2024年企业知识管理趋势

过去几年，我撰写了一篇关于年度顶级知识管理趋势的文章。作为全球最大知识管理咨询公司的首席执行官，我很荣幸能够见证这些趋势每年的演变。与往年一样，我召集了EK的知识管理顾问和思想领袖，共同指导这份榜单的制定。我研究了从客户和潜在客户那里看到的新兴主题，包括我们收到的提案请求中出现的新兴主题。随着我们帮助许多领先的客户制定多年期知识管理转型路线图，或制定他们的年度优先事项和预算，关键主题已经逐渐成型。我通过一系列采访（包括内部和外部的知识管理领导者和从业者），回顾了全球知识管理会议和出版物中的主题和讨论，并评估了知识管理、信息管理、内容管理和数据管理软件领域供应商的简报和产品路线图，补充了这些见解。 

以下是 2024 年的主要知识管理趋势。

趋势 1：生成式 AI 融入知识管理流程

显然是人工智能——如果仅仅将人工智能作为一种新的知识管理趋势来呈现，那么思想领导力将面临真正的失败，尤其是自从我在 2019 年首次发现知识管理的这一增长趋势以来。然而，这两个学科之间的具体相互作用和重叠确实值得进一步讨论，因为这里正在发生一些新的、令人兴奋的事情。 

首先，各组织越来越意识到，如果没有合适的基础架构，他们的人工智能计划将会失败。我们这里讨论的并非黑箱人工智能，而是可解释的人工智能，即使是最不愿承担风险的组织也能信赖这种人工智能。在这种情况下，传统的知识管理（KM）学科，包括知识获取和数字社区（以数字化和可理解的形式获取专家知识）；内容结构化（确保其机器可读且可配置）；分类法、本体和内容标记（确保其可分类、关联和情境化）；以及信息治理（确保人工智能解决方案仅使用正确且合适的信息），可以为人工智能的顺利实施提供必要的基础架构。这些知识管理主题并非新鲜事物，事实上大多数都已有数十年历史，但它们共同构成了企业人工智能的基础。尽管人工智能已成为高管们的首要任务，但许多人工智能计划却停滞不前或遭遇早期失败，高管们也愿意重新审视知识管理的优势。

由于人工智能是高管们的首要任务，但许多人工智能计划停滞不前或遭遇早期失败，高管们愿意重新审视知识管理的好处。

第二个知识管理和人工智能趋势与第一个趋势相反，它侧重于利用人工智能来增强和改进一些传统的知识管理实践。在我从事知识管理的二十五年中，成功的知识管理转型早期曾遇到过一些障碍，这主要源于内容清理、内容标记和内容重组等知识管理任务的高度劳动密集型。这些任务对于组织实现较高的知识管理成熟度至关重要，但要有效完成则需要付出巨大的努力。人工智能提供了一种解决方案，它可以自动化这些以及其他关键但单调的知识管理任务，在加快转型速度的同时，仍能保持高水平的准确性。这一趋势有望大幅提高知识管理和数字化转型的速度和/或完成度。

随着我们对知识管理/人工智能趋势的深入研究，我预计有三个主要用例将会持续下去。第一个用例，也是我们目前看到的最常见的应用场景，是定制化学习。人工智能被用于自动构建个性化学习路径。这包括将正式和非正式学习、专家资源、知识资产和工作辅助工具整合到针对每个学习者的定制课程中。第二个用例是利用人工智能组装和创建新的知识文章，将组织的知识、内容和数据整合成更新、更丰富、更可操作的知识资产。我将在稍后讨论语义层和对话式知识管理时更详细地讨论这个问题。最后一个用例，也是我特别感兴趣的，是利用人工智能识别和获取来自专家的新知识。这并不是一个新想法，但我们开始看到对这一领域的投资，这将使解决方案能够识别与人类专业知识流失相关的风险，以及在适当的时机和机制来获取这些专业知识，以便在组织内部保留它们。这是一个早期趋势，但我认为一年后我们会看到更多这样的趋势。

1. 为什么对我们重要？​

这是 2024 年 KM 提升效率与体验的 “利器”—— 传统 KM 流程（知识整理、分发）耗时耗力，GenAI 能自动化部分工作，如自动生成知识简报、根据员工提问匹配最佳实践。同时，它能提供更智能的知识交互，提升员工对 KM 系统的使用意愿（类似智能客服提升客户体验）。​

2. 落地关注点​

• 从 “辅助性任务” 试点：先在知识整理环节应用 GenAI，如让其自动提取会议纪要中的关键决策，验证效果后再扩展到内容创作、问答环节；​

• 确保 “知识准确性”：GenAI 生成内容可能存在错误，需建立 “人工审核机制”（如由领域专家审核生成的知识文档），避免错误知识传播；​

• 联动现有 KM 系统：将 GenAI 功能集成到企业知识门户、知识库中，确保员工能在熟悉的界面使用，避免增加新系统学习成本。

趋势 2. AI增强传统实践

专注于知识管理，实现人工智能无法企及的目标——上文我讨论了知识管理如何成为人工智能的赋能因素，以及人工智能如何成为知识管理的加速器。同样，关于人工智能将取代哪些工作也有很多讨论。尽管人工智能将在很大程度上促进和加速知识管理工作，但（人类）知识管理专家在组织中的作用从未如此重要。虽然我坚信人工智能终将实现这一目标，但它根本无法做到我们能做到的事情。为此，2024 年知识管理趋势重点关注以下关键差距：

