建模 + 外部知识验证 + 真实业务实践验证 + 持续迭代的方法开展专家知识显性化。

8. 企业业务知识体系建设

业务知识体系是KMCenter近年来重点研究和发展的方向。

传统企业知识库主要管理已经存在的内容。业务知识体系进一步回答：一个岗位要达到高质量工作水平需要掌握什么知识，一个业务任务背后有哪些关键判断，专家需要关注哪些信息，哪些知识决定判断质量，不同业务情境需要调用什么知识，哪些经验适合传授给员工，以及哪些知识未来可以提供给AI和Agent。

业务知识体系可能同时包含公共知识、专业知识、流程知识、客户知识、环境知识、实践经验、判断规则、业务关联、情境知识、例外知识和策略知识。

它的重要价值在于：同一套知识既可以支持员工工作、专家培养和新人学习，也能够成为AI知识库和企业Agent的重要知识基础。

9. AI Agent与业务知识工程

随着企业AI从智能问答进一步走向AI Agent和业务智能体，企业面临的知识问题也正在发生变化。

如果Agent只是回答问题，依靠文档检索就能够完成大量工作。但如果企业希望Agent进一步分析问题、判断情况、制定方案、处理异常、执行任务并决定下一步行动，那么它需要的就不再只是传统文档。

它还需要业务上下文、任务知识、信息需求、业务规则、判断标准、条件关系、例外情况、情境知识、专家策略和行动知识。

因此，未来企业需要逐步形成一种新的基础能力：业务知识工程。

其目标是把原本分散在人、制度、流程、系统和专家经验中的业务知识逐步显性化，使其成为人能够学习、组织能够复用、AI能够调用的企业知识资产。

六、KMCenter的服务路径

KMCenter并不要求企业一开始就建设复杂的业务知识体系。企业可以根据自身的知识管理成熟度和实际需求，从不同阶段开始。

第一阶段：基础知识管理

解决知识分散、知识难找、知识重复、知识库不好用等问题，主要包括知识管理规划、知识库建设、知识分类、知识地图、知识治理和知识运营。

第二阶段：知识与业务融合

进一步分析哪些知识真正支撑业务、不同岗位需要什么知识、不同业务任务需要什么知识，以及知识如何围绕业务场景重新组织。企业知识库由普通“内容库”逐步走向“业务知识库”。

第三阶段：专家知识与业务知识体系

针对复杂业务和关键岗位进一步分析信息需求、关键判断、专家经验、业务规则、情境、例外和策略，逐步把优秀专家完成业务时真正使用的知识显性化。

第四阶段：AI知识库与Agent知识基础

这些经过治理、组织和显性化的知识，最终可以同时服务于普通员工、新员工、业务专家、企业知识库、AI知识库、企业大模型和业务Agent，由此逐步形成企业面向未来的知识基础设施。

七、从知识管理走向业务知识基础设施

KMCenter不是只做传统知识管理，也不是只做AI知识库。

我们的定位是：专注企业知识管理、知识库与业务知识体系建设，帮助企业从“管理知识”走向“用知识支撑业务、人和AI”。

我们既可以帮助企业解决知识管理怎么做、知识库怎么建、知识如何分类、知识治理怎么开展、知识地图怎么设计、知识库如何运营、AI知识库如何规划，也可以进一步帮助企业解决专家经验如何显性化、业务任务背后需要什么知识、关键判断依赖什么信息、企业如何构建业务知识体系，以及AI和Agent如何获得真正能够支撑业务执行的知识。

过去，企业知识管理主要解决的是：知识如何被保存、共享和找到。

未来，企业知识管理还需要解决一个更加重要的问题：