مدیریت دانش از دهه 80 به تدریج وارد سازمان‌های ایرانی شد. از دهه 90 پرداختن به مدیریت دانش در کشور رشد بیشتری گرفت؛ چناچه طی سال‌های اخیر سازمان‌ها مطالبه‌گرتر و هدفمند‌تر از قبل، به دنبال بهره‌گیری از راهکارهای مدیریت دانش هستند.
در حال حاضر شرکت‌های ایرانی – که اقدام به پیاده‌سازی مدیریت دانش کرده‌اند – به ویژه سازمان‌های با بلوغ سازمانی بالاتر، لازم است به مرور از اقدامات و راهکارهای اولیه فراتر بروند. به نظر نویسنده، سازمان‌هایی در آینده مدیریت دانش موفق خواهند بود که هوشمندانه‌تر، دانش خود را مدیریت کنند. وقتی صحبت از «مدیریت هوشمند مدیریت دانش» می‌شود، از دو منظر قابل تفسیر است.
اول انجام اقدامات موثرتر و خلاقانه‌تر و اجتناب از اقدامات کم ارزش است. به‌عنوان مثال، مستندسازی تجربیات خبرگان به شکلی که در حال حاضر متداول است، چندان اثربخش و هوشمندانه به نظر نمی‌رسد. دسترسی به دانش حداقلیِ خبرگان، از طریق پیاده‌سازی و پالایش مصاحبه‌ها و تبدیل آن به یک کتابچه، علی‌رغم سخت و طاقت فرسابودن کار برای دست اندرکاران، برای سازمان کم اثر است؛ بگذریم از این موضوع که بسیاری از سازمان‌های متقاضی مدیریت دانش، اصرار زیادی به مستندسازی تجربیات خبرگان خود دارند.
واقعیت این است که راهکارهای هوشمندانتری نیز برای آن وجود دارد؛ بهره‌گیری از تکنیک‌های پیشرفته استخراج دانش و استفاده از ابزارهای جذاب‌ترِ اشتراک دانش خبرگان می‌تواند جایگزین کتابچه‌های تجارب خبرگان فعلی شود.
به طور کلی، از منظر نخست هوشمندانه عمل کردن، «انجام کار درست و کار درست انجام دادن» به طور توامان، مد نظر است. جاییکه سازمان با روش علمی و تجربه شده به پیاده‌سازی مدیریت دانش ورود می‌کند و در مسیر اجرا نیز چابک عمل می‌کند؛ از هر مسیری که بهتر و هوشمندانه‌تر است. به این ترتیب خود را لزوما مقید به فعالیت‌های از پیش تعریف شده نمی‌کند، بلکه طی اجرا، یاد می‌گیرد و خود را اصلاح می‌کند. اگر ابزاری ابتدا انتخاب شد که به کار سازمان نمی‌آید، آن را کنار می گذارد و به آن ابزار تعصب ندارد. اصولا ابزار را اصل نمی‌گیرد و هدف خود را پیدا کردن روش‌هایی می‌داند که به انتقال بهتر دانش کمک می‌کند. این مهم به حضور متولی باهوش و توانا و مشاور دلسوز و دانا نیاز دارد.
منظر دوم در مدیریت هوشمند دانش، که تمرکز اصلی این نوشتار بر آن است، به ابزارهای نوین، مبتنی بر هوش مصنوعی اشاره دارد. همین حالا هم ابزارهای هوش مصنوعی و زیرمجموعه آن از جمله یادگیری ماشینی، درحوزه‌های کاربردی متعدد درکشورهای جهان اول به میدان آمده‌اند و به زودی در تمام کشورها فراگیر می‌شوند. این زمان برای ایران در صورتیکه محدودیت‌های اعمال شده اینترنت اجازه دهد، بیش از دو سه سال نیست. در آینده نزدیک هوش مصنوعی رویکردهای اجرایی را در بسیاری از صنایع تغییر خواهد داد و بنابراین لازم است از اکنون متولیان مدیریت دانش به عنوان یکی از ارکان رشد و یادگیری سازمان‌ها، به آن توجه کنند. به این منظور لازم است در خصوص کمک‌هایی که هوش مصنوعی به پیاده‌سازی مدیریت دانش می کند داشته باشند، توجه و تامل صورت گیرد.
مقالات متعدد در زمینه ارتباط بین مفهوم مدیریت دانش و هوش مصنوعی در وب سایت دانا در دسترس است و علاقه‌مندان به این حوزه می‌توانند با مطالعه آن راهکارهایی عملی برای استفاده از این رویکرد نوین را پیدا کنند.
