Forwarded from Буквально Ушакова
Если знания живут у одного — они не живут в команде
Всё кажется надёжным, пока работает.
Пока Вася помнит, куда деплоить.
Пока Аня не в отпуске и может объяснить логику фичи.
Пока Петя в чате отвечает, что «так исторически сложилось».
Проекты перестают опираться на процессы — они висят на конкретных людях.
Это не про формальность. Это про устойчивость
Фиксировать решения — не бюрократия.
Документировать логику — не занудство.
Вести знания в общем месте — не избыточно.
Это — механизм опоры.
Как код ревью.
Как система бэкапов.
Как git — почему мы не спорим с их важностью, но позволяем себе сомневаться в доке?
Команда без памяти — это не команда. Это цепочка зависимости
Когда всё держится на личных черновиках, всё рушится с первым отпуском.
Кажется, что «и так понятно» — пока кто-то не уходит.
Выглядит эффективно — пока не падает прод.
Работает быстро — пока не нужно объяснить, почему вы так сделали полгода назад.
Зрелые команды проектируют не только код, но и знание
Потому что знание — это часть продукта.
Без него вы не сможете повторить, объяснить, передать, развивать.
Оно не должно жить у кого-то.
Оно должно жить в среде, которая доступна, понятна и обновляема.
Это не вопрос культуры.
Это вопрос надёжности.
#база
Всё кажется надёжным, пока работает.
Пока Вася помнит, куда деплоить.
Пока Аня не в отпуске и может объяснить логику фичи.
Пока Петя в чате отвечает, что «так исторически сложилось».
Но каждый раз, когда кто-то держит информацию у себя, команда становится уязвимой.
Проекты перестают опираться на процессы — они висят на конкретных людях.
Это не про формальность. Это про устойчивость
Фиксировать решения — не бюрократия.
Документировать логику — не занудство.
Вести знания в общем месте — не избыточно.
Это — механизм опоры.
Как код ревью.
Как система бэкапов.
Как git — почему мы не спорим с их важностью, но позволяем себе сомневаться в доке?
Команда без памяти — это не команда. Это цепочка зависимости
Когда всё держится на личных черновиках, всё рушится с первым отпуском.
Кажется, что «и так понятно» — пока кто-то не уходит.
Выглядит эффективно — пока не падает прод.
Работает быстро — пока не нужно объяснить, почему вы так сделали полгода назад.
Зрелые команды проектируют не только код, но и знание
Потому что знание — это часть продукта.
Без него вы не сможете повторить, объяснить, передать, развивать.
Оно не должно жить у кого-то.
Оно должно жить в среде, которая доступна, понятна и обновляема.
Это не вопрос культуры.
Это вопрос надёжности.
#база
👍14❤5
Stack Overflow Developer Survey 2025: AI всё активнее помогает искать знания — но доверие ему не растет
Согласно ежегодному опросу разработчиков от Stack Overflow, AI всё активнее используется как инструмент поиска знаний: 54 % разработчиков ищут ответы с его помощью, 35,8 % генерируют контент, 30,8 % документируют код.
Но вместе с популярностью растёт и скепсис.
Только 3,1 % полностью доверяют результатам, почти 46 % - не доверяют. Главная боль - «почти правильные» ответы, которые требуют верификации.
Верификация по-прежнему идёт через людей и проверенные источники. В топе среди тулов для коллаборации и обмена знаниями остаются Markdown-файлы (34,8 %), Confluence (32,8 %), Notion (16.5%). По «желанию попробовать» впереди Markdown (75,8 %) и Obsidian (66,6 %) — форматы, где команда контролирует контент и где можно хранить знания локально.
Стратегический смысл для KM: AI перестал быть магическим поиском. Он стал ещё одним каналом, которому нужна база — структурированная, актуальная и валидированная.
Согласно ежегодному опросу разработчиков от Stack Overflow, AI всё активнее используется как инструмент поиска знаний: 54 % разработчиков ищут ответы с его помощью, 35,8 % генерируют контент, 30,8 % документируют код.
