《 AI 時代的知識管理：一場被低估的管理典範轉移 》
〈知識管理 30 年，企業應該真正學會了什麼？〉
《（1990–2025年） 知識管理與 AI 時代的演進 》(商業雜誌版)
一、為什麼「知識管理」在 AI 時代突然又變重要？
在多數企業眼中，「知識管理」曾是一門老派管理學：
文件庫、內部 Wiki、教育訓練、最佳實務分享會。
被視為效率工具，而非競爭策略。
但生成式 AI 的出現，正在顛覆這個認知。
當 AI 能即時閱讀、摘要、重組、推論企業內部的龐大知識時，問題不再是「我們有沒有知識管理系統」，而是：
企業是否仍然理解「知識如何被創造、流動與使用」？
這個問題，其實早在 30 年前就已被管理學界反覆討論，只是當時，企業沒有真正聽進去。
________________________________________
二、第一階段：知識不是資料，而是組織能力（1990–1999）
1990 年代，管理學者率先指出一個關鍵盲點：
競爭優勢不是來自資訊，而是來自「吸收與轉化知識的能力」。
Cohen 與 Levinthal 提出的「吸收能力」提醒企業：
外部技術、顧問報告與市場資訊，若無法被內化，只是噪音。
Nonaka 則更進一步指出，企業真正的價值，來自於隱性經驗如何被轉化為可共享的組織知識。這意味著，知識並不只是存在於系統，而是存在於人與人之間的互動、文化與情境中。
這一階段的核心觀點只有一句話：
知識管理，本質上是一種組織學習與創造的能力，而非 IT 專案。
________________________________________
三、第二階段：企業把知識管理「系統化」，卻也「工具化」了（2000–2019）
進入 2000 年後，企業終於開始「重視」知識管理——
但方式是導入系統、流程與績效指標。
KM 被包裝成：
• 知識管理系統（KMS）
• 最佳實務平台
• 知識分享 KPI
• 企業入口網站
這確實提升了知識的可存取性，也讓 KM 變得「可管理、可稽核」。
然而，管理研究很快發現一個弔詭現象：
系統愈完整，知識分享不一定愈好。
原因在於，知識被過度「物件化」。
企業擅長儲存文件，卻不擅長培養願意分享、重組與質疑知識的人。
這也是為什麼後來的研究開始強調：
• 組織文化。
• 社群互動。
• 動態能力。
• 跨部門整合。
知識管理，逐漸被重新理解為組織調適與重構能力的一部分。
________________________________________
四、第三階段：生成式 AI 讓「知識會自己動起來」（2019–）
生成式 AI 的出現，讓企業第一次面對一個前所未有的情境：
知識不再只是被人「找」出來，而是會主動「回應」問題。
大型語言模型能：
• 自動整合內部文件與外部知識。
• 依情境生成決策建議。
• 在人機互動中不斷修正理解。
這意味著，知識管理正式從「存取系統」，進化為認知基礎設施。
但這也帶來三個管理層無法迴避的問題：
1. 誰負責知識的正確性與邏輯？
2. AI 的回應，算是組織的知識，還是機器的推論？
3. 當 AI 參與決策，組織的學習責任仍屬於誰？
這些問題，都不是 IT 部門能單獨回答的。
________________________________________
五、真正的挑戰：不是 AI 能做什麼，而是組織是否「準備好」
最新研究指出，AI 對知識管理的影響，並非單純提升效率，而是改變知識的治理邏輯：
• 知識不再只是「被管理」，而是「被共同建構」。
• 決策不再只靠經驗，而是人機協作的結果。
• 組織能力的核心，從「記得什麼」轉向「如何提問、驗證與修正」。
換言之，AI 時代的知識管理，考驗的是：
企業是否具備重新設計學習、責任與權限邊界的能力。
________________________________________
六、給高階主管的關鍵提醒
- 知識管理不是 AI 專案，而是治理問題。
- 沒有清楚的知識架構，AI 只會放大混亂。
- 真正的競爭力，來自人機如何共同學習，而非誰比較聰明。
《（1990–2025年） 知識管理與 AI 時代的演進 》(文獻探討版)
（一）知識管理的理論起源與核心概念（1990–1999）
