حوزه مدیریت دانش به‌سرعت در حال تحول است و هر روز فرصت‌های جدیدی برای بازتعریف ارزش‌ها و جهت‌گیری مجدد این حوزه به سمت بهره‌وری سازمانی فراهم می‌شود. با تغییر ماهیت کار در دنیای پساکرونا، «انقلاب هوش مصنوعی» به موضوعی غالب در گفتگوها تبدیل شده و هوش مصنوعی مولد در بسیاری از حوزه‌ها حضور پررنگی یافته است. در این میان، مدیریت دانش، اطلاعات، داده‌ها و محتوای سازمانی نیز بیش‌ازپیش به روش‌های نوین متصل می‌شوند و این حوزه همچنان در مسیر تکامل خود پیش می‌رود.
همانند سال‌های گذشته، گزارش سالانه ما درباره روندهای برتر مدیریت دانش در سال 2025 بر پایه مجموعه‌ای از عوامل و داده‌های ورودی تهیه شده است. من و همکارانم با سازمان‌ها مصاحبه می‌کنیم تا اولویت‌ها، چالش‌ها و نقشه راه آن‌ها را ترسیم کنیم. همچنین، طیف گسترده‌ای از درخواست‌ها و پرسش‌های دریافتی از مشتریان بالقوه را بررسی کرده و پیشنهادها و اطلاعات را تجزیه‌وتحلیل می‌کنیم. علاوه‌براین، در کنفرانس‌هایی نه‌تنها مرتبط با مدیریت دانش، بلکه در صنایع و حوزه‌های مرتبط دیگر نیز شرکت می‌کنیم تا از روندها و تحولات آگاه شویم.
این تحلیل را با مصاحبه‌های رهبران این حوزه و دیدگاه‌های هیئت مشاوران متخصص تکمیل می‌کنیم. درنهایت، بر اساس این داده‌ها، روندهای برتر مدیریت دانش در سال 2025 را شناسایی و معرفی می‌کنیم.
برای مطالعه‌ی مقالات تخصصی مدیریت دانش به پایگاه دانش مراجعه فرمایید.
هم‌زیستی مدیریت دانش و هوش مصنوعی (AI-KM Symbiosis)
همه درباره هوش مصنوعی صحبت می‌کنند و شاهد اختصاص بودجه‌های کلان برای پیاده‌سازی آن در سازمان‌ها هستیم؛ نه صرفاً به‌عنوان یک فناوری نمایشی، بلکه به‌عنوان راهکاری عملی که بتوان به آن اعتماد کرد. در همین حال، بسیاری از متخصصان مدیریت دانش این پرسش را مطرح کرده‌اند که نقش آن‌ها در دنیای هوش مصنوعی چه خواهد بود.
در مقاله سال گذشته درباره روندهای مدیریت دانش، به این نکته اشاره کردم که هوش مصنوعی می‌تواند فرآیندهای دشوار و زمان‌بر مدیریت دانش را خودکار کرده و تسهیل کند. در مقابل، طراحی و حاکمیت مدیریت دانش نیز نقش کلیدی در عملکرد مؤثر هوش مصنوعی در سازمان‌ها ایفا می‌کند. این ایده را در سخنرانی اصلی خود در Knowledge Summit Dublin گسترش دادم، جایی که به دو جنبه این رابطه پرداختم: مدیریت دانش برای هوش مصنوعی و هوش مصنوعی برای مدیریت دانش. همچنین، اخیراً در وبلاگی این موضوع را با معرفی اصطلاح هوش دانشی (Knowledge Intelligence – KI) تشریح کردم.
