این روزها یک فرض خطرناک در اتاقهای هیئتمدیره در حال گسترش است؛ فرضی که تقریباً اینگونه بیان میشود:
«ما هوش مصنوعی داریم؛ دیگر به این تعداد نیروی انسانی نیاز نداریم.»
در ظاهر، این تصمیم هوشمندانه و مالی به نظر میرسد: کاهش تعداد کارکنان، کاهش هزینهها و سپردن جای خالی نیروها به فناوری. اما وقتی افرادی که حذف میشوند معماران ارشد، مهندسان، مدیران برنامه و خبرگان موضوعی سازمان هستند، سازمانها در واقع همان زیربنایی را تضعیف میکنند که هوش مصنوعی اساساً برای کارکرد مؤثر به آن وابسته است. هوش مصنوعی نیاز به تخصص را از بین نمیبرد؛ بلکه این توهم را از میان برمیدارد که میتوان بدون ثبت و حفظ دانشِ تخصصی به حیات سازمانی ادامه داد و سازمانها زمانی متوجه این واقعیت خواهند شد که دیگر خیلی دیر شده است.
ماحصل خروج سرمایههای فکری از سازمان
وقتی یک مهندس یا معمار ارشد از سازمان خارج میشود، فقط کارت شناسایی و لپتاپش را با خود نمیبرد. او سالها تصمیمِ مستندسازینشده را نیز با خود میبرد؛ زمینه و منطقی را که توضیح میدهد چرا سیستمها به شکل فعلی طراحی و پیادهسازی شدهاند؛ درسآموختههای حاصل از هر مهاجرت ناموفق، هر تشدید مسئله از سوی مشتری و هر راهحل موقتی که بهتدریج به یکرویه استاندارد تبدیل شده است. او پاسخ پرسشهایی را نیز با خود میبرد که هنوز کسی به فکر طرحکردنشان نیفتاده است. اگر این دانش هرگز ثبت، ساختاربندی یا قابل بازیابی نشده باشد، ازدسترفته است؛ تمام.
بله ممکن است بخشهایی پراکنده از کار آنها در سامانهها باقیمانده باشد؛ تیکتها، لاگها و خروجیها. اما زمینهای که به این قطعات پراکنده معنا میبخشد، کجاست؟ این زمینه فقط در ذهن افراد وجود دارد و وقتی آنها سازمان را ترک میکنند، آن بخش نیز از دست میرود.
هیچ ابزار هوش مصنوعی نمیتواند چیزی را بازیابی کند که هرگز مستندسازی نشده است. هیچ مدل زبانی بزرگی نمیتواند حافظه سازمانیای را آشکار کند که هیچگاه ایجاد نشده است. شما نمیتوانید به دنبال دانشی بگردید که در هیچ سامانهای وجود ندارد.
پارادوکس هوش مصنوعی
این همان تناقضی است که بهعنوان یک فعال حوزه مدیریت دانش، شبها خواب را از چشمانم میگیرد: سازمانهایی که به نام هوش مصنوعی در حال تعدیل نیروی انسانیاند، همان سازمانهایی هستند که سالها در مدیریت دانش سرمایهگذاری کافی نکردهاند. آنها هیچگاه فرهنگ مستندسازی را ایجاد نکردند؛ هیچوقت سازوکارهای حکمرانی دانش را مستقر نساختند؛ و زیرساخت لازم برای ثبت و انتقال دانشی را که در ذهن کارکنانشان وجود دارد، فراهم نکردند.
و اکنون، روی هوش مصنوعی شرط بستهاند تا این شکاف را پر کند.
اما حقیقت تلخ این است: تکتک افرادی که اکنون از سازمان خارج میشوند، دانشی سازمانی را با خود میبرند که بهاحتمال زیاد هرگز ثبت نشده است. مهندس ارشدی که میدانست چرا معماری سیستم به آن شکل طراحی شده است؛ مسئول عملیات که راهحلهای موقتیِ مؤثر برای حفظ تداوم کار را میشناخت؛ مدیر موفقیت مشتری که سالها زمینه و سابقه تعامل با مشتریان را در ذهن خود نگه داشته بود؛ و مدیر پروژهای که از همه مسائل پنهان، گرههای حلنشده و واقعیتهای ناگفته پروژه خبر داشت.
