این‌روزها مدیریت دانش فراتر از نقش سنتی خود که متمرکز بر اشتراک‌گذاری و استفاده از دانش بود، در حال رشد است. مدیریت دانش اکنون به‌عنوان پایه و اساسی برای پیشرفت در هوش مصنوعی نیز عملکرد قابل‌توجهی دارد. طی 10 سال گذشته شاهد تغییراتی در حوزه مدیریت دانش و تأثیر آن در سطح سازمانی بوده‌ایم.
این موضوع منجر به افزایش بینش نسبت به مدیریت دانش شده و ما را وادار به شناسایی راه‌های پیشرفته‌تری برای اندازه‌گیری و انتقال ارزش به رهبران سازمانی کرده است.
در همین راستا و صحه گذاشتن بر ارزش مدیریت دانش در دوره کنونی، خانم لولیت تسفایی مطالعاتی انجام داده است که نتایج حاصل‌شده هزینه‌های ناشی از کنار گذاشتن و انفعال از مدیریت دانش را در سازمان نشان می‌دهد. او گزیده‌ای از رویکردهایی را که موردمطالعه قرار داده و می‌توانند برای کمک به انتقال ارزش مدیریت دانش به‌منظور جلب حمایت مستمر، ایجاد سرمایه‌گذاری و تشویق به پذیرش، به‌خصوص در مورد بهره‌گیری از پیشرفت‌ها در هوش مصنوعی سازمانی مؤثر باشند را ارائه داده که در ادامه به آن اشاره‌شده است.
1-ارتباط مدیریت دانش با پیشرفت‌های سازمانی و اهداف هوش مصنوعی را مشخص کنید
موارد و چالش‌های استفاده از مدیریت دانش، مستقیماً به هم مرتبط و باهم اندازه‌گیری می‌شوند. این اندازه‌گیری نه‌تنها با ارزش‌های گروهی که یک ابتکار مدیریت دانشی را هدایت می‌کنند، بلکه با تأثیری که در کمک به آن‌ها دارند، مشخص می‌شود. امروزه بسیاری از سازمان‌ها بر روی هوش مصنوعی سرمایه‌گذاری می‌کنند، اما تنها 21 درصد از شرکت‌ها قادر به پذیرش هوش مصنوعی در مقیاس بزرگ هستند. چالش اصلی، فقدان استراتژی‌های روشن برای تأمین دانشی است که هوش مصنوعی از سازمان و داده‌های آن نیاز دارد. اینجاست که مدیریت دانش بیشتر قابل‌توجه واقع می‌شود. به‌طور خاص، نگاشت فعالیت‌های مدیریت دانش به اهداف و نتایج کلیدی که موفقیت‌ها را از شکست‌های ابتکارات هوش مصنوعی پیشرفته سازمانی جدا می‌کند، به سازمان‌ها این امکان را می‌دهد که تأثیر مستقیم کسب‌وکار یا بازگشت سرمایه را تا پایان ردیابی کنند.
به‌عنوان‌مثال، در یک شرکت موردمطالعه (شرکت مدیریت سهام و مالی)، یکی از اهداف سازمانی برای هوش مصنوعی، بهبود و حفظ مشتری از طریق خدمات خودکار و شخصی شده و توصیه‌های محصول بود. در این مورد، مدیریت دانش نقش کلیدی در ارائه معماری اطلاعات مناسب و رویه‌های کیفیت محتوا برای خدمت به اهداف هوش مصنوعی از طریق وب‌سایت خود ایفا کرد. برای این منظور شرکت، در پورتال مدیریت دانش اطلاعات 360 مشتری را در اختیار نمایندگان فروش خود قرار داد. این چارچوب مدیریت دانش، اکنون فروش و بازاریابی مؤثر را از طریق برنامه‌هایی مانند جستجوی معنایی و ربات‌های پرسش و پاسخ که برای افزایش قابلیت یافتن و بینش هوش مصنوعی در زمان نیاز (سلف‌سرویس) ساخته‌شده‌اند، تسهیل می‌کند، این در حالی است که به تیم‌های فروش خود امکان می‌دهد تا مکالمات معنی‌داری با مشتریان داشته باشند و چرخه‌های فروش را کوتاه‌تر کنند.
