图片

文/田志刚 摘自《卓越密码：如何成为专家》

以大语言模型（LLM）和生成式预训练Transformer模型(GPT)为代表的新一代人工智能让人们看到通用人工智能的曙光。在企业环境里它可以部分完成原来必须依靠知识型员工的工作，给企业知识管理带来极大的便利，许多之前困扰知识管理实施的问题已经不再是问题，但同时也对知识管理提出了更高的要求。全球政治经济形势的剧烈变动、我国产业升级的关键时刻，对各类组织提出更高的要求，新环境要求对未来具备更深刻的洞察、产品和服务持续创新以及运营效率提升成本降低。在这样的要求下，各类管理者和员工都意识到知识价值的提升，知识正在成为企业成功的关键推动因素。因而越来越多的机构开始重视知识管理的工作，并在其上投入更多资源并期望从中获得更大收益。从认识到重要性到真正做好知识管理，还有很远的路。

图片

趋势一：大语言模型（LLM）为代表的人工智能逐渐渗透到知识管理各项工作，企业知识管理的核心任务正在悄然变化。以大语言模型（LLM）为代表的新一代通用人工智能的出现，将影响到人类社会生产和生活的各个方面，其影响范围之广和程度之深前所未有，而对于知识管理的影响首当其冲。缘于这一代人工智能的核心在于提升AI技术的认知能力，这恰恰是传统知识管理的范围。预计在未来五年内，人工智能将逐渐渗透和改变各类企业知识管理的实施。之前知识管理中的核心问题将不再重要，例如知识搜索发现在大模型的能力加持下将会极大提升，原来需要进行的复杂分类工作也将变得无足轻重，之前那种只管理显性内容的模式难以为继；同时，也会对知识管理提出更高的要求，新技术要求企业真正拥有大量的高质量知识，这对企业基础管理水平和隐性知识线性化能力提出新要求；知识只有在场景中才能发挥出作用，这就需要未来知识管理去构建问题、场景与信息、知识的匹配，构建相应的框架和模型。在新的环境下，因为大语言模型的能力需要结合企业的私有数据才能展现出价值，很多企业将会发现知识短缺的问题：在企业内部高质量的信息和知识数量少且质量不高。趋势二：基于内容管理的知识库构建及其运营重要性和优先级持续增长，成为企业知识管理工作的首要任务。大部分知识管理项目都是由组织的高层领导发起的，其核心需求是：企业经过多年发展，积累了大量的经验教训，需要将其中好的经验留存下来便于未来复制复用，之前走过的弯路出过的问题整理出来，使其不再重复发生，只有这样企业才能越来越好。而他们通常认为能够传承经验教训的载体是之前的工作记录、方案、报告和图纸等内容，所以通常的知识管理在开始阶段都集中在信息和知识的保存上，需要的是内容的存储工作。在未来，对于那些新开始做知识管理的企业，构建知识库存储内容仍然是他们知识管理工作的重点和核心工作。另一个方面，数字化转型的需求和大语言模型（LLM）的应用其实对高质量数据集也提出了更高的要求。在实践中，不少做数字化转型的企业发现，传统的结构化数据大都已经有了相对成熟的管理方式，而涉及知识的非结构数据部分则是空白，所以数据化转型也对内容存储提出了强烈的需求。随着生成式人工智能等工具的出现，管理内容的重要性和优先级只会继续增长。输入决定输出，人工智能工具的效果依赖于它输入内容的数量和质量，要充分实现这些AI工具的好处，知识库的内容有组织且易于查找至关重要。但过往的实践已经证明，仅仅从存储内容角度建立知识库，知识管理实施大部分都会半途而废，这项工作是“不做不行，但做了也不一定行”，需要从应用场景、内部共识、制度运营等方面全面考虑，才能保证不仅将内容存起来，更重要的是用起来，真正让企业和员工从中获益。趋势三：从资源立场到应用立场的进化，企业知识管理的关键工作将转变为问题与场景识别、相应模型构建与知识匹配关联。国内已经有不少实施了多年知识管理的机构，他们购买相应软件工具建立了知识库、制定了相关制度和运营规则，也取得了一定的成效，但却无法让管理层和各职能、业务部门满意，知识管理发挥出来的价值与之前的预期很大。对于这种情景，背后的原因是虽然存储的知识很多，但却找不到信息和知识应用的场景，知识与问题无法结合，就是常见的“知道所有问题的答案，但却不知道问题是什么”。在这种情况下，一类企业就慢慢不再提知识管理的问题，另一类企业则仍然想将知识管理推向深入。这个时候，知识管理的核心工作转化成知识如何与企业经营管理的核心问题结合，通过解决问题来展现价值；或者分析企业内的常见场景，用知识管理的方法构建场景的知识管理。