Knowledge and bacon - Управление знаниями в IT

Stack Overflow тихо сделал пивот, а я его пропустила
(да, снова с опозданием – но тема слишком в точку)

Stack Overflow переупаковал свой корпоративный продукт: то, что было Stack Overflow for Teams, стало Stack Internal и показано на Microsoft Ignite 2025. По сути та же внутренняя база вопросов-ответов, но с новым акцентом – знания теперь готовят не только для людей, но и для AI-агентов.

Что поменялось по сути

– Слой метаданных. К ответам добавляют авторство, даты, теги и оценку надежности – чтобы не только человек, но и модель понимала, какому ответу можно доверять.
– Knowledge Ingestion. Контент подтягивают из Teams, Confluence и прочего, приводят к структуре, проверяют на точность с участием человека и только потом кладут в базу.
– MCP-сервер как мост к GitHub Copilot, ChatGPT и Cursor: агент отвечает не из воздуха, а из проверенных внутренних знаний.
– В планах – агенты, которые сами заводят вопрос, когда находят пробел в базе. То есть дырки в документации становятся видимыми.

Но вот в чем ирония: публичный Stack Overflow сам сильно пострадал от AI. В июне 2026 на сайте задали 1072 вопроса – минимум за всю историю. Для сравнения: на пике в марте 2014 было около 207 000 вопросов в месяц. Разработчики просто перестали выходить из редактора, чтобы спросить у незнакомцев.

И вот платформа, которую AI почти обнулил 😐на публичном поле, разворачивается туда, где AI не конкурент, а клиент – внутрь компаний. Логика та же, что мы обсуждаем не первый пост: AI не отменяет качественную базу знаний, а целиком на нее опирается. Меняется только, для кого мы наводим порядок в знаниях.

Как думаете, это реально новый класс продукта или аккуратный ребрендинг for Teams под волну AI?

Как построить базу знаний, которой пользуются и люди, и агенты

Команда Cerebras разобрала, как они собрали внутреннюю базу знаний – она обновляется автоматически и одинаково доступна и сотрудникам, и AI-агентам. Мне кейс нравится тем, что показывает, куда движется KM: база знаний перестает быть отдельным местом и становится общим слоем поиска поверх всего, где знания уже копятся.

Вот что зацепило.

Знания живут не в базе, а в источниках

БЗ строится поверх Slack, кодовой базы, документов, Jira, Confluence и еще кучи систем. То есть не «давайте перенесем все в одно место», а «давайте искать там, где оно уже есть».

Slack – золото и мусор одновременно

Самое ценное лежит в тредах: в глубине переписки принимается куча решений. Но вытащить это тяжело, потому что рядом столько же «sounds good, thanks!». Сработала комбинация: полнотекстовый поиск, эмбеддинги, реранкинг по редким токенам (обсуждение вокруг редкого флага конфига должно всплывать, а вежливое «спасибо» – нет) и механизм устаревания фактов: тред полугодовой давности про инфраструктуру, которой уже нет, проигрывает свежему.

Код индексируется инкрементально

Для поиска по коду взяли опенсорсный фреймворк CocoIndex – он пересчитывает индекс не целиком, а на каждый коммит.

Плагины под каждую команду

Если у команды свой источник или база, ее можно подключить через плагин – маленький Python-модуль, который отдает данные в общем формате. Команда сама открывает PR, без переноса данных.

who_knows: ищем не только знание, но и носителя

Отдельный тул сразу выдает имена людей, релевантных запросу. Хорошее напоминание, что часть знаний – это не документы, а люди. Плюс результаты агрегируются по проектам, чтобы поиск был точнее.

Как это выглядит у нас

Мы в компании пошли другим путем и используем внешнее решение, но принцип тот же: к нему подключены многие корпоративные источники, и мы работаем над тем, чтобы проиндексировать вообще все. Сверху есть MCP – то есть наши командные и персональные агенты имеют доступ к проиндексированному из тикет-трекера, Miro, Slack, GitHub и так далее. По сути та же идея, что у Cerebras: единый слой поиска, в который одинаково ходят и люди, и агенты.

И снова видно главное: AI не отменяет качественную инфраструктуру знаний, а целиком на нее опирается. Хорошо проиндексированные источники – это теперь не только про удобный поиск для людей, но и про то, будет ли вашим агентам на что опереться.

А вы уже смотрите на свою базу знаний как на источник не только для людей, но и для агентов?

Мы обновили открытый Pragmatic KM Guide и выложили практический материал про Реестры архитектурных решений (ADR).

Что внутри:
- короткое объяснение, когда практика нужна;
- шаблон;
- примеры заполнения;
- типовые ошибки;
- метрики;
- FAQ;
- ссылки на источники.

Ссылка: https://pragmatic-km-guide.ru/practices/knowledge-registration/registration/architecture.html

Делюсь. Для тех, кто не знает, что такое Прагматичный гайд по KM – это открытый и очень практико-ориентированный ресурс про управление знаниями. Я имела честь давненько туда контрибьютить, так что рекомендую не просто так.

Ребята обновили гайд и выложили практический материал про реестры архитектурных решений (ADR) и просят обратную связь.

А если вы на этом ресурсе впервые, обратите внимание еще на пару разделов:

«На минималках» – как запустить управление знаниями без больших ресурсов и начать с малого;
Онбординг – хендбуки, чек-листы и наставничество для новых сотрудников;
ИИ в управлении знаниями – как AI встраивается в knowledge work и почему без качественной базы знаний он буксует.

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.

Я как раз готовила материал про skills для агентов – новый формат обмена знаниями между людьми и AI. И тут подоспела обновка от Anthropic: Claude в Cowork теперь можно научить навыку не текстовой инструкцией, а показом. Жмешь "Record a skill", делаешь задачу и проговариваешь действия голосом – система захватывает экран, клики, клавиши и комментарий и собирает из этого готовый skill. Как обучение джуна через shadowing.

И это уже не единичная фича: у OpenAI есть свой Record and Replay, где ChatGPT так же смотрит запись и сам пишет навык.

По сути, это андрагогика. Малкольм Ноулз писал, что взрослые учатся не через абстрактную теорию, а через практику под конкретную задачу, а не через документы / учебники / теории.

Та же логика в KM: конверсия неявного знания в явное (модель Нонаки SECI) лучше идет через наблюдение за экспертом в моменте, а не через его мемуары в Confluence. Там всплывают мелкие решения, которые кажутся эксперту "само собой разумеющимися".

Отсюда знакомая боль: SOP устаревают быстрее, чем их обновляют, потому что документирование оторвано от самой работы. Но даже со скифами проблема обновления не отпадает сама собой, это уже отдельная тема для разговора.

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

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.

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.

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.

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.

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, 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.

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 🥓