هیچیک از اینها در یک سامانه ثبت نشده است و وقتی این افراد سازمان را ترک میکنند، دانششان به هوش مصنوعی منتقل نمیشود؛ بلکه ناپدید میشود
هوش مصنوعی تنها بهاندازه دانشی قدرتمند است که به آن دسترسی دارد. برای تولید خروجیهای دقیق، به محتوایی پاک، ساختاریافته و برخوردار از حکمرانی مناسب نیاز دارد. برای مفیدبودن، به زمینه و بستر اطلاعاتی نیاز دارد.
و دقیقاً به همان چیزی نیاز دارد که هرگز در اولویت قرار نگرفت و اکنون با خروج شمار زیادی از افراد، با سرعتی نگرانکننده در حال ترک سازمان است.
منصفانه اگر نگاه کنیم، هوش مصنوعی مدرن میتواند با دادهها و ورودیهای ناقص، بیش از آنچه اغلب افراد تصور میکنند کار کند. میتواند برای یافتن الگوها، تیکتها، توضیحات کد، متن تماسها و گزارشهای رخداد را تحلیل و استخراج کند. همچنین میتواند بر پایه ردپاهای دیجیتالیای که هیچگاه به طور رسمی مستند نشدهاند، پاسخهایی تقریبی ارائه دهد.
اما تقریب، دقت نیست. در صنایع تحت مقررات، محیطهای پیچیده سازمانی یا موقعیتهای عملیاتیِ حساس، فاصله میان یک پاسخ تقریبی و یک پاسخ درست، دقیقاً همان نقطهای است که ریسک کسبوکار در آن شکل میگیرد.
هوش مصنوعی بدون حکمرانی، منشأ و قابلیت ردیابی دانش، و زمینه کافی، راهبرد مدیریت دانش نیست؛ بلکه تعهد و ریسکی است که لباس یک میانبُر را بر تن کرده است.
این مسئله، مشکل هوش مصنوعی نیست؛ بلکه بحرانی در مدیریت دانش است که هوش مصنوعی بهزودی نادیدهگرفتن آن را ناممکن خواهد کرد. روشن است که همه مدیرانی که چنین تصمیمهایی میگیرند، از این ریسک بیاطلاع نیستند. برخی آگاهانه در حال انجام یک محاسبه و پذیرش یک ریسک هستند؛ آنها افت بهرهوری را در ازای کاهش فوری هزینهها میپذیرند. مسئله، نبود آگاهی نیست؛ مسئله، مدلی است که برای محاسبه هزینه به کار میرود. زیان ناشی از ازدسترفتن دانش، در همان فصلی که رخ میدهد در ترازنامه نمایان نمیشود؛ بلکه بهمرور انباشته و تشدید میشود. حدود ۱۸ ماه بعد، خود را در قالب افت کیفیت خروجیها، افزایش نرخ خطاها و هزینه سرسامآورِ بازسازی دانشی نشان میدهد که همراه افراد از سازمان خارج شده است. مدیرانی که در حال ارزشگذاری این ریسک هستند، آن را بیش از حد ارزان، با افق زمانی بیش از حد کوتاه، و بدون درنظرگرفتن پیامدِ خروج همزمان دهها خبره از سازمان محاسبه میکنند. این راهبرد نیست؛ یک خطای محاسباتی است.