با این وجود هدف این نوشتار، ارائه یک دیدگاه به تصمیم‌گیران سازمانی است تا در هنگام پیاده‌سازی مدیریت دانش، زمانیکه بنا دارند تا نیازهای خود را از اجرای مدیریت دانش مثلا در RFP، تدوین کنند، درخواسته‌های حرفه‌ای‌تری داشته باشند و البته با شناخت اولیه نسبت به کارکرد هوش مصنوعی، به دنبال این باشند که چگونه می‌توانند از ابزارهای هوش مصنوعی در سازمان خود استفاده کنند.
یکی از مزایای استفاده از هوش مصنوعی در مدیریت دانش، بهبود دسترسی به دانش است. با استفاده از الگوریتم‌های یادگیری ماشینی و شبکه‌های عصبی مصنوعی، می‌توان سیستم‌هایی را توسعه داد که قادر به جستجوی و استخراج دانش از منابع مختلف هستند. هوش مصنوعی این امکان را فراهم می‌کند که در هر زمان و در هر مکان، دسترسی سریع و آسان به دانش مورد نیاز را داشته باشیم. همچنین، هوش مصنوعی می‌تواند در به اشتراک‌گذاری دانش نقش مهمی ایفا کند. سیستم‌های توصیه‌گر مبتنی بر هوش مصنوعی می‌توانند به کارمندان سازمان کمک کنند تا دانش و تجربیات خود را با همکاران خود به اشتراک بگذارند. این سیستم‌ها می‌توانند بر اساس تجربیات گذشته و پروفایل‌های فردی، مطالب و منابع مناسب را به کارمندان پیشنهاد دهند و فرآیند به اشتراک گذاری دانش را تسریع کنند.
پردازش زبان طبیعی، هوش مصنوعی می‌تواند در تجزیه و تحلیل متون و اطلاعات موجود در سازمان به کار گرفته شود. این فناوری می‌تواند به تشخیص موضوعات، استخراج اطلاعات مفید و خلاصه‌سازی متون کمک کند. همچنین، سیستم‌های پردازش زبان طبیعی می‌توانند در فرآیندهای خودکارسازی مدیریت دانش نیز استفاده شوند. برای مثال، سیستم‌های خودکارسازی می‌توانند به طور خودکار مطالب مرتبط را دسته‌بندی کرده و برچسب‌های مرتبط را به آنها اختصاص دهند. این عمل باعث سرعت بخشیدن به فرآیند دسته‌بندی و سازماندهی دانش می‌شود و بهبودی در دسترسی و استفاده از آنها ایجاد می‌کند.
در ادامه به برخی از موقعیت‌هایی که سازمان‌ها می‌توانند با تمرکز روی آنها به نتایج بهتر برسند اشاره شده است. بدیهی است این نوشتار تنها برشی به این موضوع است، به این امید که بتواند سرنخ هایی را به متولیان مدیریت دانش در شرکت‌های ایرانی ارائه بدهد.
1)هوش مصنوعی دسترسی به دانش‌های فنی موجود در شرکت‌ها با سرعت بالا را میسر و امکان بازتولید دانش درست در زمان مورد نیاز را فراهم می‌کند. در مراجعه به شرکت‌های بخش‌های مختلف صنعت در کشور، مدیران و کارشناسان به وجود حجم زیاد اسناد و مدارک شامل کاتالوگ‌های فنی، روش‌های اجرایی، دستورالعمل‌ها و راهنماهای کار با تجهیزات و ماشین آلات و غیره در آرشیو اسناد شرکت خود از یک سو و از سویی عدم آشنایی بخش قابل توجه‌ای از کارشناسان و تکنسین‌ها از آن مستندات (بخوانید دانش آشکار) اشاره می‌کنند.
به طور کلی یکی از چالش‌های اصلی برخی از شرکت‌های ایرانی، عدم دانستن آن چیزی است که در سازمان خود دارند ولی از آن اطلاع ندارند و یا در زمان درست، به آن دسترسی ندارند. یک ماشین یادگیرنده، می‌تواند اطلاعات موجود را درک و متناسب با سوال مخاطب، اطلاعات را فرابخواند. درست مانند آن چیزی که در GPT اتفاق می‌افتد.
