“人机共生”与“对话循环”——AI时代的知识管理范式

新技术的引入常伴随着组织的深刻变革，而知识管理范式的重构则成为AI时代企业转型的核心议题。当前，知识管理日益聚焦于多层次、多主体的互动过程，AI技术的渗透使互动中的知识对话不再是人类专属特权，由AI参与并介导的多维对话结构已悄然涌现——在“人—AI”知识单元中，AI成为员工的互学者与同思者；在人际知识共享中，AI扮演连接者和促进者的角色；在跨团队、跨部门的协同运作中，AI成为知识创新与战略协同的统筹者和规划师。随着知识对话模式在多元场景中不断演化升级，由AI驱动的知识管理新范式已逐渐形成，并成为组织在各个层面深度变革与持续进化的新动能。

在知识管理领域，对知识内涵与价值的界定，通常基于“信息”与“知识”的对比分析。信息被视为“结构化数据”与“描述性知识”的中间态，源于对数据的加工，为“是什么”提供描述性回答；知识则能够反映在特定情境中“如何做”与“为什么做”的行动路径和实践逻辑。相较之下，知识具有更高的实践可用性与行动导向性，信息向知识转化需要付出较高的时间与认知成本。信息与知识的功能差异和转化壁垒，使二者被视为静态分立的两极或难以相接的孤岛。在此视角下，知识被界定为稀缺的认知成果及有用的实践指南。

AI的广泛运用极大提升了信息向知识转化的速度，使二者关系从线性递进转向循环共存，从两极分立变为实时重叠；还通过融合信息的“描述”功能与知识的“行动”功能，使二者的边界日益模糊。例如，在机械制造企业，AI助手中的决策支持系统可实时收集装配线信息，与订单需求、供给瓶颈等决策变量相关联，即时生成装配线风险防范措施，使信息在产生的瞬间立即成为“如何做”的知识方案，持续推动现有知识的更新迭代。在AI时代，信息与知识已呈现出“未分化而已转化”的共生状态——信息被实时激活、形成关联、构建意义并嵌入行动流程，知识则在此基础上不断丰富与发展，并在实践应用中产生更多有用信息，二者实现功能相融、形态相叠的瞬时循环。由此，知识的内涵也从稀缺、静态的知识孤岛，重构为信息与知识交互贯通的智能资源，具有普遍、动态且更新快的特征。通过价值挖掘与高效利用，作为“新知识”的智能资源在实践中不断循环迭代，成为可生长的“生命体”。

在AI时代，知识生产主体不再局限于“人类权威”，而是走向“人机协同”的泛化模式。一方面，以ChatGPT、DeepSeek等为代表的生成式AI，通过大规模预训练与提示工程，为双重主体的知识生产提供了技术支撑，并基于高质量数据集，以“全域知识集合”的数字映射形式介入知识生产过程。另一方面，人类基于经验和直觉，通过“人在回路”的增强式协作，以提问和引导的方式与AI共同实现精准创作和反馈调优。知识生产主体的拓展与泛化，推动知识生成形态在专业生成内容（PGC）、用户生成内容（UGC）的基础上进一步延伸，形成AI生成内容（AIGC）及AI辅助用户生成内容（AIUGC）等新的形态，构成AI时代多主体知识共创的新格局。

AI不仅成为生产性主体，还作为关系性主体深度嵌入人际网络，拓展了传统知识互动的时空边界。知识互动过程由延时异步走向实时同步，互动模式由临场式交流转变为分布式对话。例如，在Glean和Zoom IQ等AI驱动的知识管理平台中，跨地域知识互动可实时进行。平台算法能够主动识别互补性知识资源，智能连接相关成员并推送资料，从而缩短知识匹配时间并提升知识互动效率；还能识别知识对话中的潜在主题，实时整合各方观点并生成反馈摘要，持续优化互动质量。由此，知识交互形式超越了由专家或静态知识系统主导的僵化模式，减少了对特定渠道和个体主动性的依赖。AI通过延展时空场景，构建员工个体、团队、群体与AI协同共存的分布式对话结构，形成“共时、共景、共语”的知识互动新模式。