درمجموع، این رابطه دوسویه و سودمند بین هوش مصنوعی و مدیریت دانش، فرصتی است که همه متخصصان این حوزه باید از آن بهره ببرند تا ارزش سازمان‌ها را به حداکثر برسانند. در همین راستا، جامعه مدیریت دانش نیز به‌سرعت در حال درک اهمیت این هم‌زیستی است. چارچوب‌های طراحی و اصول بنیادین مدیریت دانش می‌توانند بسیاری از چالش‌های مربوط به‌دقت، جامعیت و قابلیت اطمینان هوش مصنوعی را برطرف کنند. به‌عنوان‌مثال:
- نظام‌های طبقه‌بندی و هستی‌شناسی می‌توانند به ایجاد زمینه و دسته‌بندی مناسب برای هوش مصنوعی کمک کنند.
- مدیریت دانش ضمنی و شناسایی خبرگان می‌توانند دارایی‌های دانشی ارزشمندی را در اختیار هوش مصنوعی قرار دهند.
- حاکمیت دانش می‌تواند تضمین کند که پاسخ‌های ارائه‌شده توسط هوش مصنوعی صحیح و به‌روز هستند.
در مقابل، هوش مصنوعی قابلیت‌هایی مانند استنتاج، تجمیع، تحویل و یادگیری ماشینی را ارائه می‌دهد که می‌توانند فرآیندهای زمان‌بر انسانی را سرعت ببخشند و از ناهماهنگی‌ها بکاهند. هوش مصنوعی این امکان را فراهم می‌کند که دانش مناسب، در لحظه نیاز، به افراد مناسب ارائه شود. همچنین، می‌تواند برچسب‌گذاری محتوا را خودکار کند و حتی در بهبود فرآیندهای ثبت و مدیریت دانش ضمنی نقش داشته باشد—که در ادامه به‌عنوان یک روند مستقل بررسی خواهد شد.
محتوای آماده برای هوش مصنوعی (AI-Ready Content)
یکی از بزرگ‌ترین چالش‌های سیستم‌های هوش مصنوعی پیشرفته، کیفیت و آمادگی محتوای ورودی است. در سال 2025، یکی از نقش‌های کلیدی متخصصان مدیریت دانش، ایجاد و هدایت فرآیندها و ساختارهای سازمانی خواهد بود تا اطمینان حاصل شود که محتوای وارد شده به سیستم‌های هوش مصنوعی، قابل اتصال، قابل‌درک، دقیق، به‌روز، قابل‌اعتماد و کاملاً معتبر است. این مسئله دارای چندین لایه است که در همه آن‌ها، متخصصان مدیریت دانش باید نقش محوری ایفا کنند.
اولین و مهمترین بُعد، دقت و انسجام محتوای سازمانی است. چه محتوای ساختاریافته باشد و چه غیر ساختاریافته، یکی از چالش‌های اساسی سازمان‌ها همیشه مدیریت و به‌روزرسانی محتوا بوده است. این مشکل پیش از ظهور هوش مصنوعی نیز وجود داشت، اما اکنون با ورود این فناوری، پیچیدگی آن بیشتر شده است. سیستم‌های هوش مصنوعی می‌توانند حجم زیادی از محتوا را ترکیب کرده و در قالبی جدید و رسمی‌تر از محتوای اولیه ارائه دهند؛ اما اگر این اطلاعات بر اساس دستورالعمل‌های قدیمی، قوانین منسوخ یا حتی داده‌های نادرست تولید شوند، چه اتفاقی می‌افتد؟ یا اگر سیستم با چندین منبع متناقض مواجه شود، چگونه تصمیم‌گیری خواهد کرد؟ این همان نقطه‌ای است که «توهمات هوش مصنوعی» شکل می‌گیرد و اعتماد کاربران به این فناوری از بین می‌رود.
