🧠 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.
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.
❤9🔥8👍3
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.
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.
Google Cloud Blog
Announcing the 2024 DORA report | Google Cloud Blog
Key takeaways from the 2024 Google Cloud DORA report that focused on the last decade of DORA, AI, platform engineering and developer experience.
👍10🔥6❤2
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?
«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?
Telegram
Ушакова — директор буковок
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».
Но каждый раз, когда…
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…
👍6👏2🔥1
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🔥1
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