2. نقشه راه قبل و بعد را توسعه دهید
یکی از دلایلی که مدیریت دانش برای بسیاری از سازمان‌ها بیش‌ازحد انتزاعی بوده است این است که معمولاً تدریجی است و زمانی که به‌درستی انجام می‌شود چندان آشکار نیست. این امر به‌طور سنتی چند چالش را به همراه داشته است:
- معمولاً در مورد دامنه مدیریت دانش و جایی که در سازمان می‌گنجد، ناهماهنگی وجود دارد،
- افرادی که تحت تأثیر تحولات مدیریت دانش قرار می‌گیرند معمولاً برای تصور چگونگی فعالیت‌های روزانه خود مشکل دارند.
آنچه ما برای پرداختن به این واقعیت قدیمی مؤثر یافتیم، از بیانیه چابک مدیریت دانش ما (شامل: استفاده از ویژگی‌های شخصیتی کارکنان، کاربردهای موردی و غیره برای برقراری ارتباط و سنجش ارزش و تأثیر مستقیم از ابتکارات مدیریت دانش) گرفته‌شده است. این ابزارها به‌طور سنتی به ما رسانه‌ای می‌دهند تا نمایه‌های کاربر خاص را تعریف کنیم، اولویت‌ها و نقاط حساس و کلیدی آن‌ها را ثبت کرده و نمایشی بصری از مراحلی که برای تکمیل یک کار یا رسیدن به یک هدف انجام می‌دهند، ارائه دهیم.
امروزه الگوریتم‌های هوش مصنوعی می‌توانند بیشتر به ما در تجزیه‌وتحلیل این داده‌ها کمک کنند. برای این منظور اطلاعات، منابع و راه‌حل‌های مربوطه را متناسب با نیازهای کاربران آماده کرده و با بهبود اثربخشی ارائه دانش، افزایش رضایت کاربر و تعامل با سیستم‌های مدیریت دانش را فراهم کنید.
به‌عنوان نمونه وقتی برای یک شرکت مشاوره بین‌المللی کار می‌کردیم، همکاران آن‌ها (که توسط سازمان به‌عنوان دارایی‌های دانش نامیده می‌شود)، زمان قابل‌توجهی را صرف جمع‌آوری و مدیریت محتوا و داده‌ها در چندین سیستم برای ارائه گزارش‌ها و توصیه‌هایی به مشتریان مربوطه خود می‌کردند. ما یک نقشه راه دیجیتالی ایجاد کردیم تا نشان دهیم که چگونه مدیریت دانش، فرآیند تجزیه‌وتحلیل را به مراحل قابل هضم، ساده کرده و از داشبوردهای تحلیلی استفاده می‌کند و درعین‌حال تغییر در فرآیند و تأثیر بر وظایف تجزیه‌وتحلیل آن‌ها را نیز نشان می‌دهد.
3.کارهای در حال انجام را نشان دهید
تجسم مدیریت دانش اغلب دشوار است، به‌ویژه در مراحل اولیه تدوین یک استراتژی و پروژه طراحی مدیریت دانش، زیرا درحال‌توسعه بوده و نتایج قابل‌مشاهده نیست. یکی از راه‌های مؤثر برای نشان دادن ارزش مدیریت دانش، نشان دادن کار در حال پیشرفت و افزایش بهره‌وری است. ما این کار را در استراتژی‌های مدیریت دانش خود از طریق درس‌های آموخته‌شده، طرح‌های کلی الگوهای استراتژی و رویکردها و اندازه‌گیری معیارهای اولیه فرآیند یا فعالیت مانند سطح مشارکت در برنامه مدیریت دانش انجام می‌دهیم. ابزارهای تجزیه‌وتحلیل مبتنی بر هوش مصنوعی مانند نرخ استفاده، محتوا و عملکرد تعامل و آستانه تعامل به استخراج بینش عملی از مقادیر گسترده راه‌حل‌ها و داده‌های مدیریت دانش کمک می‌کنند و به درک عمیق‌تری از الگوهای استفاده از دانش، شکاف‌های محتوا و رفتار کاربر کمک می‌کنند. این به ما کمک می‌کند تا مشخص کنیم که چگونه این بینش‌ها می‌توانند بر تصمیم‌گیری تأثیر بگذارند و استراتژی‌های مدیریت دانش را در یک آهنگ منظم، بهبود بخشند. راه دیگر برای نشان دادن پیشرفت فزاینده شامل برجسته کردن مراحل مختلف فرآیند مدیریت دانش و ایجاد نقاط عطف مرحله‌ای و موفقیت‌های کوچک در تلاش‌های بزرگ‌تر مدیریت دانش و هوش مصنوعی است. این به تیم برنامه اجازه می‌دهد تا پروژه‌ها را به نقاط عطف یا فازهای کلیدی تقسیم کرده و تکمیل هر نقطه عطف را دنبال کند. استفاده از چارچوب تحویل چابک برای تلاش‌های مدیریت دانش و هوش مصنوعی به‌خوبی به برنامه‌ریزی و نمایش کار کمک می‌کند. به‌عنوان‌مثال، برای بسیاری از مشتریانمان، راه‌حل‌های بلندمدت مدیریت دانش را به چندین مرحله تقسیم می‌کنیم: با ۱ تا ۲ فرآیند یا انواع نقش شروع می‌کنیم و یک رویکرد هوش مصنوعی را تعریف می‌کنیم (به‌عنوان‌مثال، خودکار کردن برخی از ویژگی‌ها مانند تولید خودکار محتوا و برچسب‌گذاری)، سپس فرآیندها، نقش‌ها و مسئولیت‌ها، گردش‌های کاری در حال تأیید و انتشار در سیستم‌های مختلف را به‌صورت آزمایشی نشان می‌دهیم.