در بخشی از مقاله «مدیریت دانش و هوش مصنوعی، دو روی یک سکه»، در کاربرد هوش مصنوعی در مدیریت دانش، به نمونه‌های مختلفی اشاره کرده است از جمله در بانک جهانی که در آن، تیم مدیریت دانش توانسته است به کمک هوش مصنوعی، به دانش مورد نظر خود در میان تعداد زیادی از دانش آشکار موجود خود، سریع و مناسب دسترسی پیدا کند. «تیم مدیریت دانش بانک جهانی، فعالیت اصلی بانک و نیازهای برآورده نشده آن را مشخص کرده است. استفاده مجدد از دانش موجود هنگام هدایت یک پروژه جدید. در طول سال‌ها بانک جهانی بیش از ۲۲۰۰۰ پروژه را اجرا کرده است. مرتب‌سازی دستی تمام اطلاعات از پروژه‌های مختلف و ارائه ده پروژه برتر مورد بررسی، همراه با مرتبط‌ترین اطلاعات و دانش در هر یک، فرآیندی طولانی است. بسته دانش «پیش‌طراحی بانک جهانی» مجموعه‌ای از دانش است که از منابع متعدد جمع‌آوری شده است و بر جنبه‌های مختلف پروژه‌های گذشته از طریق رویکرد KM-AI تمرکز دارد.
شناسایی دانش با استفاده از ترکیبی از الگوریتم‌های پیشرفته یادگیری ماشین بدون نظارت و مدیریت دانش دستی انجام شده است. این اتفاقی است که در آینده نزدیک انتظار می‌رود در شرکت‌های ایرانی نیز مورد استفاده قرار گیرد.
2)شرکت‌ها و سازمان‌های کشور که دارای خبرگان محدود هستند و از سویی شکاف‌های دانشی در بیشتر حوزه‌ها خود دارند، نیاز به تزریق دانش بیرون سازمانی را بیش از پیش احساس می‌کنند. در این سازمان‌ها اصولا دانش زیادی در بین خبرگان وجود ندارد که بتوان آن را بین افراد به کمک ابزارهای تعاملی انتقال داد. در این حالت، پرس و جو و سوال از هوش مصنوعی که دسترسی به دانش بیرون سازمانی را دارد کمک کننده است. در حال حاضر این امکان در «نرم افزار مدیریت دانش دانا» وجود دارد. کاربران می‌توانند از افزونه هوش مصنوعی این نرم افزار، ابهامات خود را در کار، سوال کنند و سرنخ‌های خوبی را در پاسخ هوش مصنوعی دریافت کنند.
این قابلیت در آینده نزدیک بیشتر و بیشتر توسعه پیدا می‌کند. بهره گیری از «خبره مصنوعی» حتی در شرکت‌های دارای بار دانشی بالا می‌تواند به عنوان یک عضو ویژه حضور داشته باشد. انتظار می‌رود به زودی این عضو ویژه در جلسات تعاملی از قبیل کافه دانش مورد استفاده قرار گیرد. کافه دانشی را در نظر بگیرید که یک عضو هوشمند مجازی نیز در آن حضور دارد که نه تنها به دانش آشکار درون سازمانی دسترسی دارد و از آن یادگرفته است و می‌تواند گزارش‌های خوبی را ترکیب و ارائه کند، بلکه به دانش بیرون سازمانی -حداقل به بخشی از آن که در فضای مجازی دسترسی آزاد وجود دارد نیز دسترسی دارد.
البته این موضوع نیاز به ورژن‌های جدیدتر هوش مصنوعی دارد. به عنوان مثال در حال حاضر نسخه سوم GPTقادر نیست کلیه انتظارات را برآورده کند و نسخه چهارم آن نیز در حال کامل‌تر شدن است.
۳ )در انتقال دانش پنهان به آشکار، نقش ماشین‌های ثبت کننده و به صورت کدگذاری شده می‌تواند مستندسازی دانش را از اقدامی سخت و زمان‌بر، به کاری راحت برای کارشناسان مدیریت دانش تبدیل کند. در حال حاضر راهکارهایی برای انتقال «به هنگام» دانش متخصصان به یک نوشتار ساختارمند محقق شده است. از جمله کلاه‌های هوشمند اسکانیا که به راحتی اطلاعات فنی تکنسین‌ها و مهندسین را ثبت و کدگذاری می‌کند. این راهکار در کشور ما هنوز عملیاتی نشده است ولی انتظار می‌رود بهره‌گیری از وسیله‌های هوشمند در ارتباط با تبدیل دانش ضمنی به آشکار به زودی فراگیر شود.
4)همانطور که در چهار بند قبل ملاحظه شد، هوش مصنوعی راهکارهایی برای انتقال دانش پنهان به دانش آشکار، دانش آشکار به دانش پنهان و همچنین تبدیل دانش آشکار به دانش آشکار و حتی تبدیل دانش پنهان به دانش پنهان دارد. انتظار می‌رود سرعت رشد و بالغ شدن سازمان‌ها از زمان ایجاد نظام مدیریت دانش تا فراگیر شدن آن با بهره‌گیری از هوش مصنوعی نیز فراگیرتر شود.