علاوه بر کیفیت و اعتبار محتوا، چالش‌های دیگری نیز در رابطه با ساختار و یکپارچگی محتوا وجود دارد. هوش مصنوعی زمانی عملکرد بهتری دارد که تمامی اشکال محتوا به‌طور منظم با فراداده (Metadata) برچسب‌گذاری شده باشند. همچنین، برخی سیستم‌ها و کاربردها نیازمند ساختار و یکپارچگی ثابت در محتوا هستند. سازمان‌هایی که پیش‌تر در زمینه مدیریت اطلاعات و داده‌ها سرمایه‌گذاری کرده‌اند—از جمله استفاده از رده‌بندی‌ِ (Taxonomies)، هستی‌شناسی‌ها (Ontologies) و دیگر راهکارهای دسته‌بندی اطلاعات—به‌مراتب سریع‌تر می‌توانند به هوش مصنوعی‌های قابل‌اعتماد دست یابند؛ اما بسیاری از سازمان‌ها هنوز در ابتدای این مسیر هستند و باید به این موضوع توجه ویژه‌ای داشته باشند.
نکته قابل‌توجه این است که متخصصان مدیریت داده نیز به اهمیت اصول و روش‌های مدیریت دانش پی برده‌اند و خواستار ادغام این رویکردها در حوزه خود شده‌اند. جهان به ارزش مدیریت دانش آگاه شده است. در سال 2025، اولویت سازمان‌ها بیش‌ازپیش بر بهبود کیفیت محتوا و حاکمیت آن متمرکز خواهد شد تا اطمینان حاصل شود که اطلاعات ارائه‌شده توسط هوش مصنوعی، قابل‌اعتماد و قابل‌استفاده هستند.
ترمیم شکاف‌های دانشی (Filling Knowledge Gaps)
تمامی سیستم‌ها، چه مبتنی بر هوش مصنوعی و چه غیر آن به‌اندازه دانشی که در اختیار دارند، هوشمند هستند. با گسترش استفاده از هوش مصنوعی در سازمان‌ها و حذف موانع اطلاعاتی میان بخش‌های مختلف، فرصتی فوق‌العاده برای درک بهتر نیازهای دانشی کاربران فراهم می‌شود. این فراتر از تحلیل داده‌ها است؛ بلکه تمرکز اصلی آن بر تشخیص پرسش‌هایی است که سیستم قادر به پاسخگویی به آن‌ها نبوده است. هنگامی‌که دارایی‌های دانشی سازمان در سطحی یکپارچه گرد هم می‌آیند، سیستم‌های هوش مصنوعی و لایه‌های معنایی قادر خواهند بود شکاف‌های دانشی را شناسایی کنند.
این یک فرصت ارزشمند برای متخصصان مدیریت دانش است. همیشه یکی از وظایف کلیدی این حوزه، پیش‌بینی و رفع شکاف‌های دانشی بوده است؛ اما در بسیاری از سازمان‌ها، صرفاً آگاهی از ندانسته‌ها خود یک چالش بزرگ محسوب می‌شود. با افزایش همگرایی و اتصال سیستم‌ها، سازمان‌ها به‌طور ناگهانی قادر خواهند بود شکاف‌های دانشی خود و همچنین نقاط ضعف بحرانی خود را شناسایی کنند—یعنی نقاطی که در آن، تنها تعداد محدودی از کارشناسان به دانش حیاتی سازمان دسترسی دارند.
این نقشه جدید از جریان دانش و شکاف‌های آن ابزاری قدرتمند برای متخصصان مدیریت دانش خواهد بود تا اولویت‌های خود را بر اساس حیاتی‌ترین خلأهای دانشی سازمان تنظیم کنند و روند پیشرفت در پر کردن این شکاف‌ها را پایش نمایند. این فرآیند می‌تواند به مدیران دانش کمک کند تا ارزش و تأثیر واقعی خود را در سازمان نشان دهند—مثلاً اینکه چگونه سؤالاتی که قبلاً بی‌پاسخ بودند، اکنون پاسخ داده می‌شوند و چگونه نقاط بحرانی دانشی که پیش‌تر وابسته به تعداد کمی از افراد بودند، اکنون مدیریت شده‌اند.