知識管理研究源於組織學習與創新理論。Cohen 與 Levinthal（1990）提出「吸收能力」概念，指出組織對外部知識的辨識、吸收與應用能力，是創新績效的關鍵基礎。Nonaka（1994）及 Nonaka 與 Takeuchi（1995）進一步提出 SECI 模型，說明隱性知識與顯性知識在社會化、外顯化、組合化與內隱化歷程中的動態轉換，奠定知識創造理論核心。
在策略層面，Grant（1996）將知識視為企業最具策略性的資源，形成「知識基礎理論（knowledge-based view）」；Davenport 與 Prusak（1998）則從管理實務角度，明確界定資料、資訊與知識之差異，將知識視為可被管理與投資的組織資產。Wenger（1998）提出「實踐社群」概念，強調知識生成深度嵌入於社群互動與情境化學習之中。
此一階段之研究，奠定 KM 以「人、組織與學習」為核心的理論基礎。
（二）知識管理系統與組織能力觀點（2000–2019）
2000 年後，KM 研究逐漸結合資訊科技與組織能力觀點。Alavi 與 Leidner（2001）系統性整合 KM 與資訊系統研究，建構 KM 系統的概念架構與研究議題。Gold 等人（2001）與 Lee 與 Choi（2003）則從組織能力與啟動因素角度，實證驗證 KM 流程對組織績效之影響，凸顯文化、結構與科技的交互作用。
後續研究進一步關注不同情境下的 KM 實踐，例如 Wong 與 Aspinwall（2004）探討中小企業 KM 特性，Bock 等人（2005）則從社會心理層面解析知識分享行為。Teece（2007）提出動態能力理論，將知識整合與再配置視為組織長期競爭優勢來源。Heisig（2009）彙整全球 KM 架構，提出 KM 成熟度與關鍵成功因素。隨資料分析技術成熟，Silwattananusarn 與 Tuamsuk（2012）指出 KM 已由文件與流程管理，邁向資料探勘與智慧化應用；Kane 等人（2014）則說明社群媒體與數位平台對知識流動與學習網絡的影響。
整體而言，此階段 KM 研究已由概念建構，轉向「系統化、能力化與數位化」。
（三）生成式 AI 與知識管理的轉型發展（2019–2025）
近年生成式 AI 與大型語言模型（LLMs）的快速發展，促使 KM 研究進入新轉型階段。系統性文獻回顧顯示，生成式 AI 已深度介入知識蒐集、編碼、分享與應用等 KM 核心流程（Nguyen et al., 2025；AlMuzaini et al., 2025）。Some 等人（2025）指出，LLMs 與知識圖譜及知識型系統的整合，正重塑知識表示與推理機制。
應用導向研究顯示，生成式 AI 可有效支援自動化知識庫建構、情境化問答與決策輔助（Malik, 2025），並逐步由輔助工具轉為組織知識基礎設施之一（Pimentel & Veliz, 2025）。相關研究亦關注人機協作（Wu & Or, 2025）、組織與治理挑戰（Gelashvili-Luik et al., 2025），以及 AI-KM 與永續創新與產業轉型的連結（Qadeer, 2025；Cui, 2025）。實務研究亦顯示，AI 驅動的知識檢索已顯著優於傳統 KM 系統（MDPI Built Environment, 2025）。
（四）小結
綜合而言，知識管理研究歷經三個主要階段：
（1）（1990–1999）以組織學習與知識創造為核心的理論建構；
（2）（2000–2019）以資訊科技與組織能力為主的系統化發展；
（3）（2019–2025）以生成式 AI 與人機協作為特徵的智慧化轉型。
《（1990–2025年） 知識管理與 AI 時代的演進 》(文獻摘要版)
綜合下述文獻可知，知識管理研究已由早期以人與組織學習為核心的理論建構，逐步轉向結合資訊科技、組織能力與資料分析的系統觀點，並於近年隨生成式 AI 與大型語言模型的出現，邁入以人機協作與智慧化知識治理為特徵的新研究階段。
一、知識管理的理論起源與核心概念（1990–1999）【6 篇】
1.
吸收能力（Cohen & Levinthal, 1990）
提出「吸收能力」概念，說明組織創新仰賴對外部知識的辨識、吸收與應用，奠定後續知識學習與 KM 能力研究的理論基礎。
2.
組織知識創造理論（Nonaka, 1994）
建構 SECI 模型，揭示隱性與顯性知識在組織中透過社會互動持續轉換，成為知識管理最核心的理論典範。
3.
