2025-12-18: ежегодная встреча KM Альянс: ЗНАНИЯ и ЗНАИИЯ

Короткая ссылка: KM Russia-2025

Ссылки сюда (3) →

О других конференциях

Еще про управление знаниями

В этом году ежегодная встреча KM Альянса была в онлайн-формате. Очень продуктивно, 8 выступлений по 15 минут и много интересного. Видео будет опубликовано в открытом доступе, а я по свежим следам хочу поделиться впечатлениями. Основной темой встречи, естественным образом, было применение ИИ. И здесь выступления фиксируют ситуацию в отрасли, а она разнопланова, разные участники движутся в разном темпе.

Есть общее мнение: использование ИИ-агентов и других средств сейчас ограничивает не зрелость технологии, а готовность самих организаций. Потому что волшебства не бывает, если в компании хотят, чтобы ИИ-агент отвечал на вопросы, учитывая контекст и знания организации,а не только отраслевые, а эти знания никак не зафиксированы и находятся в головах людей, где накоплены личным опытом, то никакой ИИ-агент этого не может, он не умеет читать мысли. И человек этого тоже не может, здесь ИИ ничем от человека не отличается.

При этом часть проблем – явно надуманные. «Дайте нам LLM для решения конкретной задачи, и чтобы исключить утечку данных!» На мой взгляд, такой подход – желание халявы и волшебной таблетки. Халявы – нет. ИИ-агента надо делать, так же как надо делать конкретную информационную систему. Чтобы сделать – есть способы, и кто хочет результата – он делает, как белорусский Альфа-банк – а там жесткие требования защите данных. Уже есть большое количество проектов, в которых LLM разворачивали локально, и она давало ответы с достаточным качеством, а добивались этого разными способами, в том числе – дешево. Не обязательно разворачивать DeepSeek, который требует мощностей. Например, взяли легкую китайскую модель, подключили к ней, помимо корпоративных данных, еще выгруженную английскую википедию – и это дало качество ответов, сравнимое с большими LLM.

Что еще является трендом года? Люди переходят к встройке ИИ-агентов в команды, организации смешанных человеко-машинных организованностей. Об этом очень хорошо рассказывал Алексей Сидорин. Хотя наивные мысли о том, чтобы ИИ заменило сотрудников во всем, кроме получения денег, которые бы шли владельцу – остаются. Хотя, отмечу, деньги получать он тоже сможет: есть недавний опыт, когда ИИ-агента назначили министром Албании по госзакупкам, и он, проанализировав информацию, решил, что откат в криптовалюте 10-15% контракта – часть системы. Правда, он не смог открыть криптокошелек, но технически обучить ИИ открывать криптокошельки – не проблема, это же скрипт может сделать по API.

На этом с общей частью – все, теперь очень короткий обзор выступлений. Для меня лично наиболее интересными были рассказы Алексея Сидорина и Сергея Гевлича. При чтении прошу помнить, что это – запись впечатлений с голоса, я мог что-то упустить или сместить акценты.

Олег Лавров. Взгляд из профссобщества на менеджмент знаний в России

Я бы выделил в выступлении такие тезисы.

• Очень многие делают проекты, но вот рынок их заказа практически отсутствует, корпорации варятся внутри.
• Много средств для организации индивидуальных и корпоративных знаний, а вот средств для проектной работы со знаниями, учитывающая фазы работы.

В выступлении был более детальный обзор трендов, но его лучше читать в документе, который будет в материалах.

Юрий Зеленков из ВШЭ. Обзор ИИ ученых. Проект ИИ бизнес консультант

На мой взгляд, выступление показывает, что наука отстает от инженерной практики, и это – не особенность спикера, а особенность организации науки так таковой.

Рассказ начался с методологической рамки: есть исследовательская наука, в котором мы проводим эксперименты для проверки гипотез, сопоставляя реальность и теории, и дорабатываем теории, и есть Design Science о конструировании искусственных объектов, таких как ИИ, которые после создания используем для практической деятельности. Например, они могут становиться исследователями, но еще не стали, им мешает отсутствие доступа в физический мир.

