在企業內部 LMS 加上自然語言聊天機器人搜尋後帶來的改變

許多企業的內部學習管理系統（LMS）已經成了內容的墳場。多年來製作的教育影片、手冊、案例資料累積了數百件，真正需要時卻找不到。員工在資料夾裡繞來繞去後放棄，轉頭去問隔壁座位的同事。不是因為沒有資料，而是因為沒有取用的路徑，所以資料才沒被運用。 在 LMS 加上自然語言搜尋聊天機器人，這座墳場才終於變成活著的知識倉庫。

關鍵字搜尋的極限

既有的 LMS 搜尋大多以標題與標籤為基礎。因此不知道確切的字詞就找不到。現場的提問長這樣。

• 「客戶要求退款時該怎麼應對？」——標題裡沒有「退款應對」就搜不出來。
• 「上次那個資安事故的因應案例放在哪？」——如果檔名是「20XX_incident」，用承辦人平常說的「資安事故」就搜不到。
• 「新產品安裝流程的影片」——影片裡面的內容不會被搜尋到。

自然語言聊天機器人會掌握提問的意圖，找出語意相通的資料，若是影片還會指出對應的段落。就算不知道精確的搜尋詞，用日常語言提問就行。這個差別不只是方便與否的問題。當那些因為想不起精確關鍵字而放棄搜尋的員工重新開始接觸資料，過去沉睡著的內容，其運用率本身就會改變。

導入的關鍵在於資料整備

光是接上聊天機器人並不能解決問題。放進不完整的資料，就會得到不完整的答案，這個原則在這裡同樣成立。

1. 資料篩選：區分最新版本與應廢止的對象。搜出舊規定反而會出事。
2. 強化中繼資料：在每份資料上標示適用職務、適用時點、信賴等級，讓聊天機器人得以判斷優先順序。
3. 連結出處：在回答中一律附上原始資料連結，讓員工能親自確認。
4. 指定更新負責人：資料異動時，要決定由誰更新聊天機器人的參考資料。放著不管很快就會過時。

某家保險公司報告指出，在 LMS 導入自然語言搜尋後，員工尋找資料的平均時間從 8 分鐘減少到不到 1 分鐘。

從搜尋走向學習

自然語言搜尋的效果不只停在節省時間。當員工在有疑問時立刻獲得答案的經驗不斷累積，尋找資料這個行為本身就成了學習。此外，分析哪些提問頻繁出現，就能發現正式教育課程中原本空缺的主題。搜尋紀錄本身就是教育需求調查的資料。例如針對某個流程的提問一個月進來數百件，那就是這個主題值得做成一個簡短正式模組的訊號。像這樣把搜尋資料與教育規劃連結起來，就能依據員工實際卡住的地方來設計課程，命中率遠高於憑臆測擬定的課程。

重點整理

企業內部 LMS 真正的問題不是內容不足，而是可及性。請用自然語言搜尋聊天機器人，讓員工能以日常語言取用資料。不過必須先做好資料篩選、中繼資料、連結出處、更新責任這些整備。搜尋一旦變容易，知識就會流動，而搜尋紀錄會成為下一次教育的指南針。