برای درک بهتر این روند، یک سازمان یکپارچه را تصور کنید که گزارش‌های خودکاری از موضوعاتی دریافت می‌کند که کاربران به دنبال پاسخ آن‌ها بوده‌اند، اما سیستم نتوانسته است پاسخی ارائه دهد. این سازمان می‌تواند بر اساس این داده‌ها دانش ضمنی را ثبت کند، انجمن‌های تخصصی جدید تشکیل دهد، مستندات تازه تولید کند و آموزش‌های جدیدی را برای این حوزه‌ها توسعه دهد.
برای مثال، اگر در یک شرکت تولیدی، حجم سؤالات درباره یک دستگاه خاص به‌طور چشمگیری افزایش یابد، سیستم می‌تواند به متخصصان مدیریت دانش هشدار دهد. آن‌ها می‌توانند علت این افزایش را بررسی کرده و محتوای لازم را برای پاسخگویی به این نیاز تولید یا گردآوری کنند.
هوشمندترین سیستم‌ها حتی فراتر خواهند رفت و زمانی که تعداد متخصصان یک حوزه خاص در سازمان رو به کاهش است، هشدار خواهند داد که ممکن است در آینده یک شکاف دانشی ایجاد شود. این اطلاعات به سازمان کمک می‌کند تا برنامه‌های لازم برای ثبت دانش، استخدام یا آموزش کارکنان را در زمان مناسب اجرا کند و از بروز این شکاف جلوگیری نماید.
ضبط دانش پنهان با کمک هوش مصنوعی (AI-Assisted Tacit Knowledge Capture)
از اواخر دهه ۱۹۹۰، افرادی را در حوزه مدیریت دانش دیده‌ام که به دنبال خودکارسازی فرآیند ضبط دانش ضمنی هستند. با وجود نمایش‌ها و ایده‌های بسیاری که در طول دهه‌ها مطرح‌شده است، من هیچ‌گاه راه‌حل فنی‌ای پیدا نکردم که بتواند به‌طور دقیق رویکرد جمع‌آوری دانش مبتنی بر انسان را شبیه‌سازی کند. به نظر من، این روند در سال‌های آینده تغییر خواهد کرد، اما در حال حاضر، روند جذب دانش به‌صورت خودکار نیست، بلکه جذب دانش با کمک هوش مصنوعی است. در این رویکرد، هم متخصصان مدیریت دانش و هم راه‌حل‌های هوش مصنوعی نقشی حیاتی دارند. مسئولیت‌های انسان در این فرآیند شامل شناسایی لحظات ارزشمند کسب دانش، درک اینکه چه کسی آن دانش را در اختیار دارد و به‌طور خاص مشخص کردن اینکه چه چیزی باید پاسخ داده شود (و برای چه کسی) و سپس تسهیل مکالمات و ارتباطات برای انتقال آن دانش به دیگران است.
این فرآیند چیز جدیدی نیست، اما در حال حاضر به‌واسطه پیشرفت‌هایی که در مقیاس‌پذیری ایجاد شده است، این امکان فراهم‌شده که این رویکرد به‌طور وسیع‌تر و مؤثرتری اجرا شود. زمانی که هوش مصنوعی و اتوماسیون وارد فرآیندها شوند، دیجیتالی کردن این داده‌ها و دانش‌ها آسان‌تر خواهد شد. نقش راه‌حل‌های هوش مصنوعی در اینجا ضبط و رونویسی انتقال و ضبط دانش است. هوش مصنوعی به‌طور خودکار دارایی‌های جدید را به شکل دیجیتال وارد کرده و سپس از آن به‌عنوان بخشی از دانش جدید هوش مصنوعی برای ارائه به دیگران در زمان نیاز استفاده می‌کند.
