بیش از سه دهه است که سازمان‌ها برای مدیریت دانش و استفاده مؤثرتر از آن سرمایه‌گذاری می‌کنند. در این مدت، رویکردها، فناوری‌ها و ابزارهای مختلفی در این حوزه شکل گرفته‌اند که هر یک تلاش داشته‌اند به بخشی از مسائل سازمان‌ها در زمینه دانش پاسخ دهند. در سال‌های ابتدایی، مسئله اصلی بسیاری از سازمان‌ها، کمبود یا شکنندگی دانش بود؛ بخش قابل‌توجهی از دانش‌های حیاتی در ذهن کارکنان باتجربه قرار داشت و با بازنشستگی، استعفا یا جابه‌جایی این افراد، احتمال از دست رفتن بخشی از دانش و تجربه ارزشمند سازمان افزایش می‌یافت. مدیریت دانش در چنین شرایطی به‌عنوان رویکردی راهبردی برای شناسایی، ثبت، حفظ، انتقال و استفاده مجدد از دانش شکل گرفت تا سازمان بتواند بخشی از دانشی را که طی سال‌ها فعالیت و تجربه به دست آمده بود، در اختیار خود نگه دارد.
برای سال‌ها، یکی از مهمترین پرسش‌های حوزه مدیریت دانش این بود که چگونه می‌توان دانش ارزشمند کارکنان را پیش از خروج آن‌ها از سازمان حفظ کرد و به دیگران انتقال داد. ایجاد دانش نیز فرایندی زمان‌بر بود و معمولاً به سال‌ها تجربه، یادگیری، آزمون و خطا و فعالیت حرفه‌ای نیاز داشت. به همین دلیل، ثبت و حفظ دانشی که از قبل در سازمان وجود داشت، اهمیت زیادی پیدا کرد و بسیاری از اقدامات مدیریت دانش نیز حول همین موضوع شکل گرفت.
اما شرایط امروز تا حد زیادی متفاوت شده است. تحول دیجیتال ابتدا حجم اطلاعات و محتوای موجود در سازمان‌ها را به شکل چشمگیری افزایش داد و سپس ظهور هوش مصنوعی مولد، سرعت تولید این محتوا را به سطحی رساند که پیش از این تصور آن دشوار بود. بنابراین، مسئله سازمان‌ها دیگر صرفاً این نیست که چگونه دانش خود را از دست ندهند؛ بلکه به‌تدریج با مسئله دیگری مواجه شده‌اند: چگونه در میان حجم بسیار زیادی از اطلاعات و محتوای تولیدشده، دانش معتبر، مرتبط و قابل استفاده را شناسایی کنند؟ از همین منظر می‌توان از شکل‌گیری پدیده‌ای به نام «تورم دانش» سخن گفت.
سه دوره تحول دانش سازمانی
برای درک بهتر این تغییر، می‌توان تحول دانش سازمانی را در سه دوره کلی بررسی کرد. دوره نخست، دوره‌ای بود که مسئله اصلی سازمان‌ها کمبود و از دست رفتن دانش بود. در دوره دوم، با گسترش فناوری‌های دیجیتال، مسئله از کمبود دانش به حجم بالای اطلاعات و پراکندگی آن تغییر کرد. اکنون نیز با گسترش هوش مصنوعی مولد، وارد مرحله‌ای شده‌ایم که در آن تولید و انباشت محتوا با سرعتی بسیار بیشتر از گذشته انجام می‌شود و همین موضوع، چالش‌های جدیدی را برای مدیریت دانش ایجاد کرده است.
از کمبود دانش تا انفجار اطلاعات
در نسل نخست مدیریت دانش، بخش مهمی از دانش سازمانی ماهیتی ضمنی داشت و در تجربه، قضاوت و شهود کارکنان شکل گرفته بود. بسیاری از سازمان‌ها تلاش می‌کردند پیش از خروج متخصصان و کارکنان کلیدی، دانش و تجربه آن‌ها را شناسایی و ثبت کنند. حفظ حافظه سازمانی، انتقال تجربه به نسل‌های بعدی و کاهش آثار ناشی از جابه‌جایی نیروی انسانی از جمله موضوعاتی بود که اهمیت زیادی پیدا کرد. در این دوره، دانش جدید نیز به‌سادگی ایجاد نمی‌شد و شکل‌گیری آن به زمان، تجربه و یادگیری مستمر نیاز داشت. بنابراین، مسئله اصلی مدیریت دانش را می‌توان حفظ دانشی دانست که پیش‌تر در سازمان ایجاد شده بود.
