以AI挖掘非結構化的隱性知識－中小企業導入生成式AI應用於知識管理

前言

　　現今越來越多企業了解知識管理的重要性，從培育新進員工快速接軌工作、解決人才離開（退休、離職）的經驗（隱性知識）流失及降低找尋相關知識耗時等問題，所以在知識經濟時代及瞬息萬變及的市場環境中，企業的護城河已從傳統的資金、設備，轉移到了無形的知識資產上；而知識管理是企業從「依賴關鍵人員」轉變為「依靠知識累積」的關鍵橋樑，而導入知識管理不再是一個「錦上添花」的選項，而是企業面臨風險規避和時代變革適應生存與發展的重要議題。

　　當員工面對新任務，即使企業已導入完善的KM系統及平台後，仍需耗時閱讀資料、分析各知識物件的關聯性，再從關聯性出解析對應方案。面對AI浪潮，突破傳統知識管理所著重知識物件整合，讓LLM模擬人類邏輯，以快速提供了解決方式，協助資料歸納並提出關鍵主軸，加速簡化人員作業流程及可能的誤判。

　　此文以顧問輔導中小企業導入應用生成式AI工具於知識管理為主軸，進行企業現況的知識盤點、痛點需求、問題彙整及歸納至AI將可用知識的AI轉化流程，進行分享。而在知識管理中的知識流程梳理及知識物件建構，則不進行說明，若讀者欲了解何謂知識流程及知識物件，可參考中國生產力中心的MKC文章：「知識管理強化企業競爭力－以機械製造業的研發部門為例」。

壹、 盤點現況及痛點需求

　　在當今高度競爭的商業環境中，企業能否高效地獲取、整合與應用知識，已成為決定其運營效率與核心競爭力的關鍵因素。此次文章以實務導入AI應用於知識管理之中小企業，此企業以KR簡稱；KR成立於1996年，專精於膠類化學產品製造與汽機車、自行車用補胎工具設計及生產。

　　於導入KM結合生成式AI前，與KR經營層進行盤點需求及聚焦問題；KM經營層清楚認知企業的競爭力在於供應商管理（SCM）、客戶關係管理（CRM），其中此企業之產品需符合SDS（Safety Data Sheet）安全資料表的規範，因此了解外國客戶需求及各國法規，並符合海運相關要求，才能順利出口，而此重要的經驗，卻沒有文件版本管控及經驗傳承。

　　盤點相關SCM/CRM工作中，對於經驗累積和問題解決過程，皆無法有系統性紀錄及轉化為顯性知識並進行保存。由於過往經驗及知識為隱性知識，未建立集中整合與管理且重要的知識散落各處或存在同仁的記憶中，因此跨單位的資訊流通性低，使得重要知識不易尋找。因此KR將借由AI應用技術，省思如何將過往經驗或以產生的知識，能快速及的導入系統中，並進行整合的提出最佳解方。

貳、 進行問題彙整及歸納

　　在KR企業的供應鏈管理（SCM）與客戶關係管理（CRM）兩大核心業務中，資訊的產生、流動與淬鍊出的知識，直接影響著決策品質、回應速度與客戶滿意度。然而，儘管KR企業已意識到知識管理的重要性，但在實際彙整過程中，仍面臨不同層次的痛點；將從三個關鍵主軸，深入剖析KR企業在SCM與CRM系統中實施知識管理所面臨的現實挑戰。

一、 知識分散：資訊斷鏈，關鍵知識深陷「個人化」經驗

　　在KR企業的SCM與CRM運作中，採購詢價/議價、客戶溝通記錄、訂單變更、售後服務回饋等關鍵資訊，非集中和即時的存儲於平台中（或NAS），而是零散分佈於電子郵件、Excel表格、LINE@群組等，具甚至員工個人筆記中。例如，採購人員通過LINE@、郵件與供應商確認交期變更；或業務代表在微信或郵件中與客戶協商價格調整，這些「即時決策」雖提升了回應速度，卻也導致知識成為「一次性資訊」，難以被再次利用或是放置於平台上。