生成式AI与知识图谱等技术的发展，使知识模态更加多元化，突破了以往仅依赖文字符号和语言叙述的局限，推动知识体系演化为“可识别、可计算、可理解、可交互”的智能语义系统。以共情计算为例，该技术通过整合多模态表征（如文本、音视频及生理指标等），使AI在人机知识对话中实现情绪识别、意图理解和共情式回应。当AI识别到员工在知识寻求中有困惑时，会对知识内容进行详细讲解并鼓励员工；当检测到兴趣情绪时，会推荐延伸知识并表达认可。因此，基于多模态知识表征的AI技术，不仅以个性化、精准化的知识推荐提升了员工认知参与，还通过共情反馈增强了情感共鸣，实现对知识管理认知深度与情感温度的双向赋能。

此外，多模态知识表征促进了知识在场域内部纵向深化与跨场域的横向迁移。一方面，AI通过挖掘多源数据，实现对知识的精细化构建与系统化发展。例如，在教育场域中，AI整合学生的语言、表情、动作轨迹等多模态数据，触及学生认知与行为的形成过程，通过精准建模构建起综合性的学生画像。与传统上依赖于学生成绩与教师主观感知的结果反馈相比，基于多模态数据构建的学生画像更有助于个性化的教学设计，促进教学知识动态化与深入流动。AI还能分析表征的隐性关联，帮助识别教学知识的潜在发展区域或创新方向，不断推进知识纵向演化。另一方面，跨场域的知识迁移也可依赖AI的多模态语义技术实现。以教育与产业场域的融合为例，清华大学与博世（中国）在机器学习与智能制造领域进行合作，基于AI对多模态知识的语义对齐，将机器学习理论等科研成果与智能制造的实践技术相互迁移，实现学术知识向实践应用的转化。

随着大语言模型在组织中的广泛应用，传统上基于预设规则的指令式交互，逐步演化为以语义理解、需求感知与循环反馈为特征的对话式交互。尤其是多模态识别、数字孪生与增强现实等技术的融合，使工作场景中的对话形式超越了语言符号，扩展至表情、姿态和动作等，并进一步催生出基于行为意图或数字痕迹的隐性对话机制。

在知识管理领域，对话式交互融入人机、人际与群际协作场景，为野中郁次郎提出的“通过对话来实现知识创造的融会贯通”提供了新范式。AI在知识对话中的参与和介导突破了传统知识管理局限，通过拓展个体认知边界、激发人际共享动力，以及在群际知识共创中协调战略一致性与知识多样性，将知识管理推向新高度。

长期以来，个体被视为知识学习的基本单元。科尔布在其“经验学习循环”模型中指出，学习是由个体的具体经验、反思性观察、抽象概念化与主动实验构成的循环过程，即“知识在经验转化中被创造”。然而，仅依赖员工个体认知的知识学习，愈发难以适应复杂变化的商业环境。当前，“人—AI”成为新的知识单元，在单元内部的知识对话中，人类智能与AI进行感知共享、认知共思、理论共建与行动共演，形成人机双向增益的经验学习新范式（见图1）。

在“人—AI”知识单元中，传统经验学习的各个阶段正经历重构。具体经验不再局限于人的感性积累，而是转化为可计算、可再生的过程；对具体经验的反思与洞察，也从“人驱动”走向“共驱动”。在此基础上，知识的抽象概念化过程由个体独自归纳扩展为人机组合建模。最后，在应用知识的实验阶段，AI通过情境模拟与智能分析，赋能人类以系统性推演代替高成本的重复性试错。由此，人与AI共同实验又进一步成为新的、可计算的具体经验，开启下一轮双向增益的经验学习过程。