Но вместе с популярностью растёт и скепсис.
Только 3,1 % полностью доверяют результатам, почти 46 % - не доверяют. Главная боль - «почти правильные» ответы, которые требуют верификации.
Верификация по-прежнему идёт через людей и проверенные источники. В топе среди тулов для коллаборации и обмена знаниями остаются Markdown-файлы (34,8 %), Confluence (32,8 %), Notion (16.5%). По «желанию попробовать» впереди Markdown (75,8 %) и Obsidian (66,6 %) — форматы, где команда контролирует контент и где можно хранить знания локально.
Стратегический смысл для KM: AI перестал быть магическим поиском. Он стал ещё одним каналом, которому нужна база — структурированная, актуальная и валидированная.
👍6
AI и передача знаний: удивительно много уверовавших?
Deloitte спросили, может ли AI помочь опытным людям делиться знаниями.
Большинство ответили: да – независимо от возраста и роли.
Среди сотрудников 55+ согласны больше половины.
А топ-менеджеры верят сильнее всех – 76%.
Но вот что меня удивляет.
В отчете нигде не говорится, что AI создаёт знания.
Он лишь помогает делиться тем, что уже есть.
И здесь для меня парадокс: если эксперты всё больше работают с AI, значит ли это, что они меньше общаются с коллегами?
Откуда тогда возьмётся шэринг?
А теперь вопрос 👇
Верите ли вы, что AI поможет лучше делиться знаниями?
И если завтра он станет идеальным помощником, что именно он будет передавать у вас в компании?
знания из чатов?
устные договоренности?
«спроси Петю, он знает»?
По моему опыту, AI не решает проблему хаоса, а ее подсвечивает.
Источник: Deloitte, Strategies for workforce evolution 🥓
Deloitte спросили, может ли AI помочь опытным людям делиться знаниями.
Большинство ответили: да – независимо от возраста и роли.
Среди сотрудников 55+ согласны больше половины.
А топ-менеджеры верят сильнее всех – 76%.
Но вот что меня удивляет.
В отчете нигде не говорится, что AI создаёт знания.
Он лишь помогает делиться тем, что уже есть.
И здесь для меня парадокс: если эксперты всё больше работают с AI, значит ли это, что они меньше общаются с коллегами?
Откуда тогда возьмётся шэринг?
А теперь вопрос 👇
Верите ли вы, что AI поможет лучше делиться знаниями?
И если завтра он станет идеальным помощником, что именно он будет передавать у вас в компании?
знания из чатов?
устные договоренности?
«спроси Петю, он знает»?
По моему опыту, AI не решает проблему хаоса, а ее подсвечивает.
Источник: Deloitte, Strategies for workforce evolution 🥓
❤7👍4🔥2
AI, знания и менторство: не база знаний, а система связей
Если подробнее почитать отчет Deloitte, становится понятнее, какой именно knowledge transfer они имеют в виду, когда говорят про AI.
Это не «записать опыт экспертов в систему».
И не «спросить у AI, как раньше делали».
Вот несколько примеров.
1) HSBC использует AI, чтобы алгоритмически соединять людей:
опытных сотрудников и тех, кто хочет развить конкретные навыки — через реальные проекты.
Не курсы. Не инструкции. А совместную работу.
Важно:
👉 знание передается в действии
👉 AI лишь помогает найти, кого с кем и зачем соединить — такой «знаниевый тиндер»
2) Salesforce идет тем же путем, но с фокусом на карьеру.
Их AI не «советует учиться», а показывает:
вот твои навыки — вот роли внутри компании, о которых ты даже не думал.
И снова – AI не создает знания.
Он делает видимыми скрытые связи между опытом, навыками и возможностями.
И вот тут становится понятна логика цифр из опроса.
Почему топ-менеджеры и офисные роли больше верят в AI для передачи знаний?
Потому что у них:
знания уже формализованы,
работа проектная,
результат зависит от координации, а не только от рук.
А вот продажи, рабочие, операторы, линейные роли – скептичнее.