با توجه به مشارکت میان متخصصان مدیریت دانش و ابزارهای جدید هوش مصنوعی، می‌توان شیوه‌ها و مفاهیمی را که زمانی تنها محدود به تعاملات انسانی بودند، به‌طور گسترده‌تری پیاده‌سازی کرده و در سازمان‌ها مقیاس‌پذیر کرد. این روند به متخصصان مدیریت دانش اجازه می‌دهد تا کارهای بیشتری انجام دهند و از تخصص خود بهره‌برداری کنند، درحالی‌که کارهای سخت و کم‌اثر را خودکار می‌کنند.
لایه‌های معنایی سازمانی (Enterprise Semantic Layers)
سال گذشته در وبلاگ روندهای مدیریت دانش، من مفهوم لایه معنایی را معرفی کردم. این مفهوم را به‌عنوان گام بعدی برای سازمان‌هایی که به دنبال قابلیت‌های دانشی فراتر از بلوغ گراف‌های دانش هستند، شناسایی کردم و آن را به‌عنوان چارچوبی بنیادی که می‌تواند هوش مصنوعی را به واقعیت برای سازمان شما تبدیل کند، معرفی نمودم. در طول سال گذشته، شاهد بودیم که این اصطلاح به‌طورجدی وارد مکالمات شده و شروع به حرکت به‌سوی مرحله تولید برای بسیاری از سازمان‌های بزرگ کرد. این روند در حال حاضر در سال ۲۰۲۵ ادامه دارد و در حال رشد است. در سال ۲۰۲۵، سازمان‌ها از مرحله نمونه‌سازی و آزمایش لایه‌های معنایی به مرحله تولید آن‌ها وارد خواهند شد. سازمان‌های پیشرفته‌تر از لایه‌های معنایی خود برای چندین راه‌حل مختلف در بخش‌های جلویی (front-end) استفاده خواهند کرد، از جمله جستجوهای هوشمند با کمک هوش مصنوعی، ربات‌های گفتگویی هوشمند، موتورهای پیشنهادات و بسیاری دیگر.
دسترسی و مجوزها (Access and Entitlements)
پس چه اتفاقی می‌افتد زمانی که با ترکیب لایه‌های معنایی، هوش مصنوعی سازمانی و بهبود شیوه‌های مدیریت دانش، یک سازمان به آنچه که در جستجوی آن بوده دست می‌یابد و دارایی‌های دانشی مختلف را که در سیستم‌های مختلف و در دوره‌های مختلف سازمان پخش شده‌اند، به هم متصل می‌کند؟ پتانسیل این امر فوق‌العاده است، اما درعین‌حال یک ریسک عمده وجود دارد. بسیاری از سازمان‌ها با مشکل جدی در زمینه دسترسی و مجوزها برای دارایی‌های دانشی خود مواجه هستند. درایوهای فایل قدیمی و سیستم‌های قدیمی محتوای تاریک و داده‌هایی را در خود دارند که باید امن نگه داشته شوند، اما به این صورت نیستند. این مشکل معمولاً زمانی که این مواد به دلیل ناتوانی در پیدا کردن و معماری نامناسب اطلاعات «پنهان» می‌شوند، نادیده گرفته می‌شود. ناگهان، وقتی‌که این مشکلات به لطف هوش مصنوعی و لایه‌های معنایی حل می‌شوند، دارایی‌های دانشی که باید ایمن بمانند، در معرض دید قرار خواهند گرفت. اگرچه این مسئله به‌طور خاص یک مشکل در مدیریت دانش نیست، اما کار مدیران دانش و دیگر افراد در سازمان‌ها برای شکستن سیلوها، اتصال محتوا در بستر مناسب و بهبود قابلیت جستجو و کشف در سازمان‌ها باعث می‌شود این مشکل دسترسی و امنیت آشکار شود. این مسئله باید به‌طور پیشگیرانه موردتوجه قرار گیرد تا سازمان‌ها از افشای مواد حساس خود جلوگیری کنند.