招商银行的“海螺RPA+”平台基于独特技术架构与功能设计，实现了人机互学场景下经验计算、反思共驱、概念建模与智能实验的全流程落地。在具体经验方面，AI通过流程挖掘与可视化封装，将业务与财务人员的年检操作流程等隐性经验快速固化、系统存储，并转化为可追溯与迁移的知识模块；同时，员工操作日志、业务话术与异常处理说明等，成为该平台AI系统持续学习的知识素材。在反思性观察方面，该平台针对资金清算、信贷辅助等核心场景，开发了实时监控预警与全流程操作回溯功能，推动风控、运维人员与AI共同深化经验反思、识别数据校验偏差并进行流程优化；员工基于金融合规性提出反馈的思路与逻辑，用于AI的可解释性训练，提高其金融领域适配性。在抽象概念化方面，平台内置知识组件化设计，促进员工与AI同步提炼业务流程以形成结构化知识框架；员工提出新需求与新假设，为算法模型优化提供精准方向。在主动实验方面，虚拟机器人沙盘推演让信贷辅助审批、跨境资金对账等高风险情境中的新实验可学、可控；员工在超过4000个场景实验中积累的正例（如提前回收数十亿资金的成功催收流程）与负例（如跨系统数据同步失败的核账案例），推动了AI在强化学习中的策略网络优化。

在人际协作中，知识共享本质上是关系性过程，依赖于成员间的共同理解、相互信任与关系质量等社会资本要素。长期以来，传统知识管理主要关注知识编码、存储与获取过程，其工具化与流程化管理机制难以适配以团队内部协作为核心的人际情境，更无法激发知识共享的社会动力。随着AI逐步嵌入团队运作，“人—AI—人”的对话模式逐渐形成，通过促进认知耦合、增强关系信任与优化协作结构，促使“工具驱动”的流程管理升级为“社会资本驱动”的知识共享（见图2），为知识管理中的人际协作注入新动能。

AI使知识共享从信息传递跃升为认知共享，提高了人际意义共建与知识协作能力。以西门子数字工业部门为例，其AI系统能够标注团队会议中“共识节点”与“争议节点”，使成员和管理者准确定位团队共识与意见分歧。同时，AI对这些节点进行中立性的事实归纳与客观陈述，使对话聚焦于认知差距弥合，减少话语权竞争。AI生成的通俗化案例与可视化图谱，将抽象知识具象化、碎片知识系统化，促进实践经验在人际对话中的转移与外显，突破传统模式难以触及隐性知识共享的局限，实现知识从个体到人际的转化。

AI通过增强信息透明度与识别情感线索，有效强化信任等关系资本，从而激发人际知识共享动机。在管理实践中，AI生成的“员工画像”为成员间认知评价提供客观依据，减少因能力误判导致的信任缺失或知识排斥。同时，AI能够调节团队情感动态，斯坦福大学的哈伯实验室将AI代理嵌入Slack平台，通过识别团队运作中的压力与疲劳等情绪信号，提供相应的人际干预建议，从而营造更具包容性和关怀感的共享氛围。

AI通过分析人际知识网络结构，降低知识共享对强关系的依赖，激发弱关系并使潜在交互链接成为现实。例如，微软Viva平台通过分析团队内知识流向，识别结构洞与信息孤岛，借助知识社区推荐与知识路由机制，促进人际共享与协作。在新项目启动阶段，该AI系统能根据成员知识互补性推荐最优组合，为管理者提供数据支持以构建高共享潜力的团队结构。在成员社会化过程中，AI通过分析角色与任务依赖关系，主动为新员工推荐关键连接节点，使知识共享关系的建立由偶然发生转化为系统设计，以社会资本的“前瞻性构建”赋能人际协作的“共享性实践”。

对于跨部门协同的知识创新，传统知识管理在自下而上的“知识多样性”与自上而下的“战略一致性”之间存在结构性张力。野中郁次郎基于丰田案例总结的“三现”主义表明了知识创新具有情境性，即一线部门（现场）围绕产品销售与客户服务（现状）进行跨部门知识对话，创造多样、实用且情境适配的知识（现实）。然而，各种情境中的新知涌现往往难以预测、控制与整合，需要组织战略规划和引导，否则可能因缺乏战略一致性而偏离组织愿景。相比之下，战略部门更关注全局性而非情境性，但其主导的组织战略却往往因滞后于实践而阻碍知识创新。如今，AI介导的跨部门知识对话通过“以知识创新促进战略更新”“以战略分解引领知识涌现”，为平衡传统知识管理张力提供新路径（见图3）。

