В статье — о том, что меняется в KMS-платформах на фоне ИИ-трансформации, удалённой работы и ускоренного устаревания компетенций, какие технологии дают прикладной эффект и как правильно внедрять новые методы в управлении знаниями.
Время прочтения: 13 минут
КРАТКОЕ СОДЕРЖАНИЕ
ИИ: новое ядро интеллектуальной KMS-системы
Генерация и анализ знаний через ИИ
Оцифровка и структуризация корпоративной экспертности
Подготовка данных к внедрению ИИ
Интеллектуальный доступ к знаниям
Коннекционизм и сетевая природа знаний
Знания и информационная безопасность
Тренд на менеджмент знаний
Резюме
Генерация и анализ знаний через ИИ
Оцифровка и структуризация корпоративной экспертности
Подготовка данных к внедрению ИИ
Интеллектуальный доступ к знаниям
Коннекционизм и сетевая природа знаний
Знания и информационная безопасность
Тренд на менеджмент знаний
Резюме
Инновации в менеджменте знаний: ИИ как новое ядро интеллектуальной KMS-системы
По данным World Economic Forum, в 2025–2030 годах в среднем трансформируется или устареет около 39% навыков, которые сотрудники используют в работе. В таких условиях корпоративные знания нельзя обновлять раз в квартал — нужно постоянно управлять ими: фиксировать новые решения, заменять устаревшие инструкции, быстро доводить изменения до сотрудников и помогать им осваивать информацию с помощью ИИ-ассистентов.
Gartner в стратегических технологических трендах на 2026 год выделяет ИИ-ассистентов и агентов, multiagent-подходы и контуры AI-security. Это сигнал о том, что ИИ выходит за рамки ответов в чате и становится важной частью процессов и клиентских сценариев. Поэтому при внедрении ИИ-систем компании требуют двух вещей: чтобы ответы опирались на корпоративные источники и чтобы правила безопасности были управляемыми.
На практике такая KMS состоит из двух слоёв:
- Базы, где знания создаются, редактируются и регулярно обновляются.
- ИИ, который может быть внедрён в виде интеллектуального поиска с генерацией ответов и AI-ассистента, который обучается на данных из базы знаний и внедряется во внешние платформы.
По этим принципам создавалась платформа Minerva Knowledge — единое пространство для управления корпоративными знаниями с поисковой системой уровня «Яндекса» и «Гугла» и ИИ-помощником, встроенным редактором и оповещениями.
ИИ-помощник решает две задачи. Во-первых, он обеспечивает умный поиск и подсказки внутри системы: специалист задаёт вопрос или описывает ситуацию — AI-агент находит релевантные материалы, учитывает контекст и предлагает ответ с последующими шагами и со ссылками на источники. При обновлении материалов автоматически выдаются их актуальные версии.
Во-вторых, ИИ-ассистент Copilot можно встроить в другие корпоративные системы, чтобы сотрудники получали те же подсказки и рекомендации прямо в рабочем интерфейсе, не переключаясь между инструментами.
Это сокращает время на поиск нужной информации и её применение в конкретной ситуации. Снижается нагрузка на экспертов и руководителей. Эффект особенно заметен в сферах с большим потоком вопросов и частыми изменениями: в клиентском сервисе, внутренней поддержке, операционных и производственных процессах, продажах и бэк-офисе.
Генерация и анализ знаний с помощью ИИ
ИИ как новый метод управления знаниями в 2026 году всё чаще работает в двух направлениях.
Первое направление — извлечение знаний из корпоративных данных. У компаний уже есть всё необходимое: статьи, инструкции, кейсы, обращения, инциденты, отчёты, результаты проектов. Когда ИИ подключают к этим источникам, он работает как аналитический слой поверх корпоративных данных: по запросу изучает большой массив материалов и выдаёт выводы в нужном формате. Это может быть сводка по теме, сравнение подходов и результатов, разбор динамики «до/после», выделение повторяющихся паттернов и причин, кластеризация кейсов по типам или подготовка кратких рекомендаций на основе накопленного опыта.
GenAI-ассистент Minerva Copilot в этой логике помогает извлекать ответы из корпоративных знаний и связанных материалов: сотрудник получает не набор ссылок, а применимый вывод в рабочем контексте.
Второе — ускорение создания и поддержки контента. ИИ можно использовать как встроенный инструмент в редакторе базы знаний: он помогает собрать структуру, предлагает формулировки, выравнивает стиль, готовит резюме и FAQ, превращает объёмные регламенты в прикладные чек-листы.
Также для создания материалов можно использовать внешние помощники вроде GPT: для черновиков, переработки текста и подготовки материалов к публикации.
Оцифровка и структуризация корпоративной экспертности
Главная потеря активов происходит, когда уходят ключевые сотрудники. Увольнение эксперта часто означает потерю контекста: почему принято делать именно так, какие исключения встречаются, где чаще всего возникают ошибки и почему? Поэтому компании оцифровывают неявную экспертность и переводят опыт в переиспользуемые форматы: разборы кейсов, сценарии решений, чек-листы и стандарты.
