知识缺口分析,才是AI时代最核心的能力
文/田志刚 vx:511956894
小王211毕业，虽然上班了，但仍然爱读书也考了不少证书。小伙子工作中也愿意干活，积极主动。
但问题是几年下来，虽然越来越忙，但处理复杂问题的水平却没有明显提升。薪水也没涨多少，而跟他差不多毕业的同事都升职了，搞得小伙子很郁闷。
面对这样的困惑，常见的建议是继续学习、多积累经验。现在，又多了一条：用好 AI。
这些建议都有道理，却可能跳过了一个更底层的问题：为了把工作中的问题解决好，他究竟缺少什么信息与知识？
如果这个问题没有回答清楚，更多的阅读、更长的工作时间和更强的工具，都可能继续用在与关键问题关系不大的地方。
投入不断增加，结果迟迟没有改善，人也越来越怀疑自己。
AI让普通人获取信息与知识的便捷程度极大提升，但它却没有解决核心的问题：要完成我负责的工作，我具体的缺什么？
这正是知识缺口分析要解决的问题。
一、摆脱学生时代的思维方式
很多人即便上班多年，他的大脑中还是学生思维，仍然沿用学生时代熟悉的努力方式：
觉得自己不够好，就多读书、多上课、多考证；事情做不好，就增加投入，争取多做一些。
这种方式有其来由，在读书阶段也是有效的。
因为在学校，课程、教材和考试范围通常已经确定，“应该学什么” 很大程度上由培养方案、课程和教师安排，学习者主要考虑如何把规定的内容学会。
进入工作之后，这个前提变了。
把团队带好、把项目做好、解决一个业务难题，需要什么信息与知识，往往得自己研究。没有一本书讲这个，相关内容可能分布在不同领域，也可能存在于他人的经验中。
组织如何运行、服务对象处于什么情境、外部环境发生了什么变化，需要专门调查，很多认识还要通过实践做几次后才能形成。
如果继续把 “多学一点、多做一点” 当作主要办法，就可能学了很多，却没有补上关键知识；做了很多，却一直重复熟悉的动作。
迟迟看不到改善，又归因于自己不够努力，于是继续加码，失望和自我怀疑也随之增加。
这个时候，需要先解决努力的战略问题：为了实现目标，时间和精力应该投放在哪里？
方向尚未明确时，确定 “做什么” 应该先于优化 “怎么做”。
对于知识工作者这意味着继续追问：哪些任务最影响目标？哪些判断和行动需要改善？支撑这些判断的信息与知识，自己具体缺少什么？
会学习，与能确定应该学什么，是两种不同的要求。
受过教育的人，大部分已经具备基本的学什么的能力，但只有把需求分析具体，才容易把这种能力用到关键问题上。
二、AI时代最重要能力:知识缺口分析
知识缺口是为达成特定目标和完成具体任务所需的信息与知识（应该有），与当前能够有效利用的信息与知识（实际有）之间的差距。
别人知道而自己不知道，并不自动构成需要补齐的缺口。缺少某张证书、没上过某门课程，也不能直接说明缺少什么知识。
只有回到任务，才能判断哪些差距值得处理。
“管理能力不足”“分析能力不强” 可以描述困惑，却还不足以指导行动。需要继续分析：在哪项任务中需要作出什么判断，为什么能力不强，是因为缺少什么信息、知识让你能力不强的？
如果能找到你缺乏的信息、知识，并且获取和学会后，能力不强的问题自然迎刃而解。
大家常见的一个误区是，我们常把高手的优势理解为分析和判断水平高，却容易忽略，他们在分析之前，已经获取了更充分、更有关键的信息。知道哪些线索会影响结论，才会主动观察、询问和核实。没有关键事实，再熟练的分析也可能建立在猜测上。
专业理论之外，客户知识、组织知识和外部情境知识同样重要：服务对象面临什么约束、不同角色依据什么作决定、环境变化如何影响原有办法，都可能决定专业知识能否发挥作用。
知识缺口经常存在关联之中：资料、数据和理论都有，却不知道在什么情况下调用、如何组合、可以支持什么判断。
数据、信息、知识与任务之间的联系，本身就是一种关键知识。
因此，补齐有两条基本路径：
- 对于所需内容已经存在的，就要找到并建立与任务的匹配；
- 对于所需知识尚未形成不存在的，就要通过调查、归纳、试验和验证进行知识生产。
三、如何识别出自己的知识缺口
发现缺口首先要有参照：高水平完成这项任务，应该知道什么？
应该知道的内容就是这个支撑特定任务的知识体系，可能包括关键概念、判断依据、信息需求、行动规则、适用与例外条件，以及它们之间的关系。
这个参照既可以来自现有专家，也可以来自对理想表现的推演。关键在于，它要帮助我们看到当前认识之外的要求，帮助我们发现自己“不知道自己不知道”的内容，并且把事情做到卓越水准。
具体的路径我们命名为知识任务分析框架：从目标表现出发，进入关键任务、判断与动作，再追问所需的信息和知识，构建参照并识别知识缺口。
其中一个关键设计，是提供分析知识需求的支撑体系：就是真正高质量完成任务，经常需要的知识类型是哪些，我们通过模板和案例的方式告诉大家。
不信你试一下，你直接问一个人 “你缺什么知识”，他往往答不出来。问专家 “做好这件事需要什么”，也可能只得到零散经验或宽泛的能力要求。
知识类型的提示可以帮助双方继续追问：需要哪些基础知识？还应了解哪些相关领域和可能情况？哪些现象、原因与对策之间需要建立关联？哪些原理需要理解得更深？
这些提示帮助参与者发现遗漏，具体分析可以分为四步：
第一步，明确目标表现和关键任务。