在知识创新过程中，AI能够对一线实践情境中的知识价值与落地成本进行预测，反馈至战略部门以生成前瞻性战略预案；还能追踪最佳知识创新实践并整合至现有战略，从而实现战略更新。在战略引领方面，AI将战略进行分解，并转化为各部门可理解与执行的创新任务，减少跨部门知识对话障碍与目标冲突。在企业实践中，微软的AI卓越中心（AI CoE）成为战略对齐与知识创新平台。该中心通过建构“价值－努力”二维矩阵，评估跨部门知识对话中涌现的创意，并根据创意优先级对战略、架构和协作路线进行适应性调整，形成了通过自下而上的“知识涌现”维持战略演化与组织敏捷的机制。此外，AI可依托统一的语义模型与绩效指标体系等，对战略进行转译，使共同目标在各部门形成共鸣，并据此明确各部门知识需求与共创目标，实现自上而下的“战略引领”。

综上所述，AI参与和介导的知识对话模式，实现了从个体、群体到群际，由学习、共享到创新的系统性变革，从而形成了AI驱动的知识管理新范式。这一新范式基于“人—AI”经验学习的双向增益、AI介导知识共享的模式升级，以及对群际协同知识共创的张力平衡，使组织在复杂环境变化中获得人机知识共创、智慧共生的核心竞争力，推动知识生态系统进行持续迭代与自我进化。

AI推动了经验学习范式的重构，也对员工形成批判性认知与建立自我认同构成双重挑战。就个体认知而言，AI引发的“知识幻觉”（即提供的内容看似合理实则失真）存在误导员工的风险。若员工采纳了虚假信息，可能会强化原有的认知偏差、产生错误的认知逻辑，甚至落入新的认知陷阱，进而影响正确知识体系的建立。即使AI生成的内容是正确的，AI“幻觉”风险仍会使员工感知到强烈的不确定性，陷入反复验证状态，最终增加认知负荷。因此，AI参与知识学习过程，对员工通过批判性认知去伪存真、克服偏见提出更高要求。

对于个体认同，随着AI的角色由任务工具转变为协作伙伴，过去由员工主导的工作日益演变为人机共同完成甚至由AI独立执行，这会让员工对自身定位与价值产生模糊感，进而导致成就感下降甚至产生自我怀疑，陷入自我认同困境，最终加剧AI被“滥用”或“弃用”的风险。“滥用”意味着员工减少了主观能动性的发挥，过度依赖AI而放弃独立思考，抽象思考能力与创造力下降，导致“人类智能退化”。“弃用”则是员工感知AI介入削弱了自尊或自我价值，出于心理防御产生强烈的排斥情绪，进而拒绝使用AI甚至刻意阻碍组织AI战略推进。

尽管AI具有促进知识共享的潜力，但也存在降低人际信任的风险。具体表现为两个方面：成果分配与责任界定的模糊性降低成员间的认知信任，社交互动的减少使团队内的情感信任被削弱。

当团队基于AI整合的知识制定决策方案并采取行动时，算法“黑箱”与知识源头难以追溯的特性会对现有的成果归属与责任分配体系构成挑战。当AI驱动的团队行动取得成果时，由于AI调用的成员知识难以充分溯源，将知识转化为具体方案的过程无法清晰呈现，既有成果归属制度面临失效的风险。这既可能加剧团队中的“搭便车”问题，也会损害高贡献成员的分配公平感知并削弱其知识共享动机。在方案效果不佳甚至执行失败的情境中，责任界定也因AI参与决策的不透明性而面临风险。责任划分结果、依据以及向员工解释说明的过程，可能引发团队对分配、程序与互动公平的怀疑，最终削弱员工对彼此能力与可靠性的认知信任。

此外，AI被期望成为人际协作的连接者与参与者，而非替代者甚至破坏者。然而，当团队知识协作被AI过度接管时，团队中各“人—AI”知识单元间仅通过AI维持联系，应有的情感交流被AI主导的事务性沟通所取代。由此，成员表达情感的机会减少了，人际共情空间也被压缩了，团队协作进一步陷入“去人格化”困境，削弱了团队的情感信任基础。尤其在需要敏捷决策时，情感信任缺失将会导致成员各自为战、响应迟缓，使团队陷入协作低效甚至决策瘫痪的困境。