　　這種的「個人化」與「碎片化」資訊，不易整合為知識，且造成嚴重的知識孤島。當原負責人退休或離職時，相關知識便隨之流失；跨部門協作時，往往需要重複溝通、反覆確認，極大降低運營效率。更嚴重的是，在供應鏈突發中斷或客戶投訴升級時，缺乏完整、可追溯的知識歷程，使企業難以快速回應處理，錯失最佳應對時機。

二、 時效性與準確性低：版本混亂，無法立即更新，造成知識「過期」

　　在動態變化的市場環境中，SCM與CRM相關資料（如供應商報價、客戶支付款之信用、產品出口SDS規定等）需持續更新。然而，現實中常見的情況是：SCR報價單仍在未更新，CRM系統中的客戶資訊未能即時同步調整；這些都是人員一有梳失，就容易發生知識過期的問題。

　　造成這一現象的核心原因在於：企業缺乏有效的知識版本管控機制，且無法持續投入人力進行知識的即時維護與審核。員工往往「重使用、輕維護」，在完成手頭任務後，無動力也無流程推動其主動更新共用知識。此外，傳統系統缺乏自動化的變更提醒與檢核流程，導致知識更新遲滯，使其資訊越積越多，但關鍵知識佔比卻持續下降；所以當KR經營層依賴過時或錯誤的知識進行判斷時，可能引發採購失誤、客戶承諾無法兌現、服務回應延遲等連鎖問題。

三、 非結構化資料的困境：非結構化知識，難以被系統識別與利用

　　傳統SCM或CRM系統主要針對結構化資料設計，難以有效索引、分析和關聯這些非結構化內容。而郵件、會議內容、即時通訊系統（LINE@）、產品圖片、PDF檔或合約等；皆為非結構化形式資訊，這些文件或內容皆蘊含大量隱性知識，例如客戶的真實需求痛點、供應商的合作模式、供應商的潛在風險信號等；例如客戶在即時通訊系統（LINE@）中表達對交期、品質或是相關SDS驗證資料異議時，若未被重新梳理或解析內容，重新整理為知識物件，便無法轉化為持續改進的依據。

參、 從非結構化資料到「可用知識」的轉化流程

　　對多數企業而言，真正有價值的資料來自非結構化，而是大量散落於日常營運中的非結構化資料，例如電子郵件往來、LINE@ 客戶訊息、會議紀錄、報價說明、內部文件與 SOP。如何將這些分散、雜亂但高度貼近實務的資訊，轉化為可操作的知識，是導入生成式 AI 成功與否的關鍵。導入步驟如下：

一、 文字重組：降低語意噪音，控管資料版本，以提升檢索精準

　　文字重組是資料前處理的第一道重要步驟，目的在於消除冗餘內容，減少AI訓練與檢索時的雜訊干擾。然而在非結構化資料中，重組並非簡單的「完全相同」對比，而是識別「表述不同但意義相同」的重複內容。例如:「客戶要求提前出貨」與「客戶希望加快交期」可能被判定為語意重複；也有可能發生同一客戶需求、訂單異常或交期說明，可能被多位人員以略有差異的文字反覆紀錄，甚至中英夾雜，會造成語意噪音，使得AI 難以建立穩定語意關聯。

　　因此為解決文字中同時描述背景、問題、處理方式與結果，能清楚區隔，來提高AI 在檢索時可以抓取資料重點，透過語意相似度分析，找出描述相同事件但文字略有差異的紀錄，進行合併或標註為同一語意並連結知識內容。

　　在此次導入KR企業中，為了提升檢索精準，除了做文字重組外，也發現由於資料中的時間及版本未進行管控，因舊紀錄與新規範並存，所以直接影響 AI 回答的正確性；為避免 AI 誤用過期資訊，從對於知識流程再次修正及梳理，並標註版本與時間，對應相關知識物件，建構文管中心並連結CRM、SCM系統，以優先保留最新版本，舊資料標註為歷史參考。

二、 格式整理：讓文字成為「可讀取、可解析」的知識單元

　　在完成文字重組後，格式整理其目標是將自由文字轉化為具有結構邏輯的內容，也就是「結構清晰、語意明確」才有利於AI進行語意理解與向量化處理，所以接著就是將文件格式標準化或納入關鍵字。從清理亂碼、統一全形半形、特殊符號轉換（代表重點，如★、→、※）等；也需要重整斷行與段落，移除多餘空行、合併斷裂句子、統一段落格式，確保每個段落完整表達一個主題。