با گسترش فناوری‌های دیجیتال، وضعیت به تدریج تغییر کرد. سازمان‌ها شروع به تولید و ذخیره حجم زیادی از اطلاعات در سامانه‌های مدیریت اسناد، ایمیل‌ها، پورتال‌های سازمانی، بسترهای همکاری و مخازن ابری کردند. در نتیجه، دانش دیگر فقط به دلیل کمیابی ارزشمند نبود؛ بلکه دسترسی به آن نیز به یک چالش تبدیل شد. اطلاعات در سامانه‌های مختلف پراکنده بود و کارکنان برای پیدا کردن محتوای موردنیاز خود، گاهی ناچار بودند در میان حجم زیادی از اسناد و منابع جست‌وجو کنند.
در این مرحله، تمرکز مدیریت دانش از «ثبت دانش» به سمت «یافتن دانش درست در زمان درست» حرکت کرد. استفاده از ابزارهای جست‌وجو، فراداده‌ها، طبقه‌بندی دانش، مدیریت محتوای سازمانی و بسترهای همکاری با هدف ساده‌تر کردن دسترسی به اطلاعات و افزایش قابلیت استفاده از آن توسعه یافت. پرسش اصلی این دوره را می‌توان این‌گونه بیان کرد: چگونه می‌توان در میان حجم گسترده‌ای از اطلاعات، دانش موردنیاز را پیدا کرد؟
ورود به عصر تورم دانش
ظهور هوش مصنوعی مولد بار دیگر این معادله را تغییر داده است. امروز تولید محتوا دیگر فرایندی دشوار و زمان‌بر مانند گذشته نیست. سازمان‌ها می‌توانند در مدت کوتاهی گزارش‌های مدیریتی، خلاصه جلسات، دستورالعمل‌ها، روش‌های اجرایی، مستندات فنی، محتوای آموزشی، ارائه‌ها و بسیاری از انواع دیگر محتوا را تولید کنند. در واقع، برای نخستین‌بار تولید حجم زیادی از محتوا لزوماً گلوگاه اصلی سازمان نیست و یک سازمان می‌تواند در چند ساعت محتوایی تولید کند که در گذشته به هفته‌ها یا حتی ماه‌ها زمان نیاز داشت.
این تحول در کنار فرصت‌هایی که ایجاد کرده، یک مسئله مهم نیز به وجود آورده است. سرعت تولید محتوا ممکن است از توانایی سازمان برای بررسی، اعتبارسنجی، درک، حاکمیت و استفاده مؤثر از آن بیشتر شود. به همین دلیل، افزایش حجم محتوا الزاماً به معنای افزایش ارزش دانش نیست. ممکن است سازمان روزبه‌روز اطلاعات بیشتری در اختیار داشته باشد، اما تشخیص اینکه کدام اطلاعات معتبر است، کدام نسخه به‌روز است و کدام محتوا بر تجربه واقعی سازمان تکیه دارد، دشوارتر شود.
در چنین شرایطی، مفهوم «تورم دانش» اهمیت پیدا می‌کند. تورم دانش را می‌توان وضعیتی دانست که در آن سرعت تولید و انباشت دانش و محتوا از توانایی سازمان برای اعتبارسنجی، درک، حاکمیت و استفاده مؤثر از آن بیشتر شده است. در این وضعیت، مسئله صرفاً زیاد شدن اطلاعات نیست؛ بلکه کاهش سهم دانش قابل اعتماد و قابل استفاده در میان حجم فزاینده محتوایی است که در اختیار سازمان قرار می‌گیرد.