Дальше подключаются цифровые двойники и AI-аватары. Они удерживают доменную экспертность и забирают типовые вопросы, которые постоянно отвлекают экспертов. Например, какой шаблон использовать, как оформить исключение, какие ограничения действуют в конкретной ситуации.
Чтобы знания не распадались на отдельные страницы, используют knowledge graph. Он связывает процессы, документы, роли, термины и системы в единый контекст.
Подготовка данных к внедрению ИИ
Инвестиции в ИИ-ассистентов часто не дают ожидаемого эффекта из-за неподготовленного фундамента знаний: низкого качества данных, отсутствия актуализации и управления доступами. Gartner ещё в 2025-м прогнозировал, что в 2026 году организации будут отказываться от 60% AI-проектов, которые не поддержаны практиками подготовки данных для ИИ.
Эту проблему закрывает методология Minerva Result: с её помощью можно выстроить систему подготовки знаний для обучения ИИ-агентов — от аудита и стандартизации документов до их регулярного обновления. Точность ответов растёт за счёт качества знаний, а не бесконечных итераций настройки модели.
Подготовка данных для внедрения ИИ-агентов — редкая для рынка экспертность. Главный барьер перед подключением цифровых агентов — хаотичные и неструктурированные корпоративные данные: низкое качество источников, разрозненные документы, противоречивые версии и отсутствие единых стандартов.
В методологии Minerva Result фокус сделан именно на готовности корпоративной инфраструктуры к внедрению ИИ-агентов. В рамках аудита специалисты анализируют структурированность данных, проверяют статьи и материалы на машиночитаемость, оценивают процессы актуализации и управления доступами.
По итогам формируется практическая дорожная карта подготовки знаний для обучения ИИ-ассистентов. Услуга уже протестирована в нескольких крупных российских компаниях, в том числе из сфер телекома и ретейла.
Интеллектуальный доступ к знаниям
В 2026 году в KMS семантический поиск заменяет поиск по ключевым словам. Сотрудник формулирует задачу человеческим языком, система понимает контекст и возвращает не подборку документов, а точный ответ или решение, которое можно сразу же применить.
Дальше включается персонализация. Один и тот же вопрос для разных ролей требует разной глубины: оператору нужен алгоритм и шаблон ответа, руководителю — политика, риски и границы допустимого. Поэтому доступ к знаниям строится вокруг роли, уровня компетенций и задач, а не вокруг единой, универсальной статьи.
Третий слой — microlearning. Когда человеку нужно закрыть пробел здесь и сейчас, эффективнее пройти короткий модуль обучения под конкретную ситуацию, нежели целый курс.
И всё это работает только при бесшовной интеграции в workflow: сотрудник не должен уходить в отдельную вкладку с базой знаний. Подсказка, инструкция или правило должны появляться там, где он принимает решение: в service desk, CRM или таск-трекере.
Эти требования были учтены при разработке виджета Minerva Copilot: он интегрируется с service desk, CRM, таск-трекером, использует знания компании и формирует ответы и рекомендации на основе подхода RAG, чтобы сотрудник получал применимый результат в рабочем контексте.
Коннекционизм и сетевая природа знаний
Ещё один важный принцип новых методов в управлении знаниями — их связность. Когда экспертность живёт в головах у отдельных людей, команде приходится тратить время на поиск идей и ответов, а качество решений начинает зависеть от конкретных сотрудников.
Горизонтальный обмен экспертностью закрывает эту проблему: лучшие практики перестают быть личной техникой и превращаются в общий стандарт, который можно быстро масштабировать на команды, смены и филиалы.
Чтобы такой обмен работал системно, знания нужно фиксировать по мере появления, а не задним числом. Они формируются из реальных кейсов и решений. Разобрали инцидент — записали выводы и правильный порядок действий. Нашли удачную формулировку для клиентов — закрепили как шаблон. Так появляется живая экосистема корпоративного интеллекта: опыт сразу попадает в базу знаний и в обучение, а новые и действующие сотрудники работают по единым стандартам качества.
Minerva Learn помогает удерживать эту связность на практике. Обучающая платформа работает на основе Minerva Knowledge и автоматически подтягивает обновления из базы в курсы и тесты. Это снимает типовую боль, когда регламент уже изменили, а обучение осталось старым.
В Minerva Learn есть детальная аналитика обучения: готовые отчёты позволяют быстро отследить прогресс каждого сотрудника и увидеть результат по ролям или по компании в целом. Это помогает понимать, где обучение усваивается, а где специалисты постоянно ошибаются, — и точечно дорабатывать программу.