知識創造型企業（Nonaka & Takeuchi, 1995）
以日本企業為實證脈絡，說明組織文化、制度與領導如何支持知識創造，將 KM 從理論推向管理實務。
4.
知識作為組織資產（Davenport & Prusak, 1998）
明確界定知識的性質與管理流程，強調知識不同於資料與資訊，為企業推動 KM 提供操作性框架。
5.
社群與情境化學習（Wenger, 1998）
提出「實踐社群」概念，指出知識生成深嵌於社會互動與實務情境，補強 KM 過度工具化的限制。
6.
組織學習與知識基礎觀點（Grant, 1996）
從資源基礎理論出發，將知識視為企業最關鍵的競爭資源，強化 KM 與策略管理的理論連結。
二、知識管理系統與組織能力觀點（2000–2019）【9 篇】
7.
KM 系統與資訊科技（Alavi & Leidner, 2001）
系統性整理 KM 與資訊系統的關係，提出 KM 系統的研究架構，成為 IS 與
KM 交會的經典文獻。
8.
KM 作為組織能力（Gold, Malhotra & Segars, 2001）
從組織能力觀點驗證 KM 基礎設施與流程對績效的影響，奠定 KM 實證研究的重要基石。
9.
啟動因素與績效（Lee & Choi, 2003）
實證分析文化、結構與 IT 對 KM 流程與組織績效的影響，深化 KM 成效機制的理解。
10. 中小企業脈絡（Wong & Aspinwall, 2004）
探討資源受限情境下的 KM 實踐，說明 KM 並非大型企業專利，拓展研究適用範圍。
11. 知識分享動機（Bock et al., 2005）
從社會心理觀點分析員工知識分享行為，補足
KM 在人性與誘因設計上的不足。
12. KM 成熟度與流程整合（Heisig, 2009）
彙整 KM 成功因素，提出跨文化與跨產業適用的 KM 成熟度模型。
13. 動態能力與知識整合（Teece, 2007）
將 KM 納入動態能力理論，說明知識重組與再配置在環境變遷中的關鍵角色。
14.資料探勘到智慧化 KM（Silwattananusarn
& Tuamsuk, 2012）
回顧資料探勘與分析技術在 KM 中的應用，標誌 KM 從管理導向邁向智慧化的重要轉折。
15. 社群平台與數位知識分享（Kane et al., 2014）
探討企業社群媒體對知識流動與組織學習的影響，為 AI 協作平台鋪路。
三、生成式 AI 與知識管理的系統性回顧與新典範（2020–2025）【10 篇】
16. KM × 生成式 AI 的系統性回顧（Nguyen
et al., 2025）
系統性整理 LLM 與生成式 AI 如何重塑 KM 流程，是目前最完整的 AI-KM 綜述之一。
17. AI 影響 KM 流程的 SLR（AlMuzaini et al., 2025）
從 KM 流程觀點分析 AI 的介入方式，指出知識創造、分享與應用的結構性變化。
18. LLM × 知識基礎方法（Some et al., 2025）
探討 LLM 與知識圖譜、專家系統的整合，奠定人機混合知識管理的新架構。
19. GenAI 應用於 KM 系統（Malik,
2025）
以企業應用為導向，說明生成式 AI 在自動化知識庫與情境式問答中的實務價值。
20.GenAI 強化 KM 的發展藍圖（Pimentel
& Veliz, 2025）
提出生成式 AI 導入 KM 的階段性路線圖，補足學術研究與管理實務的落差。
「AI-KM 的治理、倫理與系統轉型」
21. AI-KM 整合的挑戰與機會（Gelashvili-Luik et al., 2025）
系統性探討新興 AI 技術整合至知識管理系統時所面臨的技術、組織與治理挑戰，並指出 AI 有潛力重塑知識創造、儲存與決策支援機制，但須搭配倫理與制度設計。
22. 人–AI 協作知識管理系統（Wu & Or, 2025）
提出開放式人-AI 智慧代理協作架構，主張未來知識管理應由單向工具支援轉向人機共同問題解決與知識共創的新型系統設計。
23. AI 強化知識創造與永續創新（Qadeer, 2025）
從永續與生態系觀點分析 AI 擴增知識創造對綠色轉型與創新系統的影響，指出 AI-KM 不僅是效率工具，更是支持長期轉型與利害關係人整合的關鍵機制。
「AI-KM 實證與應用成效」
24. AI 驅動的 KM 動態能力與績效（Cui, 2025）
從動態能力觀點，驗證 AI 驅動的知識分享與知識型組織支持，如何透過組織學習機制影響員工工作績效，補強 AI-KM 與個體層級成果之實證連結。
25. 從傳統知識檢索到 AI 驅動知識檢索（MDPI Built Environment, 2025）
以基礎建設專案為實證場域，比較傳統與 AI 驅動知識檢索系統之差異，顯示 AI 技術可顯著提升知識搜尋效率與決策支援品質。
編號
年份
作者
文獻類型
核心主題
主要貢獻／觀點
1
1990
Cohen & Levinthal
