知识管理领域正经历着快速发展，随之而来的是，重新定义价值、引导决策者和利益相关者关注该领域商业价值的机会也日益增多。“人工智能革命”主导着各种讨论，生成式人工智能的应用也随处可见，知识、信息、数据和内容管理领域也以新的方式不断交织，知识管理也因此持续发展。
与往年一样，Baklib 每年都会发布一份关于2025年知识管理趋势的报告，该报告基于一系列因素和信息。作为新一代企业知识管理与 AI 融合的创新平台，Baklib 拥有独特的优势，能够洞悉知识管理的现状和发展方向。
我们每年会推出一期【年度知识管理趋势报告】，您还可以查看2025年、2024 年、2023 年、2022 年、2021 年、2020年和2019年的报告，了解知识管理领域的快速发展，并验证我们的过往经验。
现在，我们来列出 2025 年最重要的知识管理趋势。
趋势 1. 人工智能与知识管理共生
每个人都在谈论人工智能，我们看到大量预算被分配用于将其变为组织的实际应用，而不是简单地将其变成一个表现良好但产生太多错误而不值得信任的东西。与此同时，许多知识管理从业者一直在询问他们在人工智能世界中将扮演什么角色。在去年的知识管理趋势博客中，我提出了一个简单的想法，即人工智能可用于自动化和简化知识管理程序中原本困难且耗时的方面，同样，知识管理设计和治理实践可以在使人工智能在组织内“发挥作用”方面发挥重要作用。
总的来说，这可以被视为人工智能与知识管理之间的互惠互利关系，所有知识管理专业人士都应抓住这一机遇，帮助组织理解并最大化其价值，而更广泛的社区也正在迅速意识到这一点。核心知识管理实践和设计框架解决了组织在人工智能方面报告的诸多可靠性、完整性和准确性问题——例如，分类法和本体论能够为人工智能提供上下文和分类，隐性知识捕获和专家识别能够为人工智能提供丰富的知识资产，以及治理机制能够确保答案的准确性和时效性。
另一方面，人工智能提供推理、组装、交付和机器学习功能，从而加速并自动化原本耗时且充满不一致的人工任务。人工智能可以通过自动化和推理，在需要时将正确的知识传递给正确的人，它可以自动执行标记等任务，甚至可以改进隐性知识的获取，我将在下文中更详细地介绍这一独特趋势。
KM 对 AI 的价值：
分类法 / 本体论：为 AI 提供上下文与知识分类框架，减少 “无意义输出”；
隐性知识捕获 + 专家识别：为 AI 输送高质量知识资产，避免 “数据空转”；
治理机制：确保 AI 输出内容的准确性与时效性，降低 “幻觉” 风险。
AI 对 KM 的价值：
自动化：替代标记、分类等耗时任务，减少人为误差；
精准交付：基于推理与机器学习，在合适场景将知识传递给合适的人；
隐性知识辅助获取：（后续趋势 4 将展开）提升知识转化效率。
趋势 2. 人工智能数据就绪内容
Baklib 在2024年V3.0版本融入了以“AI-Ready”理念驱动，成为一体化数字内容体验管理软件的定位
聚焦高性能人工智能系统中最大的差距之一，知识管理专业人员今年的关键职责是建立和指导必要的流程和组织结构，以确保组织人工智能系统采集的内容具有可连接性和可理解性、准确性、时效性、可靠性和高度可信度。这涉及多个层面，知识管理专业人员应在所有这些层面中发挥核心作用。首先是内容本身的准确性和一致性。无论我们谈论的是结构化内容还是非结构化内容，组织面临的最大挑战之一就是内容的维护。早在人工智能出现之前，这个问题就已存在，但现在，由于人工智能系统可以连接大量内容并将其重新打包，使其看起来比源内容更新颖、更正式，这一事实使问题变得更加复杂。当人工智能系统基于旧的指令、过时的法规，甚至是完全错误的内容回答问题时，会发生什么？如果它发现多个相互矛盾的信息，它会怎么做？这就是“幻觉”开始出现的地方，人们很快就对人工智能解决方案失去了信任。
