Катя Ушакова ака директор буковок записала со мной короткий стенд ап (точнее сит даун) - рассказываю, что у каждого на самом деле есть, что рассказать, многим их экспертиза кажется "капитан очевидность" и "все так делают", но это в 80 процентах случаев не так.

Мы практикуем в рамках программного комитета такие созвоны на "размотать" тему. Люди начинают нам рассказывать что делали последний год - работа, хобби-проекты, прочитанные книги и пройденные курсы, а мы помогаем найти связи и ценность для слушателей.

Могу немного подробнее рассказать, как мы это делаем, какие вопросы задаем и как я сама ищу темы для выступлений. Ставьте реакции, если интересно.

🧠 Почему одни курсы вдохновляют, а другие забрасываются?

Послушала свежий выпуск "Кода кода" с Сашей Орловым и Славой Панкратовым из «Стратоплана» про андрагогику. Наконец-то поняла, почему большинство корпоративных обучений проходят мимо.

Формула взрослого обучения

Имеющийся опыт + простройка в будущее (зачем тебе это нужно будет) + мотивация = эффективное обучение

Ребенок учится потому что "надо", а взрослый — только когда понимает связь между тем, что он уже знает, тем, как это поможет ему в будущем, и тем, зачем ему это лично нужно.

Цикл Дэвида Колба: как на самом деле учатся взрослые

В школе: теория → практика
У взрослых: конкретный опыт → рефлексия → новая модель → практика

Взрослый начинает учиться только когда его текущая модель поведения не сработала. "Всю жизнь орал на подчиненных, а этот взял и уволился. Странно..."

Что убивает корпоративное обучение

❌ "Говорящая голова" — лектор читает слайды без вовлечения
❌ Эффект лоскутного одеяла — эксперты не провязаны между собой
❌ Нет мостика с реальностью — непонятно, зачем это нужно прямо сейчас
❌ Принудительность — "отправляем всех на тренинг по коммуникациям"

Практические инсайты для тимлидов

✅ Правило 1-2-5-10: Сначала индивидуальные упражнения, потом в парах, потом в малых группах, потом всем составом. Взрослые боятся "опозориться" перед незнакомыми.
✅ "Атака на тренера" — нормальное явление. Всегда найдется человек, который скажет "я не вынес ничего полезного". Это не про контент, а про групповую динамику.
✅ Фокус на аудиторию: Не "что я хочу рассказать", а "что они должны вынести и применить".

Главное открытие

"Цель обучения взрослых — изменение модели поведения, а не получение знаний" (Джон Калич)
Как только понимаешь, какое поведение хочешь изменить, сразу становится ясно, как строить обучение.

P.S. В выпуске ребята также рассказали про применение ИИ в обучении (бот научился хамить для отработки сложных переговоров 😄) и дали практические советы, как тимлиду начать обучать команду.

Как управление знаниями влияет на DORA-метрики?

Каждый год команды читают отчёт DORA (DevOps Research and Assessment) и ставят себе цели: ускорить delivery, сократить баги, повысить стабильность. Но мало кто задаётся вопросом: а достаточно ли у нас знаний, чтобы всё это реально заработало?

В 2024 DORA добавила новый показатель — rework rate. И он стал триггером: «что-то мы часто переделываем». Причина? Не AI, не отсутствие платформы, а банально недостаток контекста и знаний.

Вот как грамотное управление знаниями влияет на ключевые метрики DORA:

- MTTR (время восстановления) падает, если во время инцидента не бегать по чатам, а найти нужное решение в базе знаний.
- Change failure rate снижается, когда задокументированы типовые ошибки и архитектурные ограничения.
- Lead time и Deployment frequency растут, когда разработчик не тратит полдня на «где что лежит» и «а кто это делал до меня?».

Что помогает?
- Централизованная и живая база знаний, встроенная в рабочие процессы
- Обратная связь: можно быстро уточнить, улучшить, апдейтнуть
- Курировать критичные зоны: архитектура, типовые ошибки, деплой-процессы.
- Интеграция с CI/CD: документация обновляется вместе с кодом
- Карта знаний: кто знает, кто может помочь
- Обучение: как писать, что документировать, зачем это всё

Метрики DORA — это не только про DevOps. Это про культуру, в которой знание — это не то, что унесли в голове на митинге, а то, что можно найти, переиспользовать и улучшить.

Пост Кати Ушаковой должен быть в стартовом паке любой команды: про устойчивость, а не формальность.

«Оно не должно жить у кого-то. Оно должно жить в среде, которая доступна, понятна и обновляема.»

Кажется очевидным, но мы до сих пор строим процессы на «пока»:
– Пока Вася помнит логику продакшена.
– Пока Аня в офисе и может объяснить, почему фича такая.
– Пока Петя отвечает «так исторически сложилось».

Но это не система. Это хрупкая цепочка зависимости.

Когда знание не оформлено, его нельзя повторить, объяснить или передать. А значит — нельзя масштабировать продукт. Или даже просто нормально выйти в отпуск.

Хорошая документация — это как git, бэкапы или код-ревью: никто не спорит с их нужностью. Но вот знание мы до сих пор держим «на авось».

👉 Вопрос не в культуре. Вопрос в надёжности.

А у вас знание проектируют так же системно, как код?

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.