夏敬华： 谢谢。知识管理在企业中有一个逐步发展的过程。客观地讲，在七八年前，企业明确的知识管理需求还不明显。蓝凌早期的产品叫做“基于知识管理的办公自动化平台”（KOA），满足的主要还是办公管理、文档管理层面的需求。当然我们对知识管理的研究很早就开始了，但是一开始的确有点“曲高和寡”的感觉。谈到知识管理时，有时候理念很好，但是在企业落实还是有偏差。但蓝凌一直在坚持做这件事情，现在回顾起来还是特别有意义和价值。

具体来说，我们蓝凌内部对于知识管理的研究分为以下3个层面：

其一是关于知识管理的方法论研究。尤其是面向实战层面，由于我们有企业咨询顾问，他们会面临来自企业的实际问题，比如怎么做知识管理规划，怎么做知识梳理；还有一些专项的知识行为，比如怎么做知识收割，怎么做经验知识的管理等，这些都需要有方法的支持。我个人之前也写过很多文章来呈现蓝凌对于知识管理方法的研究成果。我们也参与了知识管理国家标准的制定，贡献了蓝凌的智慧。

其二是通过研究指导我们的产品规划。我们需要研究知识管理的产品到底有什么应用场景，这肯定主要来自用户需求和用户现场，我们会针对调研到的需求进行抽象、提炼，在此基础上我们研究院会给产品规划部门提供很多输入。包括为产品规划部门提供最新技术趋势分析以及产品功能建议等。

其三就是知识管理最佳实践研究。蓝凌最早在国内引入和推广了MAKE奖（Most Admired Knowledge Enterprise，即“最受尊敬的知识型组织”），现在改为MIKE奖（Most Innovative Knowledge Enterprise，MIKE，即“最具创新性的知识型组织”）。蓝凌自身在国内也服务了很多客户，在国内企业级知识管理市场上，蓝凌的客户量是排在前列的，我们也培育和塑造了很多获奖企业。在此基础之上，我们会做一些最佳实践的研究，提炼总结形成一些案例。

综合来讲，蓝凌的知识管理研究内容既包括方法体系，也包括最佳实践，还有配套的支撑系统工具，使知识管理能够更好地落地。在这些方面蓝凌一直坚持在做，也取得了一些成果，比如业界经常看到我们的一些成果模型，包括早期的“知识之轮”模型、知识管理成熟度模型等，近期我们又在关注怎样从不同维度实现知识管理场景化赋能，并形成了一些方法模型。

夏敬华： 实际上我本人最早接触知识管理就是从人工智能角度切入的。记得2001年到2003年我在同济大学做博士后期间，由于是计算机工科背景，在关注人工智能的时候，发现这一领域还有一个方向就是知识管理，进而逐步了解到知识管理的概念。而且我还记得博士期间的第一个课题就叫做故障诊断专家系统，其核心就是把专家的知识用规则表示出来，将“故障现象——故障原因——解决方案”匹配起来，通过输入故障现象，就能通过系统做匹配推理，自动提供解决方案。不过在那个时候关注人工智能和知识管理还是比较偏重学术层面的讨论，真正实践落地的比较少。

而在最近几年，随着人工智能的快速发展，对于知识管理的影响越来越大。2013年麦肯锡的一项研究报告指出了12个将会对全球经济、商业和生活产生巨大影响的颠覆性技术，其中移动互联网居首位，排在第二位的就是“知识工作自动化”。我觉得AI和知识管理结合，在知识管理自动化方面会有很多可能性。我在大约3年前就AI和知识管理怎么结合，尤其是在知识图谱、文本处理等领域的应用做了一些研究。我们也关注到一些相关的论点，比如李开复用一个矩阵分析什么样的职业容易被人工智能取代，矩阵中用到了“人际化程度”和“结构化程度”两个维度；其中“人际化程度低”且“结构化程度高”的工作是最容易被机器取代的，而“人际化程度高”且“结构化程度低”的工作是最不容易被取代的。

在这种背景下，知识管理会如何发展，“人本”的价值又该如何体现呢？越是结构化、标准化、规则化程度高的知识及其场景越容易被AI取代或者辅助。我们以往做知识管理都是梳理和组织很多文档型的知识，那么在人工智能背景下，需要把这些文本进行规则化，“喂给”机器，并使得机器能理解，从而让AI更好地实现知识的价值。在这一过程中，“人本”价值的一个体现就是机器需要由人来训练和“喂养”，让机器具备大家的智慧，让机器模拟人，帮助人；另一方面，人的价值更在于今后从事创新性、创意型的工作，对于组织来说，这意味着需要提供一个更开放的环境。