理論
吸收能力
提出吸收能力概念，說明組織創新與學習仰賴外部知識吸收與轉化能力
2
1994
Nonaka
理論
知識創造（SECI）
建構 SECI 模型，揭示隱性與顯性知識的動態轉換機制
3
1995
Nonaka & Takeuchi
理論＋案例
知識創造型企業
說明組織文化與制度如何支持知識創造與創新
4
1996
Grant
理論
知識基礎觀點
將知識視為企業最關鍵的策略性資源
5
1998
Davenport & Prusak
管理實務
知識作為資產
明確區分資料、資訊與知識，奠定 KM 操作框架
6
1998
Wenger
社會學理論
實踐社群
強調知識生成嵌入於社群互動與情境學習
7
2001
Alavi & Leidner
概念回顧
KM 系統
整合 KM 與資訊系統，建立 KM 系統研究架構
8
2001
Gold et al.
實證
KM 能力
從組織能力觀點驗證 KM 對績效的影響
9
2003
Lee & Choi
實證
KM 啟動因素
分析文化、結構與 IT 對 KM 流程與績效之影響
10
2004
Wong & Aspinwall
概念／案例
中小企業 KM
說明 KM 在資源受限環境下的適用性
11
2005
Bock et al.
實證
知識分享動機
從社會心理觀點解析員工知識分享行為
12
2007
Teece
理論
動態能力
將知識整合納入動態能力與長期競爭優勢
13
2009
Heisig
回顧
KM 成熟度
彙整全球 KM 架構，提出 KM 成功關鍵因素
14
2012
Silwattananusarn & Tuamsuk
文獻回顧
資料探勘 × KM
標誌 KM 從管理導向邁向分析與智慧化
15
2014
Kane et al.
概念＋實證
社群媒體 × KM
探討數位社群平台對知識流動與學習的影響
16
2025
Nguyen et al.
SLR
GenAI × KM
系統性回顧生成式 AI 與 LLM 對 KM 流程的影響
17
2025
AlMuzaini et al.
SLR
AI × KM 流程
從 KM 流程觀點分析 AI 介入的結構性改變
18
2025
Some et al.
Survey
LLM × 知識系統
探討 LLM 與知識圖譜、專家系統的整合
19
2025
Malik
應用研究
GenAI KM 系統
說明 GenAI 在自動化知識庫與 Q&A 系統的實務價值
20
2025
Pimentel & Veliz
回顧＋框架
GenAI 路線圖
提出生成式 AI 導入 KM 的階段性發展藍圖
21
2025
Gelashvili-Luik et al.
概念／回顧
AI-KM 整合
指出 AI-KM 整合的技術、組織與治理挑戰
22
2025
Wu & Or
立場論文
人–AI 協作
提出人-AI 協作知識管理與共創架構
23
2025
Qadeer
概念研究
AI × 永續創新
將 AI-KM 連結至綠色轉型與創新生態系
24
2025
Cui
實證
AI-KM 動態能力
驗證 AI 驅動知識分享與學習對績效的影響
25
2025
MDPI Built Environment
實證／應用
AI 知識檢索
比較傳統與 AI 驅動知識檢索之效能差異
參考文獻
知識管理的理論起源與核心概念（1990–1999）
1.Cohen,
W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on
learning and innovation. Administrative Science Quarterly, 35(1), 128–152.
https://doi.org/10.2307/2393553
2.Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(Winter Special Issue), 109–122.
https://doi.org/10.1002/smj.4250171110
3.Nonaka,
I. (1994). A dynamic theory of organizational knowledge creation. Organization
Science, 5(1), 14–37.
https://doi.org/10.1287/orsc.5.1.14
4.Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.
5.Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Harvard Business School Press.
6.Wenger, E. (1998). Communities of practice: Learning, meaning, and identity. Cambridge University Press.
