本文来自微信公众号： 清华管理评论 ，责编：刘永选，作者：朱秀梅 陈柳阳，原文标题：《当知识不再稀缺——大模型时代企业知识管理的四重风险》
知识管理正在从效率问题演变为治理问题，其核心不是技术，而是人与机制。AI可以生成和整合知识，但不能判断知识该不该被信任，不能划定知识主权的边界，不能替人完成真正的学习。在AI时代，组织长远的知识竞争力最终取决于能否在拥抱技术效率的同时，构建起有效的治理体系，从“管理知识”迈向“驾驭AI知识”，真正把AI转化为组织竞争力。
知识不再稀缺
长期以来，企业知识管理面临两个经典难题：一是“不够”，大量经验掌握在少数专家手里，难以复制传承；二是“不通”，跨部门信息分散、术语不统一、经验沉淀不下来，新人需要长时间摸索。面对这一困境，企业知识管理主要集中在“获取、沉淀、共享、流动”等环节。
生成式AI显著降低了获取通用知识的门槛。大模型可以即时回答几乎任何通用问题；配合RAG（检索增强生成）技术，企业也更容易将制度、FAQ、操作手册和项目文档组织成可检索、可问答的知识库。员工遇到问题，不再只能依赖同事、搜索引擎或零散文档，而是多了一个随时可调用的“知识接口”。
然而，知识管理并未因此变得更简单。传统问题有所缓解但并未消失，一系列新问题随AI的广泛使用日益凸显。AI拥有海量通用知识，却难以触及行业深度知识和企业专有的情景化知识（如客户关系经验、情景直觉判断等）。AI能加速知识的编码沉淀，但有时会虚构信息（即“AI幻觉”）。企业可以将核心业务数据输入第三方大模型以换取更好的服务，但有数据泄漏或知识产权失控的风险。当员工日益习惯依赖AI，自主思考和深度学习能力可能退化。
AI知识广而不深、AI幻觉、核心知识资产外泄，以及AI依赖导致的思考能力退化，是大模型时代企业知识管理面临的四重新型风险（见图1）。知识管理的核心矛盾从“获取与流动”向“验证与可控”转移，这要求企业重新审视知识管理的目标、边界和方法。借助野中郁次郎的SECI模型，本文审视大模型给知识管理带来的赋能价值与现实风险，并结合企业实践，提出从“管理知识”迈向“驾驭AI知识”的实践路径。
以SECI模型揭示大模型的双重效应
野中郁次郎于1994年提出的SECI模型是知识管理领域最有影响力的理论框架之一。模型将组织知识创造分为四个环节：社会化（Socialization，通过共同体验实现隐性知识从个人到个人的转移）、外化（Externalization，将个人经验提炼为可分享的显性知识）、组合（Combination，将分散的显性知识整合、关联与系统化）、内化（Internalization，通过实践将外部知识转化为自身能力）。四个环节循环往复，驱动隐性知识与显性知识在个人、团队和组织层面持续转化与螺旋上升。
该模型的初始假设是人与人的互动：经验在师徒间传递，文档由人编写、整合并供人学习。生成式AI正在改变这一基本前提。知识管理领域学者提出，人机互动将成为SECI每一环节的新常态。人与AI之间形成双向知识互动——人类可以向AI提供专有知识以增强其能力，AI反过来也能帮助人类反思和拓展认知。员工与AI对话的界面将成为知识创造的新“场”（Ba），而传统师徒共处互动的空间则可能因AI替代培训而萎缩。AI不仅是知识管理的工具，还将广泛参与和形塑知识创造的全过程。
因此，AI的风险不能仅按“工具使用风险”来理解，而应放回知识创造链条中观察，因为风险可能沿SECI螺旋逐步积累和放大。本文沿SECI四个环节逐一展开，讨论AI的主要赋能价值和现实风险（见表1），并结合企业实践提出应对策略。
赋能与风险：
SECI四个环节的逐一审视
社会化：通用知识传递加速与深层专有知识不足
社会化的核心是让新人在与资深员工共同工作中掌握隐性的、情景化的业务知识。老销售如何判断客户真实需求，老师傅如何从微小异常里识别风险，资深项目经理如何在跨部门协同中把握节奏——这些高度情境化、依赖共同经历和反复校准的判断，是组织最难复制的知识，长期以来只能在师徒关系中缓慢流动。
生成式AI在该环节的价值首先体现在“模拟情境训练”。通过大模型驱动的角色扮演与即时反馈，员工可以在虚拟场景中低成本地进行反复演练，缩短从“不会”到“能上手”的时间。例如，贝壳的经纪人AI工具“来客”在成都站全面铺开后，经纪人的每单平均成交周期缩短27天。