除了质量和可靠性问题外，内容结构和状态也存在问题。当所有形式的内容都使用元数据进行一致标记时，AI 解决方案的性能会更佳，并且某些系统和用例也能从内容的一致结构和状态中受益。对于之前已在信息和数据实践方面进行投资，并利用分类法、本体论和其他信息定义和分类解决方案的组织而言，可信的 AI 解决方案将更接近现实。对于许多其他组织而言，这必须成为关注的领域。
值得注意的是，我们甚至看到越来越多的数据管理专家呼吁在各自的领域内推行更完善的知识管理实践和原则。世界正在逐渐意识到知识管理的价值。到2025年，组织内容的整理和内容治理这一由来已久的问题将日益受到重视，以确保通过人工智能呈现的这些材料始终值得信赖且具有可操作性。
需要关心的问题
内容质量：解决结构化 / 非结构化内容的 “维护难题”，确保准确性、时效性与一致性（此问题早于 AI 存在，但 AI 放大了其影响）；
内容结构：推动元数据统一标记，为内容建立一致的结构与状态（已落地分类法 / 本体论的组织，将更快实现 “可信 AI”）；
跨领域协同：响应数据管理专家对 “KM 实践” 的需求，通过内容治理让知识管理价值被更多部门认可。
趋势3. 填补知识缺口
所有系统，无论是否由人工智能驱动，其智能程度都取决于其所能吸收的知识。随着系统越来越多地利用人工智能，并超越各个部门的各自为政，为整个企业服务，我们将有机会更好地理解人们的需求。系统不仅能发现 “无法解答的问题”，还能预判 “潜在单点故障”。一旦企业级知识资产整合在一起，这些人工智能和语义层解决方案就能够识别知识缺口。
这为知识管理专业人士创造了巨大的机遇。知识管理专业人士的关键职责一直是主动填补这些知识空白，但在很多组织中，仅仅知道自己不知道什么本身就是一项巨大的壮举。然而，随着系统的融合和互联，组织将能够突然发现其知识空白以及潜在的“单点故障”，即组织内只有少数专家掌握关键知识。这张新的知识流和空白图可以成为知识管理专业人士的工具，帮助他们优先填补最关键的空白，并跟踪他们在组织中的进展。这反过来又可以为知识管理专业人士创造一项重要的新能力，以展示他们对组织的价值和影响，展示过去无法解答的问题现在如何得到解决，以及过去的单点故障如何不再存在。
为了更好地理解其运作方式，设想一个团结的组织，能够定期收到关于人们寻求答案但系统无法提供的主题的自动报告。然后，该组织可以优先抓取隐性知识，培育新的实践社群，生成新的文档，并围绕这些主题构建新的培训。例如，如果一家制造公司关于某款设备的用户查询量显著增加，系统将能够通知知识管理专业人员，让他们评估出现这种情况的原因，并开始创建或整理知识，以更好地解答这些查询。最智能的系统能够超越内容本身，甚至能够识别组织在某个特定主题上的专家何时正在减少到未来可能存在知识缺口的程度，从而提醒组织加强知识获取、招聘或培训。
实践案例：制造企业若某设备的用户查询量激增，系统可自动通知 KM 团队 —— 评估原因后，通过抓取专家隐性知识、生成操作文档、搭建培训体系，填补该设备的知识缺口；更成熟的系统还能预判 “某领域专家流失风险”，提前启动知识传承或招聘计划。
趋势4. 人工智能辅助隐性知识获取
自20世纪90年代末以来，我看到知识管理领域的人们一直在努力实现隐性知识获取过程的自动化。尽管几十年来涌现出许多演示和好点子，但我从未找到过一个能够与人类驱动的知识获取方法相媲美的技术解决方案。我相信这种情况在未来几年会有所改变，但目前的趋势并非知识获取的自动化，而是人工智能辅助的知识获取。知识管理专业人员和人工智能解决方案都可以在这种方法中发挥作用。人类的职责是识别知识获取的高价值时刻，了解谁拥有这些知识，以及我们具体希望能够解答哪些问题（以及为谁解答），然后促进对话和联系，将这些知识传递给他人。