В инженерной, а не научной реальности доступ в физический мир у LLM есть, к ним подключаются любые исполнители через скрипты доступа по API, и даже сделаны платформы, которые позволяют оркестровать работу такой смешанной конструкции. Конечно, пока ИИ не может сам купить и подключить новое оборудование, так и ученый этого обычно не может, там длительный бюрократический процесс работы с заявками, но это – отдельная история, а если заявки обрабатываются в какой-то системе, то LLM при небольшой докрутке исполнительных механизмов сможет сделать и отследить заявку, купить оборудование на озоне, и заказать его установку у специалиста, найденного на Яндексе или Авито.

В научной реальности ИИ не могут участвовать в управлении, потому что не сильно владеют формальным описанием бизнес-процессов, а часть деятельности вообще организована через неформальные коммуникации. А в практической реальности ИИ знает BPMN, UML и другие формализмы не хуже людей, неплохо рисует схемы процессов, и коммуникацию ведет тоже неплохо и вполне может, прочитав вчерашнюю переписку по проекту из разных источников, предложить новые фокусы и задачи, таким функционалом пользуются, делая ИИ-агентов, которые на регулярной основе активно участвуют в управлении проектом таким образом. И так далее.

Александр Белин. Разработка Унифицированной Семантической Модели Бизнес-анализа

Александр – известный специалист по бизнес-анализу, организатор и активный участник перевода BABOK на русский и создания российского профессионального стандарта бизнес-аналитика.

В выступлении был рассказ об очень интересном кейсе. Компании, которая занимается ИТ-консалтингом потребовалась карта компетенций специалистов, при этом основная масса компетенций связана с опытом конкретных проектов: специалисты осваивают предметные области прямо в ходе проекта, нет никакого специального обучения. И сами компетенции имеют высокую динамику, потому что постоянно появляются новые проекты, в том числе – в новых областях. Важно, чтобы структура системы была открытой и поддерживала быстрые изменения и расширение принципиально новыми типами знаний.

В качестве базы они выбрали семантическое представление и графовое хранилище данных, основанное на онтологии. А дальше анализ показал, что для бизнес-анализа как профессии нет готового семантического описания – его пришлось создавать, начиная с единого глоссария терминов, в том числе – решая проблему рассогласования терминологии между IIBA и PMI. Результаты представлены в Semantic Web, что позволяет использовать их не только ИИ, но и человеком. Формат выступления не позволил подробного рассказа, но в linkedin есть группа и статьи по проекту, можно узнать подробнее.

Я тут хочу дополнить, что сейчас наиболее перспективное представление знаний – на естественном языке, лучше – английским, но при этом сам текст должен быть структурирован примерно таким образом, которым это делают для промышленных стандартов: с идентификаторами пунктов, строгим словарем, регулярной структурой наполнения, перекрестными ссылками. B можно использовать не только Semantic Web, но и makrdown, ведя базу данных и автоматизированно собирая на ее основе большой RAG-файл для LLM. При этом опыт Анатолия Левенчука показывает, что такое структурированное представление дополнительно включает у LLM режим, который используется им для генерации кода, существенно повышая формальность мышления по сравнению с обычным разговором. Но свобода естественного языка и неформальность использования терминов сохраняется. Просто чем больше их путаете вы, тем больше их будет путать LLM, он – ваше зеркало.

Алексей Сидорин из СБЕР. Маятник дисрапта: как корпорации ищут ценность в ИИ.

Каждая крупная компания понимает, что надо с ИИ что-то делать, но что именно – не слишком понимает. Поэтому включается общий призыв «делайте», и каждая команда пытается включить ИИ в свои проекты, делает ИИ-агентов и так далее. Главный эффект такого подхода – знакомство команд с возможностью ИИ, а это необходимо. Главное – не делать сразу мегапроект ИИ-агента управления корпорацией или сопровождения человека до старости, можно что-нибудь шуточное, например, астрологический прогноз – это можно сделать за один день, а не потратить на знакомство несколько месяцев. А потом уже формулировать реальные задачи, опираясь на опыт.