夏敬华： 未来企业中和知识管理相关的工作可能会出现一些新的岗位。比如有观点指出这类新岗位包括了“数字化管理师”，主要是在数字化转型过程中，利用数字化平台进行企业及组织人员架构梳理、组织运营流程维护、工作流协同、大数据决策分析等。

另外就是“知识训练师”，因为人工智能需要经过训练才能提高“智商”。我觉得人工智能系统和传统的信息系统存在很大区别，传统的信息系统可以做很多前期的系统规划、流程梳理，把流程固化下来，然后基本上就可以据此运行很长时间而保持不变；但是人工智能系统是不断“进化”出来的，你需要不断使用它，不断训练它，否则它就很难用。

因此现在很多企业在看待人工智能时也存在一些误区，比如想着人工智能一来，就能够降低和省去很多人工成本，但是他们没有考虑到前期的投入成本和训练成本是必须的。

夏敬华： 对，人工智能系统是不断自我进化的。这也让我想到一张图表谈到人工智能的水平什么时候超过我们人类的水平呢，这其中是有一个阈值的，低于这个阈值时，人的作用比机器大；高于这个阈值时，机器的作用才能够被发挥。而这个阈值，要靠数据内容注入量和知识训练才能达到。因此在未来，企业当中的知识管理人员可能也会承担起“知识训练师”的角色，去和人工智能对话和连接。

夏敬华 ：其实这也是相对的。人工智能应用一方面对于知识型员工是挑战，另一方面对于计算与软件本身也是挑战——需要让普通人也能够去应用人工智能，去和AI对话，这就对人机交互、操作界面有了更高的要求。

夏敬华： 刚提到的这种新型互联网知识付费服务主要是面向“2C”（to C，即to Consumer，面向大众消费者），当然知识服务也有“2B”（to B，即to Business，面向企业级客户），未来也可能有先“2B”再“2C”。其实咱们在高校做研究，也使用了很多高校图书馆提供的专业化知识服务，比如检索文献、查新、查专利等，尽管以前可能还没有知识服务的概念，但是类似的服务很早就存在了。不过知识服务很长一段时间内还存在于学术专业领域，还没有成为一个社会化的概念或形态。

而现在知识服务的确正在“进入寻常百姓家”，新的互联网业态让更多的人能够了解到、享受到知识服务，我觉得这是一件好事。知识的价值不光可以被专业研究者认同和享受，普通老百姓也可以。这对于知识管理工作者来说是好的现象，也是好的方向。

夏敬华： 其实我自己手机上也装了很多这种知识类的APP。可能确实会存在知识碎片化的问题，而且当你的注意力也碎片化之后，可能会对你知识钻研的深度带来影响，这也有待进一步研究。尤其在“2C”（面向普通消费者）端，可能大家由于“知识焦虑”，购买了很多知识服务产品，但是购买的这些内容到底能够带来哪些收获，可能不同的人有不同的感受。

不过从我的角度，从专业工作需求出发，有时候现有互联网的知识服务对于专业工作的帮助有限，反而专业性的知识服务对我更有价值。举个例子，我在最近的工作中关注“知识贡献度”的研究，比如一个集团总部怎么考察和评价下属单位的知识贡献，我觉得这是很值得专注研究的方向。在这一过程中，我需要阅读专业论文，寻找思路和启发。对于这种研究需求来说，专业、深入、个性化的知识服务可能更有价值。当然，不同的知识服务类型面向不同的需求和层次，都有其存在的空间。

夏敬华： 是的。比如我们参与的一些研究院所的项目，将老专家的文章、著述集合起来，然后希望在此基础之上，利用类似文本处理、知识图谱等技术，再做一些提炼，提取出专家核心的思想以及对不同领域的见解看法，从而形成专家的“外脑”，让专家的思想继续发挥价值。这也可以理解为一种更高层次的知识服务。

夏敬华： 知识管理在企业的实施过程中，我经历过成功的项目，也看到过不太成功的项目。我觉得不成功的知识管理项目有一个共性的特征，就是仅仅把知识管理看作是上线一个工具平台，如果是这种定位，基本上成功的可能性微乎其微。

平台当然很重要，它能够提升知识管理的效率。从知识的生命周期来理解，我们首先关注知识怎么来（知识的产生），然后是知识怎么组织、知识怎么表示、知识怎么存储、知识怎么应用。事实上知识管理系统本身对于知识怎么来（知识的产生）的帮助有限，但是对于知识产生之后的知识表示、存储、学习、应用有很大的价值。