　　在非結構資料中，企業常見的縮寫、代號、簡稱等立統一標準，例如：PO、採購單、ETA、預計到貨時間，因此有了標準關鍵詞，即可降低AI理解門檻；例如在此次KR的輔導中，在SCM與供應商交流LINK@的紀錄內，建立關鍵字如「報價」、「詢價」、「交期」、「品質異常」，並結合供應商名稱明確區分；CRM的交易紀錄中，從MAIL中，明確區分「客戶問題」、「處理方式」、「結果」、「負責單位」；從建立標準化關鍵詞，企業內部同一語言與術語一致化，將同義詞、縮寫轉換為標準用語；此次利用ERP的料號及品名，即可統一KR內部的共同語言，以確保AI語意判斷一致及AI能正確解讀產業特定用語。

三、 語意切割：AI 知識管理的關鍵技術

　　完成文字重組與格式整理後，資料仍不能直接丟給AI使用，必須進行語意切分（Chunking）。語意切割是將非結構資料拆解為多個「語意完整、主題單一」的小片段（Chunks），也是RAG (Retrieval-Augmented Generation）架構中最關鍵的技術環節；所以要從每一個切割單元中，只表達一個明確主題或知識點，則為最核心原則，而切割也將直接影響AI檢索精準度與回答相關性。舉例說明，如合約或是品質異常回應（CRM/SCM），若把整份文件在沒有把多個重點進行明確的切割下，就送入LLM進行生成式AI回答時，會大幅增加回應時間，且也會造成過於發散或遺漏關鍵資訊。

　　所以在語意切割的策略與方法，先從自然段落或句子為單位切割，保留語意完整性，但需注意段落過長或過短的問題，可搭配長度限制進行二次切割；而此次KR企業應用在CRM/SCM等混雜多主題的自由文字，則是依主題設定切割，確保每個片段主題單一、語意完整；為了能把主題進行精準切割。

　　於KR企業輔導時，進行主題導向的一次分割，先拆分為「事件主題」，再依AI追溯與篩選的特性，相關進行細切分割，每個分割的片段因應不同重點，設定出「問題描述」、「原因分析」、「解決方案」及「關鍵字」等資料，兼顧語意完整性與檢索效率；如表一所示。

表一：語意分割

　　在完成文字重組、格式整理與語意切割後，企業往往誤以為知識庫已建置完成，實際上，這僅是起點。AI知識管理的本質並非靜態文件管理，而是一個隨著業務變化、人員使用行為與資料累積而不斷演進的系統。AI的檢索結果與回應品質，會直接反映目前知識結構是否合理、內容是否貼近實務，因此「以檢索效果為回饋基礎」進行優化，持續落實PDCA管理法則，將是企業能否長期發揮 AI價值的關鍵。

肆、 結論

　　企業當前面臨的關鍵問題並非資訊不足，而是知識分散於各處、無法被有效整合與運用，導致「資訊存在卻無法轉化為行動力」。因此，導入生成式AI應用於知識管理的核心價值，是在於將零散資訊轉化為可持續演進的知識資產。AI 知識管理不應被視為靜態的文件儲存，而是一套需依循 PDCA 管理循環、持續優化知識結構與應用方式的動態系統。唯有如此，企業才能真正活化既有知識，提升決策品質、強化客戶體驗，並將 AI 知識管理打造為支撐精準決策與競爭優勢的長期戰略資產。

【參考資料】

• 中國生產力中心, 學習成長卓越經營服務團, AI＋RAG＝KM 煉金術

作者推薦

《超級決策者：AI時代的決策科學與實踐》

作者│克勞迪奧.費瑟（Claudio Feser）、丹妮拉.勞雷羅.馬丁內斯（Daniella Laureiro- Martinez）、凱洛琳.弗朗根柏格（Karolin Frankenberger）、斯特法諾.布魯索尼（Stefano Brusoni）

譯者│顏敏竹、張家寧

出版│財團法人中國生產力中心