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.

YC каждый квартал публикует Request for Startups – ориентир для фаундеров: что в тренде, где, по мнению инвесторов, уже виден PMF, а где еще свободна ниша с нерешенной проблемой. Это не прогноз рынка в целом, а карта «куда сейчас легче зайти с продуктом». Если сравнить весенний и летний списки 2026, видно, куда смещается фокус инвесторов.

Весна – «прибей AI к медленному процессу»: цикл фидбек–спека для PM (https://www.ycombinator.com/rfs#cursor-for-product-managers), AI-native агентства (https://www.ycombinator.com/rfs#ai-native-agencies), подсказки мастеру в поле через камеру (https://www.ycombinator.com/rfs#ai-guidance-for-physical-work). Логика простая: есть понятная ручная работа – ускоряем ее агентом.

Лето – другой слой: «мозг компании» (https://www.ycombinator.com/rfs#company-brain) из разрозненных знаний в исполняемые навыки, «AI OS» организации (https://www.ycombinator.com/rfs#ai-operating-system-for-companies), софт для агентов (https://www.ycombinator.com/rfs#software-for-agents) – API, MCP, CLI вместо GUI. Тренд: не «какую работу сделает агент», а «как устроена компания и ее системы, чтобы агенты в них работали».

Для KM это знакомая история с новым клиентом. Glean (корпоративный AI-поиск по рабочим системам) и аналоги решали поиск контекста для людей. Сейчас ставка на семантический слой и предсказуемые операции для агентов: не «найди документ», а «выполни шаг по правилам компании». Скелет похож, контракт другой.

Выводы. База знаний «чтобы люди или агенты нашли» – уже необходимый минимум, не дифференциатор. Следующий уровень – знания как вызываемые инструменты: четкие границы, версии, шаги, права. Иначе агенты обойдут вашу БЗ – и вы останетесь с поиском для людей, а не с инфраструктурой для агентов.

Источник: https://www.ycombinator.com/rfs

Хочу рассказать про человека, у которого я реально прокачалась.

Мало кто знает, но по основной работе я продакт-менеджер. Управлением знаниями я занимаюсь ровно потому, что вижу в нем ценность для компании и ее продуктов, а не наоборот. И продуктовым навыкам я во многом училась у Леры Розовой.

Ее курсы – это не лекции под запись. Ближе к бизнес-школе или кейс-клубу: теории немало, но она всегда дается к месту, а сам курс каждый раз отстраивается под сообщество и аудиторию, которая пришла. Практика, а не пересказ учебника.

Отдельно неистово рекомендую курс про product economy. Экономика продукта была моей слабой зоной – я вечно плавала в юнит-экономике и монетизации. Курс реально поставил это на место. Теперь я почти на автомате везде вижу бизнес-модель и модель монетизации.

Для меня это и есть признак хорошо переданного знания: не конспект, который потом пылится в закладках, а новая оптика, через которую начинаешь смотреть на мир.

Канал Леры – @valerierozov. Если ищете, у кого учиться продакту по-настоящему, загляните.