1）通过情境和解读来获取专业知识，确保组织依赖准确、最新且可信的信息；

2）以促进协作、学习和创新的方式关联知识并协助人们；

3）定义本体和大型语言模型，以提供业务运作方式及其中存在的关系的数字化地图。

这些都不是新技能或新主题，但目前它们的需求量很大，并受到成熟组织的高度重视。第一点在今年将尤为突出；随着组织在利用集体知识、信息和数据方面越来越成功，对于许多希望填补组织智能空白的组织来说，隐性知识获取的重要性将大幅提升。

值得注意的是，生成式人工智能社区所美其名曰的“幻觉”，对于寻求人工智能的组织来说，实际上极其棘手。幻觉实际上要么是设计不良的连接，要么是知识缺口，或者更可能是错误的输入（例如，旧的、过时的，或者完全错误的信息）。知识管理专业人员应该成为组织的“幻觉杀手”。

知识管理专业人员应该成为组织的幻觉杀手。

趋势 3. 内容结构与质量

在我职业生涯的初期，分类法和标签的简单卖点在于为非结构化信息添加结构。如今，二十五年过去了，我们仍在寻求增强内容，但内容的定义已经拓宽，我们所追求的结构也更加成熟。正如我去年所讨论的，从内容角度来看，关键主题是知识管理 (KM) 现在涵盖了所有形式的内容，从隐性到显性、从信息到数据，包括人员、产品和流程，所有这些都是离散的知识资产，可以纳入组织的知识管理生态系统。结构也从简单的分类法和标签发展到企业级本体、内容类型、文本分析和自然语言处理的设计，这不仅有助于理解每个单独的知识资产，还有助于理解它们之间以及它们内部的关系。

趋势 4. 构建语义层

语义层并非新概念，但它正迅速成为知识管理、数据和人工智能交叠领域中最大的趋势之一。过去几年，我曾撰写过关于知识图谱趋势及其如何赋能人工智能的文章，而现在，语义层将成为这一发展进程中更强大的下一步。语义层是一个标准化框架，用于组织和抽象组织数据（结构化、非结构化、半结构化），并充当数据和知识的连接点。它融合了知识管理的许多核心设计元素，即信息架构、分类法、本体、元数据和内容类型，以及传统上以数据为中心的元素（information architecture, taxonomies, ontologies, metadata, and content types），例如业务词汇表和数据目录，以便在需要时提供高度情境化、集成的知识。如果这对您来说是一个新术语，请准备好更多地了解它。它不仅仅是人工智能的赋能器，它还能帮助组织实现打破孤岛的长期知识管理目标；将各种形式的数据、信息和知识与需要的人联系起来；并利用分析技术填补知识和绩效方面的空白。简而言之，它是最终能够为组织带来真正企业知识的解决方案。 

趋势 5. 对话式知识管理

ChatGPT 的对话特性令我们赞叹不已，它允许新手用户针对问题、图片、想法甚至代码提出答案，并通过对话精准地阐明需求。随着我们在知识管理和人工智能领域的共同发展，我们正朝着“对话式”知识管理解决方案的方向发展，该解决方案将扩展高级搜索、知识门户和智能聊天机器人，使任何用户都能与组织的知识资产进行交互，并获得越来越精准、个性化的答案，从而帮助他们完成任务。我们已经为一些更高级的客户实现了这一目标，但相关技术和组织用例都正处于一个转折点，对话式知识管理功能将很快成为常态。

点击这里了解 Baklib 的 AI Chat 模板，如何将知识库转换为对话式知识问答系统。

知识管理用于风险识别和缓解——从历史上看，知识管理的价值难以言表，但实际上，我们通过关注知识管理的业务成果，在该领域取得了巨大进展，这些成果包括提高生产力、降低成本、留住员工、更快更完善的入职培训和学习，以及留住客户等等。知识管理的新趋势带来了一种新的业务价值：风险识别和缓解。知识管理可以通过利用全面的知识管理解决方案来发现安全措施不当或不正确的内容，从而帮助识别和缓解风险。这对于监管严格的行业或处理机密信息的行业尤其重要。这方面的投资回报率显而易见，因为一次专有信息的意外泄露就可能造成数百万美元的损失。更糟糕的是，传递关于如何使用产品的错误信息可能会造成生命损失。还有其他一些用例专门用于在知识缺口变得严重之前发现它们，但简而言之，企业知识管理方法可以让组织更好地了解其所有知识、内容和数据，从而让他们能够主动应对可能发生的可衡量风险。鉴于证明投资合理性是多么容易，并且能为组织带来重大影响，这一最终趋势尤其值得注意。

您需要帮助来理解和利用这些趋势的价值吗？请联系我们了解更多信息并立即行动。