4. مدیریت دانش را «قابل کلیک» / قابل نمایش کنید
دلیل شکست تلاش‌های مدیریت دانش معمولاً به چندین چالش رایج نسبت داده می‌شود:
تلاش برای یافتن یک نقطه شروع خوب برای اجرای یک تحول بزرگ.
عدم مشارکت زودهنگام و مداوم کاربران نهایی و یا استفاده از روش‌ها و ابزارهای نامناسب برای تعامل با کاربر.
ناتوانی در پیش‌بینی موانع فنی هنگام برنامه‌ریزی استراتژی‌های مدیریت دانش.
یکی از راه‌های مؤثر برای رسیدگی به این چالش اولیه مدیریت دانش، تعریف مجموعه‌ای از نمونه‌های اولیه و آزمایش‌کننده‌هایی است که برای هفته‌ها و ماه‌ها زمان‌بندی می‌شوند، دامنه محدودی را ارائه می‌دهند و با استفاده از راه‌حل‌های قابل‌مشاهده و نشان دادن سریع ارزش به سهامداران تمرکز دارند. کاوش در فن‌آوری‌ها و شیوه‌های جدید. یک نمونه اولیه یا آزمایشی نمایش به کاربران اجازه می‌دهد تا راه‌حل مدیریت دانش را تجسم کنند و مستقیماً با آن تعامل داشته باشند و ذینفعان را قادر می‌سازد تا مدیریت دانش را در عمل ببینند و مزایای آن را از نزدیک تجربه کنند. نمونه‌های مشخصی که ما از نمونه‌های اولیه قابل کلیک / قابل‌مشاهده که برای راه‌حل‌های مدیریت دانش به کار گرفته‌ایم عبارت‌اند از: جستجوی ساده با استفاده از ابزار منبع باز، چت‌بات‌های مبتنی بر مدل‌های زبان بزرگ LLMکه پاسخ‌های مستقیم به سؤالات کاربر خاص (مدل‌سازی شده برای محتوا و زمینه سازمان با استفاده از نمودارهای دانش) ارائه می‌دهند. شخصی‌سازی برای پروفایل‌های کاربر منتخب و داشبورد برای نیازهای گزارش‌گیری انتخابی.
هوش مصنوعی به‌طور خاص به سازمان‌ها، مجموعه‌ای از ویژگی‌ها و قابلیت‌ها را ارائه می‌کند تا مدیریت دانش را نه‌تنها ملموس، بلکه با ارائه گزینه‌هایی برای پیمایش دانش به روش موردعلاقه کاربران، راحت‌تر کند. برای مثال، ما از ویژگی‌های هوش مصنوعی مانند پردازش زبان طبیعیNLPو تجزیه‌وتحلیل متن برای بهبود جستجو تجربه، استفاده می‌کنیم و به کاربران اجازه می‌دهیم از طریق صدا، ربات‌های چت، توصیه‌های شخصی‌سازی‌شده و جستجوهای داشبورد به اطلاعات دسترسی داشته باشند.
5. از هوش مصنوعی برای اندازه‌گیری و یادگیری از موفقیت‌های اولیه (و همچنین شکست‌ها) استفاده کنید
بیشتر موفقیت پروژه‌های مدیریت دانش، از یافتن روشی مرتبط و قابل‌اعتماد برای اندازه‌گیری سرمایه‌گذاری و تأثیر مدیریت دانش یا ایجاد یک مورد تجاری برای مدیریت دانش است که برای رهبری شرکت قابل‌مشاهده باشد. این موضوع از اهمیت ویژه‌ای برخوردار است زیرا حوزه‌ای است که به‌شدت به تجربیات و معیارهای دنیای واقعی وابسته است.