构建各类知识地图其实是这样的尝试，譬如新员工知识地图、项目管理知识地图等，但由于欠缺相应的方法论加之并不理解知识型员工工作中对于信息和知识的需求特征，导致做出来的内容质量不高，并不被管理层和员工认可，只是做出来、存起来，但仍然无法发挥出作用。但知识管理要从站在信息知识等资源立场上的存内容到转变成基于需求和应用的知识利用设计是未来的趋势，只不过这个过程中对于相关人员的能力要求较高，知识管理专业人员和具体业务人员需要进行能力提升。趋势四：随着生产式人工智能（AIGC）在企业知识管理中的应用，企业对于高质量知识需求变得急迫，企业内高水平专家成为关键。大语言模型通过外部公开的海量信息和知识训练形成自己的能力，但这种能力要在企业内部发挥作用，能够真正处理企业具体情境下的问题，还需结合企业的私有数据进行训练。大部分去做知识管理实施的机构在业务上都有不少成功的案例和经验，沉淀下来许多报告、方案、图纸、培训资料、项目过程文件等内容，但这些内容一方面是数量很小（相对于外部的大数据集）；另一方面这些内容只是业务工作的结果，记录了业务的过程。虽然这些内容是基于知识产生出来，但它本身无法直接重用复用。而员工在工作场景下，需要能够直接拿来直接用的知识，包括策略、流程、规范、方法、技巧等知识。这才是知识型员工需要的能够指导他们工作的知识，这也是我们说的企业大都面临的“知识短缺”问题。因为企业内部内容的数量是小数据，所以更需要内容的高质量。按照Garbage in，Garbage out的原则，如果输入的质量不高，就很难真正实现智能应用。要解决知识短缺的问题，需要企业组织内部的高效知识生产，能够将之前的经验结合上领域的实践转化为适合企业的独有知识，经过大语言模型的训练，后续这些知识被广泛的应用。但知识生产不易，它并不是像培训部门组织的课程那样（真正直接可用的知识通常不是课程而是颗粒度更小的内容），其中涉及到专业的知识生产方法论，需要经过相应的训练，才能具备产出高质量知识的能力。进一步说，新一代人工智能其实改变了企业对员工能力的需求，只要企业在某个职能或工作上有相关的专家，如果能够将专家的能力转化成知识就可以通过AI快速分发，帮助更多的员工形成能力，因而企业的竞争优势其实转化到依赖各个职能和业务的专家水平上，中间能力层次的人变得不重要。这其实也意味着对企业提出培养大量高水平员工的要求，只有各职能和业务都有专家的机构才有竞争力。企业内部的专家除了产生具体的内容外，还需要具备构建私有的小规模本体（）、构建专业知识图谱的能力，只有这样才能实现对内部专有内容的理解和自然语言查询。趋势五：知识表达的多模态化（Multimodality）需求空前崛起，跨部门的知识共享成为知识管理工作持续关注的主题。在之前的知识管理实践中，很多企业着重点在每个部门内部的知识共享。但问题在于对于大部分职能和业务的部门、班组和团队内部（通常做类似工作的人数并不多），即便没有做知识管理的时候，他们也有相应的共享策略和方式。当做知识管理的时候，要强硬去改变他们的策略和方式，很容易导致大家的抵触。更麻烦的是，改变了新方式他们却看不到效果，所以容易应付这项工作。而跨部门的信息和知识共享则是客观存在的需求，并且大部分企业内部没有很好满足该需求。通过梳理跨部门之间的共享，界定共享什么、如何共享等方式，相对可以比较容易提升知识管理的价值和获得感，2024乃至更长时间内，相信这将是比较热点需要解决的问题。在知识的表达形式上，多模态是指不仅有文字的形式，还包括图片、音频、视频等。之前大部分是文字的形式（少量图片、音视频），随着短视频的普及影响知识型员工的知识获取方式，很多人已经习惯于通过图片、音视频获取信息。另一方面，将自己的知识表达为非文字的方式，变得更加简单易行，所以未来知识生产的表达方式会发生变化，多模态的内容会越来越多。但这里需要注意的是，多模态的知识表达方式并非像原来录制微课那样，站在学习的立场上，而是要基于问题和需求倒推列知识需求清单，基于清单内容组织人生产精准产出考虑应用场景，才能使产出的内容发挥作用。（本文作者为知名知识管理专家作者田志刚。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。