然而，现有AI大多只能模拟通用的、可标准化的内容，难以触达构成组织竞争优势的深层专有知识。大模型并不天然理解企业特有的权责边界、业务惯例、非标处置逻辑，以及一线人员在长期实践中形成的直觉判断。它能帮助新人快速完成基础训练，却难以替代资深员工在复杂场景中“为什么这样判断”的示范过程。某金融券商曾尝试用大模型辅助投资，发现其输出多为常识性内容，远不能替代分析师基于多年市场周期的观察和实操形成的判断力。贝壳“来客”在标准化的房源推荐与客户沟通方面提效明显，但如何在特定社区建立长期信任、处理涉及复杂产权的非标交易，仍高度依赖资深经纪人的积累。AI与人类并非简单的替代关系，而是可以在标准化训练与非标经验传承上建立分工互补关系。
更值得关注的是，当AI承担了越来越多标准化培训任务后，企业可能不自觉地削弱对传统师徒制和现场跟岗学习的投入。近期研究发现，资深员工在AI辅助下能独立完成更多任务，导致一些科技企业开始减少初级岗位的招聘。如此一来，组织表面上提升了培训效率、降低了成本，实际上却可能削薄甚至截断了最有价值的隐性知识传承链条，不利于培养经历过复杂情境锻炼、能独立判断的中坚力量，甚至造成不可替代的专有经验的流失。
外化：知识编码的提速与幻觉污染的隐忧
外化是将个人经验提炼为文档、规则和操作手册，将个人经验变成组织知识资产的关键步骤。过去，这一过程需要专业团队数周的访谈、整理与编码。生成式AI大幅降低了这一环节的时间与人力成本。转录会议、提炼要点、生成操作手册、撰写复盘报告等工作，借助AI可迅速完成初稿。对于知识更新快、人员流动频繁的行业，过去因资源不足而随项目结束或人员离开而消失的经验，有了被系统记录的可能。
然而，效率跃迁也带来了AI幻觉风险。大模型基于概率预测生成内容，有时会虚构信息或给出错误分析。2023年，美国纽约一位律师使用ChatGPT起草的诉讼摘要中引用了多个虚构判例，被联邦法院处以罚款。斯坦福与耶鲁大学的研究证实，大模型辅助生成的法律文本中普遍存在虚假引用，即便是专业法律AI工具也有17%至33%的幻觉率。国内已出现金融机构因AI客服输出不实信息引发客户投诉的案例。G2平台2025年的一项调查显示，近75%的专业人士曾在工作中遭遇AI幻觉，其中超过半数遭遇过不止一次。尤其需要警惕的是AI幻觉的隐蔽性，AI生成的内容看起来专业流畅、结构完整，但是若不经专家审核，普通用户难辨其真伪。
更严重的是，外化环节的错误可能在组织知识体系中引发连锁反应。一旦未经验证的内容混入知识库、培训材料、制度文本、客户回复模板或项目文档，它就从个人的一个误识变成了组织的正式知识，一旦被他人引用、系统检索、AI再学习，便会导致错误沿知识链条扩散放大。因此，外化环节的关键问题不再是效率，而是知识质量。组织需要明确哪些内容在进入组织系统前必须被验证、如何验证、谁来验证。缺乏相应的质量验证机制，AI幻觉将侵蚀企业知识库的可靠性，甚至通过连锁反应造成难以估量的损害。
组合：知识整合的突破与知识主权的削弱
组合是将分散于不同部门和系统中的显性知识关联重组为可共享、可调用的组织性知识。长期以来，由于文档分散、格式异构、术语不统一，跨部门知识难以打通。
RAG技术能跨部门和系统边界进行检索、分类、综合与表达，将过去多轮搜索和人工整理的工作压缩为一次连续流程，形成面向特定任务或问题的结构化输出，显著降低知识整合的时间和认知成本。RAG还可以在推理时调用外部知识库，提升生成内容的实效性与可靠性。结合知识图谱，RAG更能捕捉内容片段之间的关系结构，将零散文本整合成有因果、时间、主题关系的组合知识与洞见，提升整合的覆盖范围与深度，有助于挖掘和提升组织知识的实际价值。
然而，AI在赋能知识整合的同时也带来两方面风险。第一，幻觉污染在整合过程中扩散。部门内部的AI幻觉可能经由整合流程扩散到企业系统层面。AI还可能产生“综合性幻觉”，将表面相似但实质不同的知识片段拼接成错误结果，或将局部正确的信息拼成整体错误的结论。医学证据摘要研究发现，RAG会生成事实不一致、过度确信或遗漏关键要点的总结；此外，它在长上下文中更易出错。