سازمانها بهجای آن چه باید انجام دهند؟
پیش از نهاییشدن هر تصمیم برای کاهش نیروی انسانی، مدیران باید یک پرسش اساسی مطرح کنند: آیا دانشی را که این فرد در اختیار دارد، ثبت کردهایم؟
منظور صرفاً شرح وظایف او یا فهرست پروژههایش نیست؛ بلکه منطق و استدلال پشت تصمیمهای او، زمینه سازمانیای که با خود حمل میکند و دانش فرایندیای که در کار روزمرهاش نهفته است نیز اهمیت دارد. این کار به یک راهبرد مدیریت دانش نیاز دارد، نه صرفاً یک بسته مزایای پایان همکاری. سازمانهایی که در عصر هوش مصنوعی پیشتاز خواهند بود، الزاماً آنهایی نیستند که سریعتر نیروهای خود را تعدیل میکنند؛ بلکه سازمانهاییاند که پیش از ازدستدادن افرادی که حامل دانش هستند، در ثبت، حکمرانی و انتقال دانش سرمایهگذاری میکنند. آنها هوشمندی سازمانی را یک دارایی راهبردی میدانند، نه موضوعی که بتوان آن را به حاشیه راند.
سخنی با فعالان مدیریت دانش
اگر تاکنون برای بهدستآوردن جایگاهی در میز تصمیمگیری تلاش کردهاید، اکنون زمان شماست. پیامدهای نادیدهگرفتن مدیریت دانش دیگر صرفاً نظری و فرضی نیستند؛ این پیامدها همین حالا، در شرکتهای واقعی، با آثار واقعی مالی و عملیاتی در حال وقوعاند. این پیامدها را مستند کنید. آنها را کمیسازی کنید و با فوریتی که شایسته آن است، به مدیران ارشد ارائه دهید و اگر سازمان شما هماکنون در میانه این مواجهه و بازنگری دشوار قرار دارد، بدانید که امکان جبران وجود دارد. اما بازیابی، به سرمایهگذاری آگاهانه و هدفمند در زیرساخت دانش نیاز دارد؛ نه صرفاً در ابزارهایی که بر بستر آن قرار میگیرند.
اگر آسیب از پیش وارد شده است
اگر سازمان شما پیشتر این تعدیلها را انجام داده است، اکنون زمان حسرت خوردن نیست؛ زمان اقدام فوری و کنترل خسارت است. سامانههای خود را برای یافتن ردپاهایی از دانش خبرگانی که سازمان را ترک کردهاند، کاوش کنید: تیکتها، مستندات معماری، تماسهای ضبطشده، و زنجیره ایمیلهایی که در صندوقهای مشترک مدفون شدهاند. افرادی را که همچنان در سازمان حضور دارند و میتوانند این پیشینه را تفسیر کنند، شناسایی کنید و پیش از آنکه آنها نیز خارج شوند، دانششان را ثبت کنید. حتی اگر در حد یکرویه سبک و اولیه است، همین حالا یک نظام مدیریت دانش راهاندازی کنید؛ زیرا اگر همچنان بدون چنین سازوکاری فعالیت کنید، موج بعدی خروج کارکنان، آسیب بیشتری از موج قبلی وارد خواهد کرد.
بازیابی ممکن است؛ اما به اقدامی سنجیده و هدفمند نیاز دارد، نه این فرض که هوش مصنوعی خودبهخود همه چیز را حل خواهد کرد.
نکته اصلی
هزینه تعدیل دانش سازمانی، ردیفی در یک صفحه گسترده یا صورتهای مالی نیست. این هزینه بعدها آشکار میشود: در افت کیفیت خدمات، تکرار خطاها، ناکامی در فرایندهای ورود و توانمندسازی کارکنان جدید، و فرسایش تدریجی مزیت رقابتی. تا زمانی که بیشتر سازمانها این واقعیت را بهوضوح ببینند، خبرگان مدتهاست که رفتهاند؛ دانش نیز دیگر قابل بازیابی نیست و هیچ میزان سرمایهگذاری در هوش مصنوعی نمیتواند شکافی را پر کند که حاصل سالها غفلت بوده است. دیگر پرسش این نیست که آیا سازمان شما به یک راهبرد مدیریت دانش نیاز دارد یا نه؛ پرسش این است که آیا هنوز افرادی در سازمان باقیماندهاند که بتوانند آن را بسازند؟