هرچه حجم محتوا بیشتر شود، تشخیص اینکه چه اطلاعاتی معتبر است، کدام نسخه باید مبنا قرار گیرد، چه دانشی بر تجربه واقعی سازمان استوار است و چه بخشی از محتوا صرفاً خروجی یک ابزار هوش مصنوعی است، دشوارتر می‌شود. این وضعیت می‌تواند به ایجاد نسخه‌های متناقض، کاهش اعتماد به مخازن دانش، دشوار شدن جست‌وجوی اطلاعات معتبر و افزایش ریسک تصمیم‌گیری منجر شود. بنابراین، داشتن اطلاعات بیشتر لزوماً به معنای داشتن وضوح بیشتر نیست و در برخی موارد، افزایش اطلاعات می‌تواند خود به عاملی برای پیچیده‌تر شدن تصمیم‌گیری تبدیل شود.
وقتی تولید محتوا از درک آن آسان‌تر می‌شود
یکی از تغییرات مهمی که هوش مصنوعی مولد در محیط سازمانی ایجاد کرده، تغییر رابطه میان تولید محتوا و درک آن است. سازمان‌ها اکنون می‌توانند حجم زیادی از محتوا را با سرعت و هزینه‌ای بسیار کمتر تولید کنند، اما ارزیابی و درک این محتوا همچنان به تخصص، تجربه و قضاوت انسانی نیاز دارد. بررسی صحت اطلاعات، تشخیص میزان ارتباط آن با شرایط سازمان، شناخت زمینه‌ای که محتوا در آن ایجاد شده و ارزیابی تأثیر آن بر تصمیم‌های مدیریتی، فعالیت‌هایی نیستند که صرفاً با افزایش حجم تولید محتوا حل شوند.
به همین دلیل، هرچه تولید محتوا آسان‌تر می‌شود، اهمیت فعالیت‌هایی مانند اعتبارسنجی، حاکمیت، زمینه‌مند کردن و تفسیر دانش افزایش پیدا می‌کند. به بیان دیگر، گلوگاه مدیریت دانش تغییر کرده است. مسئله اصلی دیگر فقط تولید و ذخیره محتوا نیست؛ بلکه توانایی سازمان برای تشخیص محتوای ارزشمند و تبدیل آن به دانش قابل اتکا و قابل استفاده است.
ارزش دانش دیگر با حجم آن سنجیده نمی‌شود
این تغییر، ضرورت بازنگری در برخی شاخص‌های رایج مدیریت دانش را نیز مطرح می‌کند. در بسیاری از سازمان‌ها، تعداد اسناد تولیدشده، حجم محتوای ذخیره‌شده یا میزان اطلاعات موجود در مخازن دانش به‌عنوان نشانه‌ای از فعالیت و موفقیت مدیریت دانش در نظر گرفته می‌شود. در شرایطی که تولید محتوا با کمک هوش مصنوعی بسیار ساده‌تر شده است، چنین شاخص‌هایی به‌تنهایی نمی‌توانند تصویر دقیقی از ارزش ایجادشده ارائه کنند.
در عصر هوش مصنوعی، پرسش‌های مهم‌تری باید مطرح شود: آیا دانش موجود به بهبود کیفیت تصمیم‌گیری کمک کرده است؟ آیا باعث کاهش خطا و ریسک عملیاتی شده است؟ آیا اجرای فعالیت‌ها را سریع‌تر کرده است؟ آیا یادگیری سازمانی را تقویت کرده و در نهایت، آیا برای سازمان ارزش قابل‌اندازه‌گیری ایجاد کرده است؟ اگر پاسخ این پرسش‌ها منفی باشد، افزایش حجم محتوا ممکن است صرفاً به ایجاد چیزی منجر شود که می‌توان آن را «نویز دیجیتال» نامید؛ محتوایی که وجود دارد، اما لزوماً به تصمیم بهتر یا عملکرد بهتر منجر نمی‌شود.
از این منظر، ارزش دانش بیش از گذشته به کیفیت، اعتبار، زمینه و قابلیت استفاده آن وابسته است. اطلاعاتی که اعتبار آن مشخص نیست، دانش بدون زمینه و محتوایی که تحت حاکمیت مشخصی قرار ندارد، حتی اگر حجم زیادی داشته باشند، الزاماً سرمایه‌ای ارزشمند برای سازمان ایجاد نمی‌کنند.
