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