Что дает включение ИИ?

• Возможность навигации от потребности конкретного человека, а не от сервиса. Например, Не от функции подбора, а от потребности в конкретном специалисте.
• Переосмысление роли человека в процессе: где человек, а где ИИ. Примерно 20% процессов они за год переосмыслили.
• Вместо коробочного решения – сборка из кубиков на гибкой платформе

Они пробуют собрать цикл человека Сбера, еще начиная от того, как человек где-то учитсЯ, но проявляет к Сберу какой-то интерес, и дают возможность студентам зарегистрироваться. При этом студент получает возможность получить себе личного ассистента-партнера и обучить его в ходе взаимодействия.

Когда идет развитие ИИ в корпорации, появляется очень много специализированных агентов, которых делают разные службы – функциональные комнаты. Но отдельные комнаты вредят: ты пытаешься дирижировать, а каждый играет свое. И нужен единый ИИ-контекст. Они разбирают агентов на отдельные функции, работающие в общем контексте получается такой open space для агентов, если использовать аналогию размещения в офисе. И это дает дисрапт оргструктуры. Это не первый раз, предыдущий такт был с единым datalake, тогда тоже надо было объединиться. И тогда тоже люди держались за данные, потому что если данные только у тебя – ты можешь вступить на совете директоров и рассказать что происходит, а если они в общем доступе – то все и так видят. И сейчас это происходит с агентами – люди держатся за функции. Но развитие – за мультиагентскими системами, и оркестирацией их работы.

LLM избавляет от экспертной эвристики. Оценка знаний, компетенций, кандидатов. Люди часто используют упрощения: «он коммуникабельный». А тут можно посмотреть соответствие между широким описанием потребности с широким описанием опыта человека. И так же для других задач, например, для выбора технологии. При этом ИИ может смотреть соответствие развернутых описаний в свободной форме, аргументировать предпочтения – это может быть исходной точкой для обсуждений. Отмечу, кстати, что по моему опыту ИИ неплохо делает сравнительные таблицы в разных разрезах, оценивая параметры по совокупности описаний. Да, потом это полезно проверять, но как черновик – весьма эффективно.

ИИ поменял работу с данными. Раньше требовалась структурирование, а теперь можно работать с разнородными форматами. Про людей особенно важно: вместо накопленных структурных оценок смотреть всю историю коммуникаций.

И тут еще один прорыв: можно про любого человека спросить, что он сделал за год. В том числе про самого себя, он, когда готовился – спросил об этом ИИ, и получил хороший список результатов, порадовался. И это – тоже перестройка мозгов.

Сейчас у них в командах 30% совместной работы с ИИ, а в некоторых прорывных – до 70%.

Максим Цепков. ИИ-коллега – друг, партнер и член команды, а не замена человеку

Я непосредственно работаю с LLM не так много, однако участвуя в различных конференциях знаю про много разных проектов и кейсов. В феврале у меня было выступление на WAW-2025 «Развитие общества в эпоху ИИ», где был обзор темы. А сейчас я сделал фокус на том, что изменилось на этой поляне ИИ за год.

Во-первых, то, о чем говорил Алексей – совместные команды из людей и ИИ-агентов. Это – фронтир. Казалось бы, очевидно: LLM по многим компетенциям – начинающий, junior. Никто не ставит задачу собрать крутую команду из таких сотрудников. А вот про ИИ почему-то хотят автономной работы. Разумная же задача – эффективно включить таких стажеров в существующие команды, возложив на них часть обязанностей. При этом ИИ-агент, в отличие от обычного стажера имеет уникальную компетенцию быстрого доступа к любым знаниям человечества. И с точки зрения soft skill у него ряд хороших качеств: он всегда готов работать, признает и исправляет свои ошибки, комфортно общается. Используйте!