把 “成为优秀管理者” 落实为绩效诊断、任务分配或冲突处理等任务，明确本次要改善什么，以及怎样判断改善。
第二步，分析关键判断与动作。
完成任务需要作出哪些判断、采取哪些行动？哪些环节最影响结果？不同情境下有哪些变化？
第三步，构建所需的信息与知识体系。
借助知识类型的支撑体系，分析判断所需的事实、依据、规则和关联。结合专家实践与理想目标，通过多专家比较、相互批评、外部对照和实践验证，形成有依据、可修订的参照。
第四步，对照现状，确定具体缺口与补齐顺序。
哪些已经掌握？哪些可以获取但尚未匹配到任务？哪些关联还没建立？哪些知识尚未形成？根据对目标的影响确定优先级。
举个例子说明一下，譬如某个主管要处理一个员工做事情总是返工为例。
主管可能首先认为员工方法不熟，应该加强培训。但返工还可能来自要求变化、理解偏差、信息不全或支持不足。不同解释，对应不同的核实方式和处理措施。
要区分这些解释，需要查看最初的任务要求、员工对要求的理解、修改记录，以及各次返工发生的环节。如果验收标准一直变化，培训未必能解决问题；如果要求稳定，还要继续核实员工在哪一步遇到困难。
这个例子中，主管究竟可能缺什么什么？
如果他无法提出几种合理解释，也不知道用哪些证据区分，就暴露出返工原因诊断上的知识缺口：
缺少 “可能原因 — 表现线索 — 核实信息 — 处理方式” 之间的关联。
补齐这一缺口，才能更有依据地判断员工需要什么支持。
- 如果主管知道应该核实什么，只是尚未取得修改记录，那么当前要补的是信息。
- 如果调查发现员工没有必要权限，后续就需要协调权限。
- 缺口分析也应帮助人分清，哪些问题需要学习，哪些需要调查或组织行动。
参照的价值，在于把 “我好像不够好”，推进到 “我具体缺少什么”。
建立参照本身需要投入：专家可能意见不同，组织也可能没有明确标准。此时要把分歧和待验证的判断记录下来，通过案例比较、事实核实和实践逐步完善。不能把未经检验的经验，直接当成高水平表现的标准。
四、知识缺口分析是AI时代的一种底层能力
个人成长：确定下一步应该投入什么
读什么、问谁、练什么，哪些需要深入掌握，哪些只需能够查找使用，都应该结合任务确定。
知识缺口分析把 “我要变得更专业” 落实为具体行动。补齐一项影响判断的知识，在真实任务中使用，根据结果调整，再发现新的缺口。成长由此有了可以检查的过程。
人才培养：从能力目标深入到信息与知识需求
“提升沟通能力”“加强问题解决能力” 可以作为培养方向。决定课程、指导和练习内容，还需要知道员工在哪些任务中遇到困难，哪些判断反复失准，背后缺少什么。
相似的表现问题，可能来自不同缺口。有人不了解业务情境，有人缺少判断依据，也有人没有建立理论与具体任务的关联。培养内容应据此确定，再通过不同情境中的实践与反馈，逐步形成稳定能力。
经验萃取：由使用需求决定知识产出
从专家会什么出发，可能产生大量内容，却没有回答使用者最需要解决的问题。
先分析任务和使用者的缺口，才能确定找哪些专家、追问什么、内容需要具体到什么程度。使用者的困难，也能促使专家重新审视习以为常的判断。
专家会做，并不意味着支撑表现的知识已经完整、清楚地存在于头脑中，等待被记录。还需要比较案例、归纳关联、讨论反例，并通过多专家批评和实践验证，逐步把经验构建为可理解、可复用的知识，这个背后是考验知识建模的能力。
AI 落地：确定任务需要什么上下文
企业希望 AI 执行任务，就要明确它需要作出哪些判断，以及判断所需的实时数据、场景信息、业务规则和专业知识。
譬如想要做一个设备维护助手的Agent：它能够找到操作手册，但面对异常，不知道应先核实哪些运行条件，也缺少区分几种原因的依据。
此时就应该做知识缺口分析，应分析诊断任务，确定哪些信息从设备系统读取，哪些知识从资料中获得，哪些判断依据还需要组织专家建模。
缺少现场信息、缺少诊断依据、已有知识未被正确获取和使用，对应不同的改进工作。
只有把缺口定位具体，技术投入才有明确对象。
五、工具越强，越需要持续识别知识缺口
知识需求与现有知识之间的差距，在培训需求分析、认知任务分析和知识管理等领域都有讨论。
这里强调的是，只有把分析继续推进到具体的信息与知识层次，使后续获取、学习和生产有明确对象才有更大价值。
知识体系为对照提供参照，KTAF帮助构建这一参照。知识类型的脚手架帮助参与者想到遗漏，多专家比较和实践验证则帮助修正参照本身。
这项工作可以从一项重要任务开始：先构建对应的知识体系，识别关键缺口，补齐并检验，再逐步扩展。目标提高了、任务变化了、原有办法失效了，都需要重新检查。
实践既检验缺口是否补齐，也帮助发现原先没有识别出来的需求。
AI 可以辅助拆解任务、检索资料、生成备选解释；但AI 没有资格自主判定哪一个缺口值得优先补齐，缺口优先级的标尺，只能由人的目标、现场事实和业务结果定义。
当获取已有知识越来越方便，准确识别所需知识、建立任务关联和生产缺失知识的重要性也更加突出。
知识缺口分析，是把学习、人才培养、知识生产和 AI 建设持续指向实际任务的方法。
它要求我们说清楚三件事：要补什么缺口，影响什么判断，怎样验证补齐后的效果。
回答越具体，投入就越有依据，改进也越容易发生。（本文作者为知名知识管理专家田志刚，您可以通过微信号511956894联系他。）