و همه بخش‌های سازمان را به‌منظور درک و توجیه واقعی سرمایه‌گذاری سازمانی موردنیاز مدیریت دانش به هم پیوند می‌دهد. اگرچه اندازه‌گیری ارزش مدیریت دانش از طریق معیارهای تجاری سنتی مانند صرفه‌جویی در هزینه‌های مستقیم، بهبود کارایی، افزایش بهره‌وری یا رشد درآمد ملموس نسبتاً آسان است، پیشرفت‌های هوش مصنوعی اکنون به سازمان‌ها اجازه می‌دهد تا پایگاه‌های داده‌ای که قبلاً ذخیره‌شده بودند را به هم متصل کنند تا بتوان دستاوردها و نتایج بهتری را به دست آورد. امروزه، اکثر پلتفرم‌های مدیریت دانش در بازار دارای نوعی اتوماسیون یا هوش مصنوعی هستند تا به سازمان‌ها در اندازه‌گیری پیشرفت، ردیابی فعالیت‌ها و ایجاد بینش از ذخایر فنی و سیستم‌های مدیریتی خود، ازجمله سیستم‌های مدیریت ارتباط با مشتری، سیستم‌های مدیریت اسناد یا محتوا، پایگاه‌های دانش و یا پورتال‌های دانش. کمک کنند.
راه‌حل‌های هوش مصنوعی سازمانی به‌طور خاص برنامه‌های مدیریت دانش را باقابلیت پیوند دادن شاخص‌ها و روندهای اولیه از طریق قابلیت‌های ردیابی ابری، تجسم داده‌ها از طریق واقعیت افزوده/مجازی (دوقلوهای دیجیتال) و نظارت بر داده‌ها، تجزیه‌وتحلیل ذخیره‌سازی و ویژگی‌های امنیتی ارائه می‌کنند. تصور یک پورتال مدیریت دانش زنده یا راه‌حلی که بر اساس الگوریتم‌ها و تجزیه‌وتحلیل‌ها، به‌وسیله آنچه از کاربران و برنامه‌های کاربردی مربوطه تولید می‌کند، به بهبود خود ادامه می‌دهد، دیگر یک رویا نیست، با اتصال این پایگاه‌های داده با مدیریت دانش دیجیتال، می‌توانید اقدامات پیشرفت و فعالیت را تعبیه کنید.
تا بتوان سلامت کلی برنامه‌های سازمان را ارزیابی کنند، قابلیت استفاده از فرآیندها و راه‌حل‌های مدیریت دانش را بهبود بخشند و مراحل بعدی را با تکامل راه‌حل‌ها و نقشه راه مناسب، برنامه‌ریزی و مدیران سازمان را از آنچه موردنیاز است باخبر سازند.
نتیجه
نکته اصلی این است که برنامه‌ها و تحولات مدیریت دانش نیازمند سرمایه‌گذاری در منابع و فناوری سازمانی در داخل و خارج از سازمان شما هستند. به‌این‌ترتیب، نشان دادن ارزش مدیریت دانش مستلزم یک رویکرد استراتژیک است که با تغییرات فناوری تکامل می‌یابد، با اهداف سازمانی همسو می‌شود و منافع ملموس را نشان می‌دهد. معیارهای مدیریت دانش مناسب برای انتخاب و پیگیری به آنچه برای سازمان شما معنادار است بستگی دارد. برای مثال، اندازه‌گیری پیشرفت ازنظر بازگشت سرمایه ROI در شرکت‌های تجاری بیشتر از بخش عمومی یا سازمان‌های غیرانتفاعی مرتبط است. مفیدترین شاخص‌ها و رویکردهای ارزش، احتمالاً ترکیبی از عوامل در سراسر مثال‌های فوق‌الذکر هستند و به فرهنگ سازمان شما بستگی دارد، اینکه موفقیت بلندمدت چه معنایی برای سهامداران مختلف دارد (مدیریت ارشد، مشارکت‌کنندگان عملیاتی یا فردی، مشتریان و تأمین‌کنندگان) و به چه داده‌هایی برای متقاعدشدن نیاز دارند، با ساختن یک پایلوت قابل کلیک، مبتنی بر موارد استفاده و شخصیت‌ها، گره زدن آن به اهداف سازمانی و به‌کارگیری قابلیت‌های هوش مصنوعی نوظهور، سازمان‌ها می‌توانند نشان دهند که چگونه مدیریت دانش فرآیندها، نتایج و در نهایت نتیجه را بهبود می‌بخشد.