Второй тезис – что ИИ уже способен выполнять интеллектуально емкие задачи. На слайде было три кейса, о двух я рассказывал, они старые и тем интереснее: сейчас LLM уже мощнее. А третий – это работа Анатолия Левенчука по обучению ИИ современному системному подходу. Успешная, качество ответов повышается до уровня профессора, научного консультанта, при чем в любой области. Результаты – доступны в виде файла, который любой может подключить к своей любимой LLM, если она достаточно мощная. И это апробировано не только Анатолием, но и сообществом его Школы системного менеджмента (ныне – Мастерская инженеров-менеджеров). Подробнее читайте по ссылкам из презентации (она в конце отчета), или в моем отчете о семинаре Анатолия по этой теме.

И третья часть была основана на опыте Китая. Китай в начале года произвел подрыв американской монополии на большие LLM. Он создал DeepSeek сопоставимой мощности и выложил его в открытый доступ, что нанесло удар по ценам, и дало возможность локального развертывания, если вас беспокоит утечка данных. При этом он его обучил на порядок дешевле американских, и обнародовал технологию, по которой это было сделано, ее с тех пор успели попробовать на нескольких более слабых LLM с сопоставимыми результатами.

А я недавно был ы бизнес-туре по технологическим компаниям Китая: Baidu, Xiaomi, SenseTime и другие (мой отчет), и увидел много интересного, в том числе – про ИИ. А позднее еще погрузился в тему, в частности прочитал китайскую стратегию развития ИИ. Так вот, выкладывание ИИ-моделей в open source – часть китайской стратегии. А еще в нее входит то, что я увидел во время тура и что дало название моему выступлению: ИИ рассматривают как партнера и коллегу. Нет страха, что ИИ нас заменит. А обсуждать с ним рабочие вопросы не только, чтобы получить лучшее решение, но и чтобы сам ИИ научился на этом и смог лучше помогать людям, и в ряде компаний это – обязательно.

И нет проблем в том, что человек дружит с ИИ-ассистентом: проснулся – поздоровался, за завтраком – обсудил планы и новости и так далее. Ну и что, что это – не человек.

Все это сильно отличается от общественного дискурса в нашей стране, даже среди профессионалов в ИТ. А чтобы применение ИИ было успешным важно, чтобы отношение людей изменилось. И тут китайский опыт, по-моему, является полезным.

Алексей Зобнин из Minervasoft. Корпоративный менеджмент знаний под влиянием ИИ: итоги года и прогнозы

Minervasoft ведет проекты управления знаниями и внедрения ИИ. Сделано множество пилотов, но в эксплуатацию пошло очень мало. И основной вывод Алексея в том, что зрелость технологии тут перестала быть ограничением. Часто ограничивает отсутствие знаний, их просто нет в корпорации-заказчике. ИИ вызвало вторую волну управления знаниями, не только у нас, но и во всем мире. Но если в Штатах первая волна была сильной и остались результаты, на которые можно опереться, то у нас дело обстоит иначе. И начинать надо именно со знаний. Они помогают в этом, делают общий датасет в такой форме, чтобы его могли использовать и люди и ИИ, когда до него доберутся. А тренд тут – формирование публичных датахабов.

Впрочем, отмечу, что ИИ даже при отсутствии знаний хорошо понимает предметные любые области, и вполне способен консультировать специалистов, и помогать найти понимание между специалистами разных областей – если с ним вести грамотную коммуникацию. Но это не требует внедрения отдельных помощников, есть публично доступные LLM.

Другие проблемы лежат в организационной плоскости. Требуется культура и процессы. А в нынешней ситуации часто не хватает средств для проекта. Впрочем, отмечу, что дешевые варианты часто есть, но заказчик считает, что ему «нужно самое лучшее». Как раньше, если внедрять базу данных – так Oracle, а не бесплатный mysql.