很多企业其实从一开始没有重视和处理好知识怎么来、怎么产生的问题，如果仅仅上线了系统工具，而没有解决知识来源和产生的问题，那么怎么让大家去学、去用呢？所以知识怎么来有时候更需要用管理的手段，需要专家的参与。就像在企业内部，我们要做专家知识的挖掘，如果要求专家花时间把他的隐性知识都写出来也不太可行，这时候我们就会采取多样化的方式，比如我们设立有“专家讲武堂”，定期请专家讲课并录成系列视频，这种方式专家就比较容易接受。用这种方式生成知识之后，再放到平台上，让大家去系统地学习，才能够让知识管理平台带来价值。

总之，对于知识怎么来这个首要问题，不仅是靠系统层面来解决，更多的还是需要从管理和机制层面加以设计和解决。不解决这个问题，后期系统也很难产生更大的价值。

夏敬华 ：基于我的观察和经验，首先一部分企业可能设立有专门的“知识管理部”，以及设立CKO（首席知识官），这也反映了企业高层对于知识管理的重视，但可能比例不高。而大部分是融入到现有的相关具体业务部门中去。而且你会发现知识管理放在不同部门，也体现了不同导向。比如几种常见的情况：放在人力资源体系中做知识管理，就很关注知识管理和员工培训、发展、能力提升之间的关系；放在企管部门做知识管理，就很关注通过知识管理强化制度、流程的落地执行；还有很多企业在认为重要的业务条线中设立知识管理专岗，比如在技术、研发、营销体系中做，这种情况一般没有公司级统筹推动，而是先由业务条线来施行。

总体上说这也体现出两种基本的知识管理设置模式，一种是“业务导向”，一种是“顶层统筹”。而且这两种模式的出现与企业所处的知识管理发展阶段有关。比如在项目阶段，各个业务线自发地开展知识管理项目，各自为战，做到一定阶段之后，发现形成了一个个知识孤岛，这时候就需要顶层统筹，进行统筹的部门一般是人力资源系统、企管部门或者总裁办等。特别是进入长期运营阶段之后，就可能成立公司层面专门的知识管理部门或专职岗位。

不过无论是哪种模式，从长远趋势看，未来更可能出现类似HRBP（Human Resource Business Partner，HR业务伙伴）的KMBP（Knowledge Management Business Partner，KM业务伙伴），每个业务条线上都有结合业务特征的KMBP的角色。

夏敬华 ：这也是很有价值的一个问题。我想企业的研究不像学术界，我们不停留于纯理论模型，而是更多地从实践中来，从客户需求中来，更贴近实务与实战。形象地说，首先就是看你研究的东西有没有人买单，然后要看你的研究成果在实施之后管不管用，有没有得到认同。总之要以客户满意作为检验标准，而不仅仅是追求发表论文或发明专利。

当然，在研究和实践过程中，我们也需要有理论的指导。知识管理和人力资源管理、流程管理相比，理论体系的成熟度还不是那么的高。尤其是我们在服务一些科研院所时，他们对于理论水平和方法论要求就比较高，会关注咨询方案中使用的理论、原理及其出处；而民营企业则主要关注实用、关注能不能解决问题。因此，我们面向不同客户场景，面对的挑战也不一样。

所以，我们的研究力求贴近实战，以客户价值为导向，同时也要追求模型化、理论化、方法化，但主要不是为了发表论文，而是为了实用、复用，能够更好地指导实践工作。

在这种思路指导下，当前我们的知识管理研究有几个正在深入的重点，首先面向高层阐述知识管理的价值，让知识管理与高层战略相连接；其二是一开始提到的面向运营方法层面的研究；其三就是和人工智能相关的研究，关注人工智能在企业中的应用场景。我们也发掘到了一些人工智能的典型应用，例如岗位知识地图，以往是需要人工来梳理一个岗位需要什么知识、技能及知识点之间的关联，现在基于知识图谱的手段可以使这项工作更加智能化，比如基于岗位标签、岗位画像自动爬取、关联岗位相关内容，从而进行定位和推荐；此外还有企业中的流程制度管理，实际上企业中的各种流程制度之间存在关联，但是以往这种关联并没有被很好地发现和呈现，现在可以尝试通过知识图谱的手段来挖掘和显示。