第二，更严重的是知识主权风险。当企业把内部文档、业务数据和客户信息接入第三方模型时，数据隐私、信息安全和知识产权外溢的风险同步上升。研究发现，敏感信息泄漏的重要原因是员工追求效率而组织对AI工具数据流向管控缺位。同时，技术基础设施的安全漏洞亦不容忽视。2025年初，安全研究团队Wiz发现DeepSeek的一个后端数据库处于完全开放状态，敏感信息可被未授权访问；同期监测数据显示，近九成私有化部署的大模型服务器未设置访问控制。IBM《2024年数据泄露成本报告》指出，全球数据泄露的平均成本已接近500万美元，品牌受损和客户信任侵蚀等长期影响更难量化。
知识主权不仅关乎“是否外泄”，更关乎组织对知识形成、演化和使用过程的掌控能力。传统知识管理中，组织知识存储在企业服务器、文档库和员工头脑中，受到物理和制度的双重保护。但当大模型成为知识整合的中枢后，知识边界变得模糊，员工与AI的每一次交互都可能将内部知识带出组织的可控范围。模型并非中立：其算法决定哪些信息被视为重要、如何解读被视为合理、什么框架被优先呈现。组织长期依赖外部模型进行知识整合，可能逐步失去对知识处理链的解释权和主导权，自身整合知识的能力也可能随之弱化。因此，知识组合不再是纯技术和效率问题，而是治理问题，需要综合考量数据分级、控制权限、调用规范和结果复核等核心维度。
内化：即时学习的红利与思考外包的陷阱
内化要求员工真正理解吸收组织知识，将其转化为稳定的判断和行动能力。过去，这一过程依靠培训、研读手册和反复实践反思，周期长、见效慢。借助生成式AI，员工不必学完再做，可以在做的过程中获得即时指导、范例和解释，迅速提升绩效。这种“边做边学”模式对新手和基础岗位的效率提升尤为显著。AI提供的个性化、非评判性的反馈还能帮员工理解自己的实际学习水平，增强学习的激励感。
然而，绩效提升不代表能力提升。过去，员工必须对任务信息进行深度认知加工，如理解、比较、分析、组织，才能得到答案。这些认知过程是有效学习的必要环节。有了AI辅助，员工不再需要自己完成深度认知加工，这可能导致员工虽能完成任务却未能掌握技能，仅仅是学会了如何让AI给出答案。这种“认知卸载”（Cognitive offloading）短期提升效率，长期却可能使独立思考判断能力在不知不觉中退化。多项研究已证实，长期依赖AI不仅导致认知能力退化，还会削弱学习思考的内在动力。
更值得警惕的是，这种影响不只停留在个体层面。如果越来越多员工习惯把复杂推理交给AI，组织最终培养出的可能是大量擅长编排AI输出的人，而非能运用根本原理诊断问题和形成独立判断的人。科恩（Wesley M.Cohen）和利文索尔（Daniel A.Levinthal）的组织吸收能力理论指出，组织能否识别、吸收和利用外部新知识，取决于成员已有的知识基础和持续学习能力，且这种能力具有路径依赖性，“一旦企业停止在吸收能力上的投入，可能就再也无法在该领域吸收和利用新信息”。如果员工集体性地将思考任务外包给AI，个体知识积累持续弱化，将导致组织层面学习创新能力的退化，危及企业未来发展。
目前，多数企业部署AI时侧重关注准确率、成本和系统集成等技术问题，对AI可能给员工认知能力和组织吸收能力带来的长期影响缺乏系统性关注。美国AI教育机构Section的CEO将未来使用AI的知识工作者比喻为两类：“AI驾驭者”坚持主导AI的运作、保持独立判断；“AI乘客”则将认知工作全权交给AI，最终可能被AI替代。企业如何确保培养的是前者而非后者，如何守住组织层面的学习能力与判断力，是AI时代知识管理的核心挑战。
驾驭AI知识：
四个核心议题和实践路径
前述分析表明，生成式AI在赋能企业知识创造的同时带来四重新风险：社会化环节中的专有知识缺位、外化环节中的幻觉污染、组合环节中的知识主权风险，以及内化环节中的认知依赖陷阱。这些风险并非彼此孤立，而是可能沿SECI螺旋相互关联、逐步累积。知识管理的重心必须从过去侧重于知识的获取和传递，转向四个更为复杂的核心议题：其一，如何让知识有深度？其二，如何让知识可信？其三，如何守住知识边界和主权？其四，如何保持独立于AI的思考判断能力？知识管理需要一套围绕知识创造所有环节协同推进的系统治理安排。有一些传统的治理工具可以借鉴，比如专有知识的缺位可在一定程度上通过激励与流程设计来应对；而知识幻觉污染、知识主权失控和认知依赖，则是AI时代的新议题，需要发展出新的治理机制。结合国内外企业实践（见表2），本文提出以下四条路径。
主动沉淀专有知识
企业最有价值的知识往往不在公开文本中，而散落在一线流程、客户互动、异常处置和跨部门协同的经验之中。组织必须先识别这些知识，通过SOP、FAQ、案例库、工单复盘和专家访谈等方式进行结构化沉淀，再通过AI提升调用效率、放大知识价值。没有专有知识的沉淀，“企业知识库”将沦为“通用知识库”。
哈啰出行的做法提供了正面参照。面对上万名两轮车运维人员，哈啰选择先将一线人员多年积累的运营经验、业务SOP和系统操作链路系统化沉淀到知识库中，再通过AI Copilot推送给一线。其关键逻辑是先沉淀人的经验，再用AI分发，而非期望AI凭空生成专有知识。极氪汽车则将社区帖子、客户问答、工单数据和官方政策等多渠道信息转化为结构化的企业知识，低成本地扩充了知识库深度。对管理者而言，专有知识沉淀本质上是一个治理问题：需要激励机制让一线人员愿意分享，需要流程设计让经验被系统化记录，需要持续运营让知识库保持鲜活。
分级验证，确保知识可信
针对AI幻觉风险，企业需要回答：AI生成的内容哪些需要验证？如何验证？谁来验证？实践层面，一些领先企业尝试了“双库协同”的验证架构。唱吧在部署智能客服时，设定用户咨询优先匹配经过人工审核的传统知识库，只有当传统知识库无法回答时才启动大模型生成。微软在Copilot中嵌入了“接地检查”（grounding check）机制，将AI输出与企业授权知识库交叉验证，并标记无法溯源的内容。
这些做法的共同逻辑是按风险等级实施差异化验证：涉及合规文件、客户交付、战略判断等高风险知识，必须经人类专家审核后方可进入组织知识体系；内部参考、日常查询等低风险场景，可由AI直接响应。其关键在于，验证需要被设计为系统流程的一部分，而非依赖个体自觉；审核节点、责任人和升级规则须明确嵌入流程。
分级部署，划清知识主权的边界
针对核心知识外泄的风险，企业需要建立清晰的分级规则：哪些知识可以使用外部模型，哪些只能在内部环境中处理；哪些数据不允许进入通用模型；哪些岗位拥有知识上传和配置权限。数据敏感度不同，对应的模型架构、权限配置和审核要求也不同。
“混合部署”正在成为行业通行方案。恒生电子推出的金融大模型LightGPT同时支持私有化与云端两种部署模式：涉及客户数据、交易记录等核心知识的场景留在私有化环境中，通用性查询和能力更新接入云端服务以保持模型迭代。AWS的企业知识库采取类似策略，所有数据交互在企业私有云环境内完成，从架构层面阻断了知识外泄通道。对管理者而言，关键在于前置性的组织决策：明确哪些知识属于核心资产、哪些属于通用资源，并据此建立分级规则和制度。
保护人的判断力，防止认知空心化
企业引入AI时需同步建立机制，帮助员工将知识真正内化为自身能力，确保当系统不可用、信息不完整或情境超出训练样本时，员工仍能独立作出判断和进行处置。
中兴通讯的做法值得参考。在推进数智化的同时，中兴在新员工培养中明确保留了师徒机制：新员工不仅要完成理论课程，还必须经过道场实操训练和师傅带教，最终通过转正技能验收才能上岗；关键岗位设立了27个“技能培养道场”，让员工在真实操作中接受能力检验。企业还可以定期开展“无AI演练”，确保团队在AI不可用时仍能独立运作，如同航空业即使在自动驾驶高度成熟的今天，仍要求飞行员定期进行手动操作训练。AI应当是放大人类能力的杠杆，而非替代能力的拐杖。
结语
生成式AI让知识治理变得前所未有的重要。它普及了通用知识，但深层知识依然稀缺；加快了知识编码，却引入了幻觉污染；提升了知识整合，却模糊了知识主权边界；支持即时学习，却威胁独立思考能力。当通用知识不再稀缺、效率不断提升，如何确保知识的深度、质量与安全可控，以及守住独立思考判断的能力，成为组织最需要应对的治理议题。企业如果只看到AI带来的速度和覆盖面，而忽视专有经验的沉淀、知识质量的把关、边界规则的设计以及人的能力培养，最终得到的可能不是更强的组织学习能力，而是一套更快、更方便、也更脆弱的知识系统。
归根结底，知识管理正在从效率问题演变为治理问题，其核心不是技术，而是人与机制。AI可以生成和整合知识，但不能判断知识该不该被信任，不能划定知识主权的边界，不能替人完成真正的学习。在AI时代，组织长远的知识竞争力最终取决于能否在拥抱技术效率的同时，构建起有效的治理体系，从“管理知识”迈向“驾驭AI知识”，真正把AI转化为组织竞争力。