Сергей Гевлич. Афина ЕГЭ, ИИ в образовании

У Сергея, как всегда, был очень интересный рассказ с несколькими кейсами. Год назад на такой встрече Сергей Гевлич рассказывал про проект Джипититор (gpttor.ru) – способ передать умения от любого тренера или другого специалиста помогающей профессии чат-боту. Идея в том, что ИИ умеет мыслить, ему надо просто передать ту технологию, схему мышления, в которой мыслишь ты сам при решении кейсов. Если схема мышления правильная, то будет хороший результат, как у хорошего фасилитатора стратегических сессий.

Схема мышления передается с помощью промптов, и Сергей учил их писать. Но психологи не хотят становиться промпт-инженерами, у них другие интересы. И у Сергея возникла идея спрятать оркестровку в системные промпты на платформу, чтобы психолог писал только знаниевую, мышленческую часть. Это получилось.

Эксперты пишут пошаговые планы. Например, сочинения по русскому – 17 шагов. И каждый шаг снабжен критериями, чек лист – можно ли двигаться дальше. Если ИИ это написать, то она может выстроить взаимодействие с человеком, получая от него результат. Получилась работающая технология. Летом было шоу – 10 распаковок, где за два часа извлекаются знания и делают ассистента. Хотя не всегда проходит гладко, у ИИ бывают когнитивные искажения ИИ, приходится разбираться.

Еще один кейс Афина ЕГЭ. – проверка сочинений по русскому языку. Есть эксперты, которые умеют это делать, быстро видят ошибки, но на потоке им тяжело. Они сделали такое решение, и есть экспертное мнение «кажется, дождались» (в презентации – конкретная ссылка и видео). И это – не сервис для учеников, это сервис для репетиторов, который повышает их мощность. Сейчас делают удобную интеграцию в рабочий процесс репетитора. Но есть проблемы, потому что в правилах – множество противоречивых требований, они их выявили, и это приводит к мерцающим ошибкам, неоднозначным ответам. Даешь задание мощной LLM, смотришь процесс рассуждений, она подсвечивает противоречия.

И еще одно направление. Летом он участвовал в Архипелаге, проектирование будущего для систем образования. И построил в обычном чате подход к онтологическому взгляду, который позволил выявить точки напряжения и помогает проектировать шаг развития. Реально рабочий подход, апробирован еще не нескольких кейсах.

Владимир Лещенко. Ренессанс менеджмента знаний в контексте ИИ-хайпа

Это было размышление именно на тему управления знаниями. Потому что ИИ бесполезен, когда знаний нет. Основной тезис: повышение качество работы со знаниями может быть только в том случае, если качество заказчика будет возрастать. А это возможно только благодаря профессиональному сообществу. И на это надо работать – не только KM Альянс, но и HR, риски и так далее.

Это – верно. Но, на мой взгляд, лишь отчасти. Потому что в LLM есть знания человечества, и доступ к ним – тоже помощь. LLM умеет общаться, умеет быть убедительной – есть российский опыт действующих консультантов, что написать мотивирующий текст по результатам стратегической сессии у нее получается лучше, чем у человека. Качество ответов от LLM не хуже от человека, а любимый вопрос «а если оно напишет чушь и поверят, кто отвечать будет», ответ «никто, также как в случае, если чушь напишет девочка-секретарь и это никто не исправит», потому что увольнение секретаря никак не компенсирует убытки от ошибки, да и уволить ее не всегда получится. И вопросы безопасности – решаются.

Так что качество заказчика надо повышать в том смысле, что он должен вложится в управление знаниями, а в более широком смысле: халявы – нет, LLM как коробка не будет готовым решением ваших проблем, как и любая коробка от вендора. И этим она не отличается ни от других проектов автоматизации ни от любых других проектов изменений, внедрения каких-то организационных систем.

На этом я закончу отчет. Запись и материалы встречи ожидаются.

Презентация моего выступления

Скачать весь pdf

[ Хронологический вид ]Комментарии

(нет элементов)

Войдите, чтобы комментировать.

— Максим Цепков • 16:16, 18 декабря 2025 • нет комментариев