夏敬华 ：其实我们蓝凌有一个口号就是“智慧组织，用蓝凌”。“智慧”也是蓝凌主打的关键词。我对智慧首先从字面上理解，“智”强调“知行力”，每天学习多一点，重在经验复制，从“有”到“优”，从1到100，再到1 000，从一个人的成功，到一个团队的成功，再到一个组织的成功；而“慧”强调“创新力”，重在创意创造，“无”中生“有”，从0到1，实现飞跃性的变化。“智”与“慧” 两相循环，才能产生真正的企业智慧。

夏敬华： 刚才讲的是字面的理解，那么在落地层面，蓝凌提出了通过“四化”实现智慧组织的目标，分别是“管理在线化”“知识赋能化”“运营数字化”“人机智能化”。

“管理在线化”包含了组织在线、沟通在线、协同在线、业务在线、生态在线等各个方面，其实质是将管理活动从线下扩展到线上。因为在未来如果没有在线化的数据积累，无论是大数据还是人工智能都是空中楼阁。

“知识赋能化”包括了给个人、团队、组织、业务等4个维度的赋能，可以概括为“个人赋能精准化、团队赋能开放化、组织赋能服务化、业务赋能智能化”。

“运营数字化”主要是指在流程梳理、流程运营的基础上，构建效率指数、效益指数等。通过量化企业效率数据，找出问题流程和问题个人，进行从部门到公司整体的效率优化和提升，也能逐层解剖，找出流程指数问题原因，实现精细化效率管控。

最后“人机智能化”是更高的阶段。比如现在的工作任务有些是机器来做，有些是人来做，人和机器之间需要协同。我印象很深刻的一类需求场景，就是一些科研院所员工大量的时间都在写各类报告，这是他们最主要的知识场景。他们提出需求说能不能在用Word写报告的时候很方便地引用模板，包括引用素材库、爬取互联网内容等，类似这样的知识服务能力能够嵌入到编写Word的场景中，而不用专门到知识库去查，根据这种需求我们做了“智能编写助手”。包括我们企业自己在撰写投标方案时，内容包括了商务标、技术标等，有很多内容模块需要不同的部门来准备，我们就把这变成一个协同的智能写作任务，在写作过程中，可以随时在后台调用素材库、案例库等，也可以引用外部互联网内容，并将相关知识内容方便地插入文档中，这将大幅提升编写报告的效率，也实现了将以往经验更好地固化。我想这种智能写作场景是很多知识工作者都需要的。

另外，“人机智能化”的更成熟方式就是和智能机器人的自然语言人机交互，比如我们蓝凌内部就在用“小K机器人”。以前员工问制度、问流程等常见问题都需要直接咨询HR、IT部门的同事，现在问机器人就可以了。

夏敬华： 其实我一直觉得知识管理就像中国的“武术”。“武术”是一个比较宽泛的概念，里面还可以有很多门派，知识管理也是一样。这当然有利有弊，一方面让知识管理比较有包容性，另一方面又比较泛化，在企业落地的时候容易“眉毛胡子一把抓”、迷失方向或抓不住重点。现在知识管理整体的趋势是越来越细分化，在每一个细分领域都有专项的工具和方法。

从我个人的理解，我认为知识管理的发展进程呈现出“三化”：第一阶段是“资产化”，过往国内大部分企业都在这个阶段，典型的表现是建立知识库、知识地图等。在此基础上第二阶段是“赋能化”，刚才提到我们可以从个人、团队、组织、业务等四个维度进行赋能。个人赋能可以基于岗位知识路径图模型，配合多种多样的知识学习工具，如闯关学习、每日一学、专家直播等；团队赋能以项目流程为主线，融合项目KM活动，以专业化社区支撑，进而用知识资产固化精华，促进岗位知识赋能提升。组织赋能可以从制度流程体系化、知识解读原子化、知识要点嵌入化、知识服务智能化几个方面推进。业务赋能面向营销、研发、客服、市场等不同的工作场景，通过整合内部的结构化、非结构化、外部和内部数据，建立很多不同主题的知识图谱，实现知识关联和知识发现，与具体场景融合，面向场景做智能推送。第三阶段就是刚才我们讨论的“智能化”，知识工作自动化将在企业中得到更广泛的应用。其实前面每一个阶段都可以叠加一些人工智能的手段，在每一个阶段知识管理都大有可为。

如果借用禅宗人生三阶段，资产化阶段是看山是山即有我，赋能化阶段则是看山不是山即无我，智能化阶段则达到了看山还是山即忘我。这是企业知识作为“静态资产”、再强调“场景应用”、进而追求“融会贯通“的不断进化过程。