از مدیریت دانش به سوی هوشمندی سازمانی
تغییر شرایط به معنای کاهش اهمیت مدیریت دانش نیست؛ بلکه می‌تواند ضرورت آن را بیشتر کند. با این حال، شاید لازم باشد نگاه سازمان‌ها به مدیریت دانش گسترده‌تر شود. در محیطی که تولید و دسترسی به اطلاعات روزبه‌روز آسان‌تر می‌شود، نقش مدیریت دانش می‌تواند از ثبت و نگهداری دانش فراتر رفته و به ایجاد توانایی برای تشخیص، تفسیر و استفاده از دانش معتبر نزدیک‌تر شود.
از این منظر، حرکت از مدیریت دانش به سمت «هوشمندی سازمانی» می‌تواند یکی از مسیرهای قابل‌تأمل آینده باشد. هوشمندی سازمانی را می‌توان توانایی سازمان برای تبدیل حجم گسترده اطلاعات و دانش به هوشمندی قابل اعتماد، زمینه‌مند و قابل اقدام دانست؛ هوشمندی‌ای که بتواند به تصمیم‌گیری بهتر، اجرای سریع‌تر و ایجاد ارزش پایدار برای سازمان کمک کند. در چنین رویکردی، هوش مصنوعی نیز صرفاً ابزاری برای تولید محتوا نخواهد بود، بلکه می‌تواند در شناسایی دانش مرتبط، کشف تناقض میان منابع، اتصال اطلاعات پراکنده، استخراج تجربه‌ها و پشتیبانی از تصمیم‌گیری مبتنی بر شواهد نقش داشته باشد.
بنابراین، هدف نهایی دیگر صرفاً این نیست که سازمان دانش بیشتری در اختیار داشته باشد؛ بلکه باید بتواند از میان حجم گسترده دانش و اطلاعات، آنچه را که برای یک مسئله مشخص معتبر و مرتبط است تشخیص دهد و آن را به تصمیم و اقدام تبدیل کند.
مدیریت دانش در برابر تورم دانش چه باید بکند؟
اگر مسئله سازمان‌ها دیگر فقط کمبود دانش نیست، مدیریت دانش نیز نمی‌تواند تنها بر افزایش تولید، ثبت و ذخیره دانش متمرکز بماند. در عصر تورم دانش، لازم است اولویت از «داشتن دانش بیشتر» به سمت «داشتن دانش معتبرتر و قابل استفاده‌تر» تغییر کند.
یکی از نخستین الزامات این رویکرد، توجه جدی‌تر به اعتبار و کیفیت دانش است. هر محتوایی که تولید می‌شود، چه توسط انسان و چه توسط هوش مصنوعی، لزوماً دانش قابل اعتماد سازمان نیست. مشخص بودن منبع، تاریخ به‌روزرسانی، میزان اعتبار و زمینه استفاده از محتوا می‌تواند به سازمان کمک کند میان اطلاعات تولیدشده و دانش قابل اتکا تمایز قائل شود. در کنار آن، حاکمیت دانش نیز اهمیت بیشتری پیدا می‌کند؛ زیرا زمانی که یک موضوع در چندین سند، سامانه یا خروجی هوش مصنوعی به شکل‌های متفاوت بیان می‌شود، سازمان باید بتواند منبع معتبر را مشخص کند، نسخه‌های قدیمی را مدیریت کند و از شکل‌گیری اطلاعات متناقض جلوگیری کند.
موضوع دیگری که در این شرایط اهمیت پیدا می‌کند، زمینه‌مند کردن دانش است. ارزش یک دانش فقط به درست بودن آن وابسته نیست؛ بلکه باید بدانیم این دانش در چه شرایطی، توسط چه کسی، بر اساس چه تجربه‌ای و برای حل چه مسئله‌ای ایجاد شده است. دانشی که از زمینه خود جدا شده باشد، ممکن است از نظر محتوایی درست باشد، اما لزوماً برای تصمیم‌گیری در یک موقعیت مشخص مفید نخواهد بود.