这并不是什么新鲜事，但如今，当人工智能和自动化技术融入流程后，它变得更具可扩展性，也更容易实现数字化。人工智能解决方案的作用是记录和转录知识的获取和传输，自动将新资产转化为数字形式，然后将其作为新的人工智能知识体系的一部分，在需要时为他人提供服务。通过再次思考知识管理专业人员与现有新型人工智能工具之间的合作，曾经高度局限于人机交互的实践和概念可以成倍增加并扩展到企业，使知识管理专业人员能够利用其专业知识完成更多工作，并将繁琐且影响较小的任务自动化。
价值点：打破 “隐性知识仅靠人际交互” 的局限，实现知识从 “个体持有” 到 “企业共享” 的高效转化，同时释放 KM 从业者的精力，聚焦高价值决策。
趋势 5. 企业语义层
我认为，对于那些寻求超越知识图谱成熟度的企业知识能力的组织来说，语义层是下一步的举措，它将成为实现人工智能的基础框架。在过去的一年里，我们看到这个术语逐渐成为热门话题，并开始在许多大型组织中投入生产。这一趋势在2025年仍在持续增长。到2025年，组织将从语义层的原型设计和试点阶段转向将其投入生产。最成熟的组织将利用其语义层实现多种不同的前端解决方案，包括人工智能辅助搜索、智能聊天机器人、推荐引擎等等。
价值点：
AI 辅助搜索、智能聊天机器人、推荐引擎等；
跨系统知识关联，打破信息孤岛。
趋势6. 访问与授权
如果一个组织能够通过结合语义层、企业人工智能和改进的知识管理实践，真正实现其目标，将分散在企业不同系统中、代表组织不同时期的各种类型的知识资产连接起来，会发生什么呢？这种潜力是巨大的，但也存在着巨大的风险。许多组织在获取知识资产的适当访问权限和授权方面举步维艰。遗留的文件驱动器和老旧系统包含暗内容和数据，这些内容和数据本应得到保护，但却并未得到保护。当这些资料因可查找性差和信息架构混乱而被“隐藏”时，这种情况在很大程度上被忽视了。随着人工智能和语义层技术的出现，这些问题逐渐消失，原本应该得到保护的知识资产却突然暴露出来。虽然这并非知识管理领域特有的问题，但知识经理和组织内其他人员为打破信息孤岛、关联上下文内容以及提高企业可查找性和可发现性所做的工作，将使这一安全和访问问题浮出水面。组织需要积极主动地解决这个问题，以免暴露不该暴露的资料。
提示： 跨部门协作者不单独承担 “安全责任”，需联合 IT、法务、数据安全团队，共同制定 “知识访问权限框架”，明确 “谁能看、能看什么、怎么看”。
趋势7. 更具体的投资回报率计算
2024年，我们听到许多组织说“我们想要人工智能”、“我们需要语义层”或“我们想要自动化我们的信息流程”。随着这些解决方案逐渐落地，以及组织对“如何”和“为什么”的理解日益加深，我们将看到这些诉求日趋成熟。我们将看到更多组织不再只是泛泛地阐述技术和相关框架，而是制定具有凝聚力的用例，并更多地从成果和价值的角度进行阐述。这将有助于将这些计划从有趣的“锦上添花”的实验转变为能够抵御经济衰退、对业务至关重要的解决方案。知识管理专业人员的职责是引导这些对话。让您的组织聚焦于“为什么？”，并确保能够将解决方案和框架与它们将解决的具体业务问题联系起来，并将其与它们将为组织带来的可衡量价值联系起来。
知识管理专业人士将在这些新的知识管理趋势中扮演重要角色。正如您在上文中所读到的，他们中的许多人都具备长期的知识管理职责和技能，涵盖从隐性知识获取、分类法和本体设计，到治理和组织设计等各个方面。2025年最成功的知识管理者将是那些将这些传统技能与对语义及其相关技术的更深入理解相结合的人，他们将继续连接知识、内容、信息和数据管理领域，成为组织的连接器和打破孤岛的利器。
KM 从业者职责：
引导对话聚焦 “为什么”：推动组织将技术方案（如 AI、语义层）与具体业务问题绑定（如 “通过 AI 聊天机器人降低客户服务响应时间 30%”）；
量化价值输出：建立 “解决方案 - 业务问题 - 可衡量价值” 的映射关系，让 KM 项目成为 “抵御经济波动的业务刚需”。
您的组织目前在这些趋势中处于什么位置？您是否能够确保自己处于组织这些解决方案的核心，引领潮流，并确保知识资产以高价值和高可靠性的方式连接和交付？请联系我们了解更多信息并开始行动。