知識管理系統與組織能力觀點（2000–2019）
7.Alavi, M., & Leidner, D. E. (2001). Knowledge management and
knowledge management systems: Conceptual foundations and research issues. MIS
Quarterly, 25(1), 107–136.
https://doi.org/10.2307/3250961
8.Gold, A. H., Malhotra, A., & Segars, A. H. (2001). Knowledge management: An organizational capabilities perspective. Journal of Management Information Systems, 18(1), 185–214. https://doi.org/10.1080/07421222.2001.11045669
9.Lee, H., & Choi, B. (2003). Knowledge management enablers, processes, and organizational performance: An integrative view and empirical examination. Journal of Management Information Systems, 20(1), 179–228. https://doi.org/10.1080/07421222.2003.11045756
10.Bock, G. W., Zmud, R. W., Kim, Y. G., & Lee, J. N. (2005). Behavioral intention formation in knowledge sharing: Examining the roles of extrinsic motivators, social-psychological forces, and organizational climate. MIS Quarterly, 29(1), 87–111.
11.Wong,
K. Y., & Aspinwall, E. (2004). Characterizing knowledge management in the
small business environment. Journal of Knowledge Management, 8(3), 44–61.
https://doi.org/10.1108/13673270410542671
12.Teece,
D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations
of (sustainable) enterprise performance. Strategic Management Journal, 28(13),
1319–1350. https://doi.org/10.1002/smj.640
13.Heisig,
P. (2009). Harmonisation of knowledge management: Comparing 160 KM frameworks
around the globe. Journal of Knowledge Management, 13(4), 4–31. https://doi.org/10.1108/13673270910971798
14.Silwattananusarn, T., & Tuamsuk, K. (2012). Data mining and knowledge management: A literature review from 2007 to 2012. Expert Systems with Applications, 39(12), 11503–11511.
https://doi.org/10.1016/j.eswa.2012.02.123
15.Kane, G. C., Alavi, M., Labianca, G., & Borgatti,
S. P. (2014). What’s different about social media networks? A framework and
research agenda. MIS
Quarterly, 38(1), 275–304.
生成式 AI 與知識管理的系統性回顧（2019–2025）
16.Nguyen,
L. T. K., Connolly, J., & Nguyen, H. N. (2025). A systematic review of
improving knowledge management with generative AI and large language models.
Journal of Advances in Information Technology, 16(4), 594–612.
https://www.jait.us/show-253-1680-1.html
17.AlMuzaini, N., Simeonova, B., & Hughes, M. (2025). Systematic literature review (SLR): Knowledge management (KM) processes and artificial intelligence (AI). In Proceedings of the 17th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (KMIS 2025). SciTePress. https://www.scitepress.org/PublishedPapers/2025/136850/
18.Some, L., Yang, W., Bain, M., & Kang, B. (2025). A comprehensive survey on integrating large language models with knowledge-based methods. arXiv. https://arxiv.org/abs/2501.13947
19.Malik, M. (2025). Gen‑AI for knowledge management: Automated knowledge base creation and context-aware Q&A systems. Journal of Information Systems Engineering and Management.
https://www.jisem-journal.com/index.php/journal/article/view/11424
20.Pimentel, M., & Veliz, J. C. (2025). The generative AI solutions for enhancing knowledge management: Literature review and roadmap. ECKM 2025.
https://papers.academic-conferences.org/index.php/eckm/article/view/2770
https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1595930/full
22.Wu, J., & Or, C. K. L. (2025). Position paper: Towards open complex human-AI agents collaboration system for problem-solving and knowledge management. arXiv.
https://arxiv.org/abs/2505.00018
23.Qadeer, A. (2025). AI‑augmented knowledge creation and sustainable innovation: Exploring green transformation, integration, stakeholders, and ecosystems. Journal of Information and Knowledge Management.
https://journal.uitm.edu.my/ojs/index.php/JIKM/article/view/6740
24.Cui, J. (2025). The explore of knowledge management dynamic capabilities, AI‑driven knowledge sharing, knowledge-based organizational support, and organizational learning on job performance. arXiv.
https://arxiv.org/abs/2501.02468
25.Transition from traditional knowledge retrieval into AI-powered knowledge retrieval in infrastructure projects (2025). MDPI Built Environment, 10(2), 35.
https://www.mdpi.com/2412-3811/10/2/35
沒有留言:
張貼留言