尽管AI在协调各部门知识共创的过程中发挥了积极作用，但也潜藏群体知识趋同的风险。随着组织AI战略不断推进，现有的组织文化与价值观体系同样面临新的挑战。

在组织内部，群体边界分离与融合的动态机制因AI介入而趋于固化。AI在知识整合中的“平均主义”倾向可能削弱各群体的独特性，导致组织因群体差异而产生的知识优势逐渐消失。AI的使用旨在促进群体共识，但其标准化、同质化的对齐与整合逻辑反而固化了群体边界的分离与融合机制，使群体边界难以在群际知识对话中动态调整。AI的介入使得不同群体基于类似逻辑使用相同知识内容，创新日趋同质化。算法驱动的“共识假象”替代了部门间“求同存异”的协商结果，使得差异化观点被忽视，群体趋同愈发严重。在群体边界模糊的同时，新的隐性边界却随着AI的渗透而悄然形成。算法偏好与技术主导催生出新的数字鸿沟，导致高技术使用的部门与其他部门之间权力失衡，进一步加剧了组织内的隐性分裂。

随着AI技术被更多地重视与推广，部分企业的组织文化与价值观呈现出异化的趋势。管理者对员工技术使用能力与绩效的评估，逐渐超越了对员工福祉与职业发展的关注。

文化与价值观在“人本主义”与“技术中心”之间错位，使组织面临伦理风险。在日趋复杂激烈的竞争环境中，这种文化错位不仅使组织难以赢得商业竞争胜利，更使其因缺乏道德约束与人才支撑而失去知识创新基础，无法形成以人机协同发展为基础的可持续竞争力。

为使组织有效应对知识管理新范式实践各方面构成的潜在挑战，本文提出系统性治理框架，从认知实践深化、制度设计优化以及文化治理推行三个维度共同发力，以期帮助组织知识管理新范式持续有效运行，实现以知识“对话循环”推动思想、责任与理念的深层交互，推动组织由人机协作走向“人机共生”的全面跃迁。

当前，多数企业的培训项目，如埃森哲的“生成式AI专家项目”，仍以员工使用AI的技能与熟练度为目标。然而，技能导向仅能使员工获得人机协作的实践技巧，无法进一步提高其学习与认知能力来有效识别AI“幻觉”。因此，组织应培训员工的数智素养，包括信息处理与批判性思维、目标设定与反思、情感调节与心理调节等元认知能力等，并将数智素养培育融入日常知识管理与项目复盘过程。具体而言，通过建立AI协作知识库或智能日志平台，鼓励员工详细记录AI参与的关键任务，标注并反思由AI引起的认知偏差、知识误判或伦理冲突；同时，让员工对上述记录进行讨论和知识提取。组织可以定期开展研讨会以对比AI生成内容与真实结果的差异，也可以引入外部专家来帮助员工有效识别AI信息失真、推理漏洞甚至是价值取向偏见，建立对工作实践中AI“知识幻觉”的防范策略。

在实践技能提升与认知素养培育的基础上，推动员工“智慧”发展，从根本上解决员工在AI时代的自我认同困境。当前，员工对工作被AI取代的担忧情绪持续加剧。安永会计师事务所“企业AI焦虑”调查显示，65%的美国员工认为自己将因被AI取代而失业。当人类智能面临被AI颠覆的风险时，人类智慧的进化将成为破局关键。这意味着，组织的人才培养项目应帮助员工形成在不确定性环境中对各方知识、经验与伦理标准进行思辨的能力。同时，组织可以开展情景推演、战略畅想等活动以培养员工道德与远见，使其通过智慧发展来明确价值定位。由此，推动员工超越“能与行”的实践技能、“思与知”的认知素养，实现“悟与明”的人类智慧。

构建算法透明与问责机制对AI的可追溯与可解释性提出更高要求，强调系统部署、员工使用与结果产出等环节的制度设计均要能满足“负责任治理”目标。对此，组织可设立“人机协作知识产权”管理部门，整合技术、业务、法律等领域的专家意见，统筹AI相关成果的登记、评定与维权事宜，确保成果归属与责任分配符合法律规定。组织应针对不同的AI使用场景分别建立问责机制，界定人与AI的责任边界，并据此对团队日志中的AI使用场景、人机贡献比例与关键决策源头等进行审议和反馈。例如，IBM公司的Watson OpenScale平台通过提供明确标注的知识来源、详细的操作日志、可追溯的决策路径与可视化偏差分析，确保人机混合团队运行中的决策透明化与责任可追溯。

此外，组织应建立系统化和可操作的AI伦理与安全审查体系，实现从事后补救到预防性约束与持续监管的转变。具体而言，通过设立AI伦理委员会等治理机构，为招聘面试、信贷评估、项目验收等高伦理风险环节进行独立审查并对接第三方复核。借鉴微软公司“AI伦理与社会”委员会的做法，通过对AI生成内容是否涉及隐私披露、种族歧视和敏感内容输出等进行人工审核，从而为组织的AI项目划定伦理“红线”。此外，AI伦理体系应与企业社会责任框架相融合，形成伦理与责任联动的制度设计。一方面，组织应确保客户、供应商、行业协会和监管机构等外部利益相关者参与AI项目的伦理监督过程，并实施信息公开与利益相关者问责等制度。另一方面，组织应鼓励基层员工参与，并定期向其说明组织AI战略发展方向以及寻求反馈建议，从而系统性构建内外部相结合、前后贯通呼应、权责利相匹配的AI伦理与责任管理制度。

波士顿咨询公司在三份AI相关报告中均强调，组织的AI转型不仅依赖技术部署，更取决于以共情为核心的文化氛围构建。换言之，AI技术难以激发组织内部的情感共鸣，管理者仍需亲自关注员工情感、满足员工需求并引发情感同频；如此才能在实现AI赋能的同时，避免人际连接被AI使用所取代。以AI的情绪分析与共情表达为例，管理者应将此类技术定位为理解员工情绪的窗口，而非实施情感监控的手段。一方面，正确认识员工情绪变化的合理性，通过情感关怀进行人际干预，而非“外包”给AI完成。另一方面，重视高强度人机协作中的员工焦虑、抑郁等情绪状态，并将其与心理疏导和素养培训等组织支持项目相联系，而不是作为评估绩效或决定薪酬的直接依据。

组织文化治理的另一核心是技术价值与员工价值的共建。为避免技术导向与人本导向之间的错位，管理者应重新审视技术效益与员工满意度的关系，将员工幸福与发展作为文化治理的核心变量。一方面，在开展AI项目时，应鼓励创新与冒险的文化氛围，重视并培育基于技能、兴趣等形成的差异化群体，以防止因算法推荐、流程固化或共识性压力而导致员工创新受阻或群体知识趋同。另一方面，在评估AI项目时，应纳入公平性、创新性与员工福祉等维度，而非仅关注效率提升、成本节约等财务指标。此外，文化叙事的构建应成为组织文化治理的重要举措，从而将人文关怀与技术发展的价值共建融入组织记忆。例如，定期收集员工使用AI过程中的趣事，包括独特的提示词或使用技巧、AI生成的启发性图片或案例等。这不仅有助于激发员工创意，也能揭示技术对员工工作与情感体验的影响，为后续优化AI使用流程提供依据。文化叙事的构建还应纳入新员工培训与领导力发展项目，帮助新员工理解组织的人文价值取向，并促使管理者在对叙事案例的反思中平衡技术效率与员工体验。通过将情感共鸣和价值共建融入文化治理，组织的AI转型与发展能够以更可持续的方式实现从“人机协作”到“人机共生”的转变。

AI在人机交互、人际协作与群际协同等多元场景的融入，重塑了知识对话模式，并以此为引领，使组织知识管理范式走向“人机共生”与“对话循环”。这一范式不仅是技术革新与知识环境变化的结果，更是组织认知逻辑与管理哲学的转型。然而，在多主体共构、跨场域共生的知识“对话循环”中，AI驱动的知识管理新范式仍面临一系列挑战，需要组织通过构建系统性治理框架以应对挑战并确保新范式持续有效运行。