И это не «отсталость», а сигнал:
там знания до сих пор передаются через людей – рядом, в моменте.
И AI туда просто так не встроится.
Deloitte прямо говорит:
если мы хотим использовать AI для передачи tacit knowledge, придется:
пересобирать процессы,
создавать совместные форматы работы,
делать знания побочным продуктом деятельности, а не отдельной задачей.
Если хочется глубже понять, почему это работает именно так, очень рекомендую классическую рамку про tacit knowledge:
👉 Ikujiro Nonaka, SECI model (tacit ↔ explicit knowledge)
Одна из самых внятных моделей, объясняющих, почему знания передаются через совместную деятельность (социализацию и экстернализацию), а не только через документы. Картинка в треде.
Она хорошо объясняет, почему Deloitte так настаивает на проектах, менторстве и совместной работе, а не на «оцифровке опыта».
Отдельно мне зашла мысль про двустороннее (mutual) обучение.
Пример с врачами и роботизированной хирургией показывает:
молодые приносят технологии, старшие – контекст и клиническое мышление.
AI здесь – не «учитель», а катализатор совместного смысла.
И, кажется, главный вывод такой
AI ускоряет передачу знаний только там, где:
👉 знания уже кому-то нужны,
👉 есть кому с кем учиться,
👉 и обучение встроено в реальную работу.
Во всех остальных случаях он просто аккуратно подсветит,
что передавать… пока нечего.
Если подробнее почитать отчет Deloitte, становится понятнее, какой именно knowledge transfer они имеют в виду, когда говорят про AI.
Это не «записать опыт экспертов в систему».
И не «спросить у AI, как раньше делали».
Вот несколько примеров.
1) HSBC использует AI, чтобы алгоритмически соединять людей:
опытных сотрудников и тех, кто хочет развить конкретные навыки — через реальные проекты.
Не курсы. Не инструкции. А совместную работу.
Важно:
👉 знание передается в действии
👉 AI лишь помогает найти, кого с кем и зачем соединить — такой «знаниевый тиндер»
2) Salesforce идет тем же путем, но с фокусом на карьеру.
Их AI не «советует учиться», а показывает:
вот твои навыки — вот роли внутри компании, о которых ты даже не думал.
И снова – AI не создает знания.
Он делает видимыми скрытые связи между опытом, навыками и возможностями.
И вот тут становится понятна логика цифр из опроса.
Почему топ-менеджеры и офисные роли больше верят в AI для передачи знаний?
Потому что у них:
знания уже формализованы,
работа проектная,
результат зависит от координации, а не только от рук.
А вот продажи, рабочие, операторы, линейные роли – скептичнее.
И это не «отсталость», а сигнал:
там знания до сих пор передаются через людей – рядом, в моменте.
И AI туда просто так не встроится.
Deloitte прямо говорит:
если мы хотим использовать AI для передачи tacit knowledge, придется:
пересобирать процессы,
создавать совместные форматы работы,
делать знания побочным продуктом деятельности, а не отдельной задачей.
Если хочется глубже понять, почему это работает именно так, очень рекомендую классическую рамку про tacit knowledge:
👉 Ikujiro Nonaka, SECI model (tacit ↔ explicit knowledge)
Одна из самых внятных моделей, объясняющих, почему знания передаются через совместную деятельность (социализацию и экстернализацию), а не только через документы. Картинка в треде.
Она хорошо объясняет, почему Deloitte так настаивает на проектах, менторстве и совместной работе, а не на «оцифровке опыта».
Отдельно мне зашла мысль про двустороннее (mutual) обучение.
Пример с врачами и роботизированной хирургией показывает:
молодые приносят технологии, старшие – контекст и клиническое мышление.
AI здесь – не «учитель», а катализатор совместного смысла.
И, кажется, главный вывод такой
AI ускоряет передачу знаний только там, где:
👉 знания уже кому-то нужны,
👉 есть кому с кем учиться,
👉 и обучение встроено в реальную работу.
Во всех остальных случаях он просто аккуратно подсветит,
что передавать… пока нечего.
Deloitte Insights
AI, demographic shifts, and agility: Preparing for the next workforce evolution
A Deloitte survey reveals how AI and human collaboration can help close talent gaps, speed upskilling, and transfer knowledge as demographic changes reshape the workforce
👍9❤3
Готовы ли вы к AI в управлении знаниями? Практический чек-лист самооценки
Гораздо полезнее не спорить о том нужен ли AI, а честно понять:
👉 где у вас уже есть фундамент знаний,
👉 а где AI наткнётся на стену.
В комментариях к прошлым постам многие из вас очень точно сформулировали мысль:
Если есть система — AI ускорит.
Если хаос — он его масштабирует.
Предлагаю взять проверенные подходы из практики исследований KM и AI readiness: APQC предлагает оценку программы управления знаниями на зрелость, где оценивают стратегию, процессы, технологии, людей и измерения эффективности. А в AI-эпоху к этому добавляется еще одно – готовность данных и governance.
Вот практический чек-лист, который можно пройти с командой (ответы «да/нет/частично»):
Стратегия и цель
Руководство понимает, зачем нам AI в управлении знаниями?
Есть конкретные цели для этого (конкретные процессы, роли, KPI)?
Есть 1–2 конкретных сценария применения, а не абстрактное «чтобы было»?
Понятно, какую бизнес-проблему это решает?
👉 Если нет стратегии, то AI останется «красной кнопкой без смысла».
Знания и процессы
Мы знаем, где живут критические знания (чаты, документы, ноу-хау людей)?
Есть процессы, которые формализуют обмен знаниями (воркшопы, менторство, ретроспективы, онбординг)?
Есть четкие измерения того, что знания успешно передаются?
👉 Если знания в голове у людей и нет процессов — AI просто усилит хаос.
Культура и люди
Команда готова использовать AI как инструмент (а не как «магическую замену»)?
Есть ответственные за KM + ресурсы для поддержания процессов?
👉 Люди и культура — ключевой фактор, без которого AI тонет.
Инфраструктура и данные
Наши данные/контент доступны, структурированы и пригодны для AI?
Контент актуален? Есть владельцы знаний? Удаляются ли дубликаты и устаревшие материалы?
Есть технологии, которые позволяют встроить AI в рабочие процессы (чтобы искать, резюмировать, рекомендовать)?
👉 AI без данных — фантастика.
👉 Данные без структуры — беспорядок.
Измерение и управление
Определены метрики для оценки:
– вовлеченность пользователей
– качество знаний
– скорость поиска/решения задач
– доля реального применения знаний
– повторное использование знаний
👉 Без KPI прогресс незаметен.
📌 Промежуточный вывод:
Если в 5+ пунктах ответ «нет» или «частично» — вашему KM еще нужна работа над основой до серьезного AI-развертывания.
Как использовать результаты?
Соберите ответы по подразделениям — это даст карту слабых мест.
Сгруппируйте по 4 направлениям: стратегия, люди, процессы, технологии.
Постройте roadmap: от тактических задач (структурировать ключевые знания и сделать более пригодными для AI) к внедрению инструментов AI.
💬 Вопрос к аудитории:
Если вы сейчас проходитесь по этому чек-листу — в какой области у вас самая большая «дыра»: люди, процессы, данные, измерения? И что вы планируете сделать в первую очередь?
Еще полезное по теме:
Оценивая фреймворк APQC в эру AI
Как оценить готова ли ваша система управления знаниями к AI
Гораздо полезнее не спорить о том нужен ли AI, а честно понять:
👉 где у вас уже есть фундамент знаний,
👉 а где AI наткнётся на стену.
В комментариях к прошлым постам многие из вас очень точно сформулировали мысль:
Если есть система — AI ускорит.
Если хаос — он его масштабирует.
Предлагаю взять проверенные подходы из практики исследований KM и AI readiness: APQC предлагает оценку программы управления знаниями на зрелость, где оценивают стратегию, процессы, технологии, людей и измерения эффективности. А в AI-эпоху к этому добавляется еще одно – готовность данных и governance.
Вот практический чек-лист, который можно пройти с командой (ответы «да/нет/частично»):
Стратегия и цель
Руководство понимает, зачем нам AI в управлении знаниями?
Есть конкретные цели для этого (конкретные процессы, роли, KPI)?
Есть 1–2 конкретных сценария применения, а не абстрактное «чтобы было»?
Понятно, какую бизнес-проблему это решает?
👉 Если нет стратегии, то AI останется «красной кнопкой без смысла».
Знания и процессы
Мы знаем, где живут критические знания (чаты, документы, ноу-хау людей)?
Есть процессы, которые формализуют обмен знаниями (воркшопы, менторство, ретроспективы, онбординг)?
Есть четкие измерения того, что знания успешно передаются?
👉 Если знания в голове у людей и нет процессов — AI просто усилит хаос.
Культура и люди
Команда готова использовать AI как инструмент (а не как «магическую замену»)?
Есть ответственные за KM + ресурсы для поддержания процессов?
👉 Люди и культура — ключевой фактор, без которого AI тонет.
Инфраструктура и данные
Наши данные/контент доступны, структурированы и пригодны для AI?
Контент актуален? Есть владельцы знаний? Удаляются ли дубликаты и устаревшие материалы?
Есть технологии, которые позволяют встроить AI в рабочие процессы (чтобы искать, резюмировать, рекомендовать)?
👉 AI без данных — фантастика.
👉 Данные без структуры — беспорядок.
Измерение и управление
Определены метрики для оценки:
– вовлеченность пользователей
– качество знаний
– скорость поиска/решения задач
– доля реального применения знаний
– повторное использование знаний
👉 Без KPI прогресс незаметен.
📌 Промежуточный вывод:
Если в 5+ пунктах ответ «нет» или «частично» — вашему KM еще нужна работа над основой до серьезного AI-развертывания.
Как использовать результаты?
Соберите ответы по подразделениям — это даст карту слабых мест.
Сгруппируйте по 4 направлениям: стратегия, люди, процессы, технологии.
Постройте roadmap: от тактических задач (структурировать ключевые знания и сделать более пригодными для AI) к внедрению инструментов AI.
💬 Вопрос к аудитории:
Если вы сейчас проходитесь по этому чек-листу — в какой области у вас самая большая «дыра»: люди, процессы, данные, измерения? И что вы планируете сделать в первую очередь?
Еще полезное по теме:
Оценивая фреймворк APQC в эру AI
Как оценить готова ли ваша система управления знаниями к AI
APQC
Knowledge Management Capability Assessment Tool
Submitting Your AssessmentAll submissions to this assessment must be collected using APQC's easy-to-use pdf data collection form. This PDF data collection tool consist of the survey itself and any relevant information needed to understand the survey and complete…
❤6
AI помогает делиться знаниями… но только теми, которые уже готовы к “перевариванию”. И именно поэтому когда мы готовили KM стратегию компании, мы вывели AI readiness в отдельный business driver, рядом с Operational Excellence и Growth.
По книге Designing a Successful KM Strategy (на которую мы опирались) секция Business Drivers/Imperatives отвечает на вопрос: какие бизнес цели KM должен ускорять и как это измерять. Это не “что мы сделаем”, а “зачем это нужно компании сейчас”, чтобы потом из этого логично выросли принципы, приоритеты и roadmap.
Как мы раскладывали драйвер AI readiness and knowledge accessibility (конечно без инфы под NDA):
• Где AI будет использоваться: поиск ответов, помощник в тикетах, генерация черновиков, Q&A по политикам, поддержка онбординга.
• Какие знания нужны: решения и их контекст, “как у нас принято”, границы ответственности, определения терминов, шаблоны, типовые кейсы.
• Какие признаки “готовности” (прям чеклистом):
Ownership: у каждой критичной страницы есть владелец и канал эскалации.
Freshness: дата ревью и правило “если просрочено – показываем статус и риск”.
Структура: краткий ответ в начале, затем детали, ссылки на источники, явные “если/то”.
Единые метаданные: продукт/команда/тип знания/статус/уровень доверия.
Минимум чатов как истины: важное вытаскиваем в артефакты (decision log, FAQ, runbook).
И главный инсайт: AI – не замена шэринга, а аудитор качества знаний. Если ассистент путается, значит у вас не “плохой AI”, а знания без владельца, без актуальности и без структуры.
Мы даже советовали командам 3 простых запроса про них, которые надо задать AI ассистенту, чтобы увидеть пробелы в информации, которую они о себе доносят. Эта практика зашла на ура, многие команды о себе узнали интересное или узнали, что тем чем они занимаются по мнению AI занимается кто-то другой.
По книге Designing a Successful KM Strategy (на которую мы опирались) секция Business Drivers/Imperatives отвечает на вопрос: какие бизнес цели KM должен ускорять и как это измерять. Это не “что мы сделаем”, а “зачем это нужно компании сейчас”, чтобы потом из этого логично выросли принципы, приоритеты и roadmap.
Как мы раскладывали драйвер AI readiness and knowledge accessibility (конечно без инфы под NDA):
• Где AI будет использоваться: поиск ответов, помощник в тикетах, генерация черновиков, Q&A по политикам, поддержка онбординга.
• Какие знания нужны: решения и их контекст, “как у нас принято”, границы ответственности, определения терминов, шаблоны, типовые кейсы.
• Какие признаки “готовности” (прям чеклистом):
Ownership: у каждой критичной страницы есть владелец и канал эскалации.
Freshness: дата ревью и правило “если просрочено – показываем статус и риск”.
Структура: краткий ответ в начале, затем детали, ссылки на источники, явные “если/то”.
Единые метаданные: продукт/команда/тип знания/статус/уровень доверия.
Минимум чатов как истины: важное вытаскиваем в артефакты (decision log, FAQ, runbook).
И главный инсайт: AI – не замена шэринга, а аудитор качества знаний. Если ассистент путается, значит у вас не “плохой AI”, а знания без владельца, без актуальности и без структуры.
Мы даже советовали командам 3 простых запроса про них, которые надо задать AI ассистенту, чтобы увидеть пробелы в информации, которую они о себе доносят. Эта практика зашла на ура, многие команды о себе узнали интересное или узнали, что тем чем они занимаются по мнению AI занимается кто-то другой.
🔥12
Про тренды в управлении знаниями 2026
APQC выпустили свежий обзор KM priorities and trends, и, кажется, в этом году сдвиг особенно заметный. Если в 2025 мы еще обсуждали, как AI встраивается в KM, то в 2026 уже видно: AI перестал быть просто новым инструментом и стал фактором, который заново собирает всю функцию knowledge management.
Что бросается в глаза?
Во-первых, AI и “smart technologies” вышли на первое место среди приоритетов KM-команд – 49%. Для сравнения: год назад это было 41%. Но интереснее не сам рост, а контекст. В топе теперь не только генерация контента, но и intelligent discovery, connected ecosystems, governance, compliance и risk. То есть разговор сместился с “давайте прикрутим AI” к “как вообще подготовить знания, чтобы AI не галлюцинировал, не ломал процессы и не подставлял бизнес”.
Во-вторых, KM все явнее связывают с продуктивностью. Одна из главных возможностей для KM сейчас – сократить фрустрацию от хаотичных репозиториев и сделать знания переиспользуемыми. Это очень точное описание зрелого KM: не “база знаний ради базы знаний”, а снижение трения в работе.
И самое важное: главные риски остались до боли знакомыми – культура не стимулирует шеринг, люди перегружены, эффект KM трудно измерить. Получается, AI поменял повестку, но не отменил базовую работу. Фундамент все еще важнее хайпа.
APQC выпустили свежий обзор KM priorities and trends, и, кажется, в этом году сдвиг особенно заметный. Если в 2025 мы еще обсуждали, как AI встраивается в KM, то в 2026 уже видно: AI перестал быть просто новым инструментом и стал фактором, который заново собирает всю функцию knowledge management.
Что бросается в глаза?
Во-первых, AI и “smart technologies” вышли на первое место среди приоритетов KM-команд – 49%. Для сравнения: год назад это было 41%. Но интереснее не сам рост, а контекст. В топе теперь не только генерация контента, но и intelligent discovery, connected ecosystems, governance, compliance и risk. То есть разговор сместился с “давайте прикрутим AI” к “как вообще подготовить знания, чтобы AI не галлюцинировал, не ломал процессы и не подставлял бизнес”.
Во-вторых, KM все явнее связывают с продуктивностью. Одна из главных возможностей для KM сейчас – сократить фрустрацию от хаотичных репозиториев и сделать знания переиспользуемыми. Это очень точное описание зрелого KM: не “база знаний ради базы знаний”, а снижение трения в работе.
И самое важное: главные риски остались до боли знакомыми – культура не стимулирует шеринг, люди перегружены, эффект KM трудно измерить. Получается, AI поменял повестку, но не отменил базовую работу. Фундамент все еще важнее хайпа.
APQC
2026 Top KM Priorities and Trends (Slides)
In this webinar, APQC's Lynda Braksiek and Cindy Hubert shared key insights from our annual survey and explored how organizations can position KM as a strategic enabler in the year ahead. Topics:
👍7👎1
KM нужен бизнесу не “вообще”, а под конкретные инициативы
В свежем APQC-репорте меня зацепила не только тема AI, но и другой слайд – какие именно бизнес-приоритеты KM должен поддерживать прямо сейчас. Это еще и хорошо перекликается с тем, что я писала пару постов назад про бизнес-драйверы. И тут хорошо видно, как меняется разговор о knowledge management.
На первом месте уже третий год подряд – operational efficiency / process improvement: 47% в 2026 против 44% в 2025 и 42% в 2024. То есть KM по-прежнему ждут не как “функцию про документы”, а как способ убирать трение из процессов.
Но самое интересное в другом. Сильнее всего выросли digital transformation / intelligent enterprise – с 22% до 32%, strategic integration – с 20% до 26%, и productivity – с 18% до 25%. Это уже не просто про хранение знаний. Это про то, что KM должен помогать компании быстрее меняться, собирать контекст между функциями и делать знания пригодными для работы – в том числе для AI.
И тут, мне кажется, важный разворот для KM-стратегии. Нельзя больше писать roadmap только от практик: улучшим поиск, запустим communities, наведем порядок в базе. Надо идти от бизнес-инициатив: где компания хочет ускориться, снизить потери, повысить качество решений, сократить время на поиск ответа. А дальше уже смотреть, какой knowledge capability это поддержит.
Иначе получается классический KM “в вакууме”. Активностей много, связи с бизнесом мало.
В свежем APQC-репорте меня зацепила не только тема AI, но и другой слайд – какие именно бизнес-приоритеты KM должен поддерживать прямо сейчас. Это еще и хорошо перекликается с тем, что я писала пару постов назад про бизнес-драйверы. И тут хорошо видно, как меняется разговор о knowledge management.
На первом месте уже третий год подряд – operational efficiency / process improvement: 47% в 2026 против 44% в 2025 и 42% в 2024. То есть KM по-прежнему ждут не как “функцию про документы”, а как способ убирать трение из процессов.
Но самое интересное в другом. Сильнее всего выросли digital transformation / intelligent enterprise – с 22% до 32%, strategic integration – с 20% до 26%, и productivity – с 18% до 25%. Это уже не просто про хранение знаний. Это про то, что KM должен помогать компании быстрее меняться, собирать контекст между функциями и делать знания пригодными для работы – в том числе для AI.
И тут, мне кажется, важный разворот для KM-стратегии. Нельзя больше писать roadmap только от практик: улучшим поиск, запустим communities, наведем порядок в базе. Надо идти от бизнес-инициатив: где компания хочет ускориться, снизить потери, повысить качество решений, сократить время на поиск ответа. А дальше уже смотреть, какой knowledge capability это поддержит.
Иначе получается классический KM “в вакууме”. Активностей много, связи с бизнесом мало.
🔥4❤1👏1
Забавно, что, кажется, AI наконец заставил нас делать то, что мы годами откладывали в knowledge management: нормально записывать, как у нас все устроено.
AGENTS.md, CLAUDE.md и похожие файлы выглядят как еще один технический артефакт, валяющийся рядом с README. Но по сути это новые базы знаний для агентской эпохи. В них попадает не просто “контекст для модели”, а живая операционная память команды: как у нас принято работать, что считается хорошим результатом, где лежит правда, какие ошибки мы уже совершали и какие выводы из этого сделали.
В докладе *Onboarding for Two* прозвучала очень точная мысль: все, что нужно человеку, чтобы успешно войти в проект, нужно и агенту. Style guide, audience notes, workflow, локальные conventions, типовые грабли – это уже не просто онбординг для новичка, а reusable context для любой следующей задачи.
И тут происходит интересный сдвиг. Мы годами откладывали документацию “для людей”, но внезапно готовы писать ее для агентов. Почему? Потому что эффект мгновенный: один раз записал conventions, ограничения, команды, типовые грабли - и агент уже в следующей задаче работает лучше. Меньше повторяешь контекст, меньше правишь одни и те же ошибки.
Поэтому agent guidelines – это не просто инструкция для ИИ. Это формат, который наконец вытаскивает tacit knowledge из голов, чатов и устной традиции в явный слой. По сути, все то, что обычно рассказывают новичку в первые недели: как у нас принято писать, что не надо трогать без тестов, где искать правду, каким workflow мы реально живем.
И кажется, в этом их главная ценность. Не только в том, что они улучшают работу агентов, а в том, что они буквально “обманывают” нас и заставляют писать более полезную документацию.
Вопрос, кажется, уже не в том, нужен ли вам AGENTS.md. А в том, какая часть знаний вашей команды все ещев нем не записана.
AGENTS.md, CLAUDE.md и похожие файлы выглядят как еще один технический артефакт, валяющийся рядом с README. Но по сути это новые базы знаний для агентской эпохи. В них попадает не просто “контекст для модели”, а живая операционная память команды: как у нас принято работать, что считается хорошим результатом, где лежит правда, какие ошибки мы уже совершали и какие выводы из этого сделали.
В докладе *Onboarding for Two* прозвучала очень точная мысль: все, что нужно человеку, чтобы успешно войти в проект, нужно и агенту. Style guide, audience notes, workflow, локальные conventions, типовые грабли – это уже не просто онбординг для новичка, а reusable context для любой следующей задачи.
И тут происходит интересный сдвиг. Мы годами откладывали документацию “для людей”, но внезапно готовы писать ее для агентов. Почему? Потому что эффект мгновенный: один раз записал conventions, ограничения, команды, типовые грабли - и агент уже в следующей задаче работает лучше. Меньше повторяешь контекст, меньше правишь одни и те же ошибки.
Поэтому agent guidelines – это не просто инструкция для ИИ. Это формат, который наконец вытаскивает tacit knowledge из голов, чатов и устной традиции в явный слой. По сути, все то, что обычно рассказывают новичку в первые недели: как у нас принято писать, что не надо трогать без тестов, где искать правду, каким workflow мы реально живем.
И кажется, в этом их главная ценность. Не только в том, что они улучшают работу агентов, а в том, что они буквально “обманывают” нас и заставляют писать более полезную документацию.
Вопрос, кажется, уже не в том, нужен ли вам AGENTS.md. А в том, какая часть знаний вашей команды все еще
YouTube
WtD Australia: Onboarding for two how I accidentally made my AI smarter by onboarding a human
In this talk, Sarah Deaton shares how explicit context, guardrails, and process docs can turn messy, implicit team knowledge into a single source of truth for both people and machines. You'll learn how to:
- Codify your team's voice and tone for both human…
- Codify your team's voice and tone for both human…
❤11👍10🔥4