در کنار این موارد، هوش مصنوعی نیز می‌تواند از یک ابزار تولید محتوا به ابزاری برای کشف و تقویت دانش سازمانی تبدیل شود. شناسایی تناقض‌ها، پیدا کردن تجربه‌های مشابه، ارتباط دادن اطلاعات پراکنده، استخراج درس‌آموخته‌ها و کمک به کارکنان برای یافتن دانش مرتبط، نمونه‌هایی از کاربردهایی هستند که می‌توانند نقش هوش مصنوعی را در مدیریت دانش از تولید محتوا فراتر ببرند. در چنین شرایطی، معیار موفقیت مدیریت دانش نیز باید تغییر کند و به جای تمرکز صرف بر تعداد اسناد یا حجم مخزن دانش، میزان تأثیر دانش بر تصمیم‌گیری، سرعت اجرا، کاهش خطا، یادگیری سازمانی و ایجاد ارزش مورد توجه قرار گیرد.
آیا مدیریت دانش به یک رویکرد جدید نیاز دارد؟
هر تحول فناورانه بزرگ، بخشی از محدودیت‌های پیشین سازمان‌ها را تغییر می‌دهد. صنعتی‌شدن بسیاری از محدودیت‌های مربوط به کار فیزیکی را دگرگون کرد، دیجیتالی‌شدن نحوه تولید و دسترسی به اطلاعات را تغییر داد و اکنون هوش مصنوعی مولد در حال تغییر فرایند تولید و استفاده از دانش است. اگر این روند ادامه پیدا کند، مزیت رقابتی سازمان‌ها دیگر صرفاً به توانایی آن‌ها برای تولید اطلاعات بیشتر وابسته نخواهد بود؛ بلکه توانایی تبدیل اطلاعات به هوشمندی سازمانی قابل اعتماد می‌تواند اهمیت بیشتری پیدا کند. سازمانی که بتواند اطلاعات و دانش پراکنده را سریع‌تر و دقیق‌تر به بینش و اقدام تبدیل کند، احتمالاً از ظرفیت بیشتری برای تصمیم‌گیری و واکنش به تغییرات محیطی برخوردار خواهد بود.
از این منظر، آینده مدیریت دانش احتمالاً تنها در مدیریت مخازن دانش خلاصه نخواهد شد. مدیریت دانش می‌تواند به سمت نقشی گسترده‌تر حرکت کند که در آن سازمان علاوه بر ثبت و به‌اشتراک‌گذاری دانش، از فناوری و هوش مصنوعی برای تشخیص دانش معتبر، ایجاد ارتباط میان دانش‌های پراکنده و تبدیل آن‌ها به بینش و اقدام استفاده می‌کند.
پرسشی برای آینده مدیریت دانش
مفهوم «تورم دانش» همچنان مفهومی در حال شکل‌گیری است و نمی‌توان درباره همه ابعاد و پیامدهای آن با قطعیت سخن گفت. با این حال، تغییری که در محیط سازمانی در حال رخ دادن است، قابل توجه است. سازمان‌ها از دوره‌ای که یکی از مسائل اصلی آن‌ها کمبود دانش و خطر از دست رفتن تجربه بود، به شرایطی نزدیک می‌شوند که وفور کنترل‌نشده اطلاعات و محتوا می‌تواند به همان اندازه چالش‌برانگیز باشد.
در چنین شرایطی، موضوعاتی مانند حاکمیت دانش، اعتبارسنجی محتوا، معماری سازمانی، حاکمیت هوش مصنوعی، استاندارد ISO 30401 و طراحی سازمان‌های آماده برای آینده بیش از گذشته به یکدیگر پیوند می‌خورند. اگر سازمان‌ها واقعاً وارد دوره‌ای شده باشند که در آن مسئله اصلی دیگر کمبود دانش نیست، نمی‌توان با همان پرسش‌ها و همان شیوه‌های گذشته با دانش مواجه شد.
شاید پرسش اصلی آینده مدیریت دانش دیگر این نباشد که «چگونه دانش بیشتری تولید و ذخیره کنیم؟» بلکه این باشد که چگونه از میان حجم فزاینده دانش و محتوا، آنچه قابل اعتماد، مرتبط و ارزش‌آفرین است را تشخیص دهیم و به اقدام تبدیل کنیم؟ پاسخ به این پرسش می‌تواند یکی از محورهای مهم تحول مدیریت دانش در عصر هوش مصنوعی باشد.