من پیش‌بینی می‌کنم که این مسئله در سال ۲۰۲۵ یک درس سخت برای بسیاری از سازمان‌ها باشد. همان‌طور که آن‌ها در مراحل اولیه تولید هوش مصنوعی و لایه‌های معنایی موفق می‌شوند، احتمالاً در معرض افشای اطلاعات حساس قرار خواهند گرفت. به جای اینکه دانش صحیح به افراد صحیح تحویل داده شود، ممکن است اطلاعات نادرست به افراد اشتباه ارسال شود. این ریسک و تأثیر آن می‌تواند بسیار عمیق باشد. این موضوع نیازمند آن است که متخصصان مدیریت دانش کمک کنند تا این ریسک شناسایی شود. آن‌ها نه به‌تنهایی بلکه در همکاری با دیگر افراد سازمان باید آن را شناسایی کرده و برنامه‌ریزی کنند تا از وقوع آن جلوگیری شود.
در سال 2024، بسیاری از سازمان‌ها اعلام کردند که «ما به هوش مصنوعی نیاز داریم»، «ما به یک لایه معنایی نیاز داریم» یا «می‌خواهیم فرآیندهای اطلاعاتی خود را خودکار کنیم». همان‌طور که این راه‌حل‌ها به واقعیت نزدیک‌تر می‌شوند و سازمان‌ها آگاهی بیشتری از «چگونگی» و «چرا» این مسائل پیدا می‌کنند، شاهد بلوغ بیشتری در خصوص این درخواست‌ها خواهیم بود. به جای بیان کلیات درباره فناوری و چارچوب‌های مربوطه، سازمان‌ها به تدریج شروع به فرموله کردن موردهای استفاده مشخص خواهند کرد و بیشتر بر نتایج و ارزش‌های مورد انتظار تأکید خواهند داشت. این تغییر کمک می‌کند تا این ابتکارات از آزمایش‌های جالب و اختیاری به راه‌حل‌های حیاتی و مقاوم در برابر رکود اقتصادی تبدیل شوند. مسئولیت متخصصان مدیریت دانش این است که این گفتگوها را هدایت کنند. سازمان خود را بر روی «چرا؟» متمرکز کنید و اطمینان حاصل کنید که می‌توانید راه‌حل و چارچوب موردنظر را به مشکلات خاص کسب‌وکار که قرار است حل کنند، متصل کنید و سپس این راه‌حل‌ها را به ارزش قابل‌اندازه‌گیری که برای سازمان ایجاد خواهند کرد، ربط دهید.
متخصصان مدیریت دانش در حال آماده شدن برای بازی کردن نقش مهمی در این روندهای جدید مدیریت دانش هستند. بسیاری از آن‌ها، همان‌طور که در بالا اشاره شد، از مسئولیت‌ها و مهارت‌های دیرینه مدیریت دانش استفاده می‌کنند، از جمله ضبط دانش ضمنی، طراحی طبقه‌بندی و هستی‌شناسی و همچنین حاکمیت و طراحی سازمانی. موفق‌ترین متخصصان مدیریت دانش در سال 2025 کسانی خواهند بود که این مهارت‌های سنتی را با درک عمیق‌تری از معنایابی و فناوری‌های مرتبط با آن ترکیب کنند و به اتصال رشته‌های مدیریت دانش، محتوا، اطلاعات و داده ادامه دهند، به‌عنوان پیوند دهندگان و شکست دهندگان سیلوها برای سازمان‌ها.
سازمان شما در حال حاضر در کجا قرار دارد از لحاظ این روندها؟ آیا شما در موقعیتی هستید که اطمینان حاصل کنید که در مرکز این راه‌حل‌ها برای سازمان خود قرار دارید، راه را هدایت می‌کنید و اطمینان می‌دهید که دارایی‌های دانشی به‌طور مؤثر و با زمینه‌ای با ارزش و قابل‌اعتماد به دیگران ارائه می‌شوند؟ برای کسب اطلاعات بیشتر و شروع، با ما تماس بگیرید.
منبع:
