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.

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

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.

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.

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.

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 еще в нем не записана.