Знания и информационная безопасность
Управление знаниями всегда упирается в информационную безопасность: важно не только оцифровывать и обновлять контент, но и правильно настраивать доступы, роли и контуры распространения. Если права распределены неверно, знания становятся источником риска — неважно, лежат они в папках, в базе знаний или встроены в рабочие процессы.
С появлением GenAI цена ошибки растёт. Если раньше конфиденциальный документ нужно было целенаправленно найти и открыть, то теперь достаточно одного запроса — и ИИ может случайно выдать фрагмент закрытой информации, если доступы и ограничения настроены неправильно.
Базовый уровень защиты — ролевой контроль доступа к знаниям. Например, в Minerva Knowledge это решается на уровне прав: сотрудник видит только те материалы, к которым у него есть доступ, а значит, ИИ-ответы опираются только на открытые для этого сотрудника источники.
Дальше нужен governance в контуре знаний и ИИ. Это набор правил, которые делают безопасность управляемой. Политика источников отвечает на простой вопрос: из каких материалов ИИ вообще имеет право брать ответы? Обычно это перечень доверенных хранилищ и типов контента, приоритеты между ними и правило единственной актуальной версии, чтобы ассистент не собирал ответ из устаревших регламентов и черновиков.
Логирование запросов нужно, чтобы понимать, какие темы спрашивают чаще всего, где сотрудники регулярно пытаются получить доступ к закрытому, какие формулировки приводят к рискованным ответам. По логам видно, где усиливать ограничения, где дообучать пользователей и где в знаниях есть пробелы.
Красные зоны — это список тем и данных, которые ИИ не должен выдавать ни при каких условиях. Туда обычно попадает коммерческая тайна, персональные данные, финансовые реквизиты, внутренние расследования, уязвимости, инструкции для критичных действий и всё, что может навредить при утечке.
Правила работы с чувствительными данными — это регламент для сотрудников: что нельзя вставлять в запросы, как обезличивать кейсы, как описывать ситуацию без раскрытия данных клиентов и деталей договоров, какие каналы и режимы использовать для закрытых тем. Это снижает риск утечек не только через ответы ИИ, но и через сами запросы, бизнес-задачи.
Тренд на менеджмент знаний
В 2026-м управление знаниями становится отдельно сформированной нишей. Постепенно появляются процессы, роли и отделы, которые отвечают за жизненный цикл знаний. Становится очевидной взаимосвязь между менеджментом знаний и скоростью адаптации сотрудников, качеством знаний и принятых на их основе решений и устойчивостью бизнеса.
На рынке это видно по тому, как компании выделяют роли и зоны ответственности в области управления корпоративными знаниями. Например, в Dodo Brands есть отдельная роль «лидер базы знаний». В «Яндексе» (внутренний ServiceDesk) выделена позиция «менеджер по управлению знаниями». В «Газпром нефти» создано направление по управлению знаниями. В Ozon — группа управления знаниями: команда, которая ежедневно создаёт, изменяет, улучшает инструкции и процедуры для партнёров.
Методология Minerva Result закрывает этот слой: помогает выстроить менеджмент знаний как систему. Команда определяет роли и зоны ответственности персонала, обучает и аттестовывает контент-менеджеров, вводит регламенты и ритм обновлений, настраивает метрики качества и актуальности. В итоге появляется механизм, который регулярно превращает опыт и решения компании в стандарты и обучение.
«Мы выстраиваем процесс, в котором знания обновляются регулярно: задаём роли, правила и ритм — кто фиксирует кейсы, кто проверяет, кто превращает их в стандарт. Так новые решения сразу попадают в Minerva Knowledge и автоматически обновляют материалы в Minerva Learn — без ручной пересборки и рассинхрона версий».
Денис Кучеров, директор проектов Minerva Result
Резюме
Согласно прогнозам, в 2026 году сфера управления знаниями будет базироваться на следующих связках: ИИ для доступа к знаниям (поиск или ассистент), извлечение данных из корпоративных архивов, подготовка контента для машинного обучения, оцифровка экспертного опыта, менеджмент знаний, knowledge graph для связности, доступ к знаниям прямо в рабочих системах, а также governance и безопасность — чтобы рост скорости не превращался в рост рисков.
Практичная дорожная карта внедрения обычно начинается с выбора 1–2 сценариев с быстрым эффектом — там, где знания напрямую влияют на скорость и качество работы.
На этом этапе компания выбирает, как развивать систему дальше. В одних сценариях достаточно встроить знания в процессы и обучение и настроить регулярное обновление. В других — подключают ИИ: это может быть ИИ-поиск по базе знаний или ИИ-агент, который внедряется в рабочие системы и обучается на корпоративных данных.
В экосистеме Minervasoft роли распределяются так: в Minerva Knowledge можно создавать, редактировать и поддерживать актуальность знаний, Minerva Copilot обеспечивает ИИ-поиск и ответы по смыслу с опорой на источники, Minerva Learn закрывает обучение и онбординг, а Minerva Result отвечает за методологию и процесс работы со знаниями.
