حالا فرض کن تو یه سازمان کار می‌کنی که کلی اطلاعات و دانش مهم داره؛ باید اینا رو جمع کنه، تو دسترس بذاره و با بقیه به‌اشتراک بذاره. اینجاست که مدیریت دانش (همون KM یا Knowledge Management) مهم می‌شه. ولی این روزا یه بازیکن تازه نفس و باهوش اومده کنارمون: هوش مصنوعی یا همون AI!
هوش مصنوعی کلی روش خفن داره؛ مثل Machine Learning (یعنی یادگیری ماشینی، سیستمی که با دیدن داده و تجربه خودش می‌تونه یاد بگیره)، Neural Networks (شبکه‌های عصبی که تقریباً مغز انسان رو شبیه‌سازی می‌کنن) و Fuzzy Logic (منطق فازی، یعنی همه چیز باینری و صفر و یک نیست و می‌شه حالت خاکستری هم قبول کرد!). این تکنیک‌ها کمک می‌کنه که دانش سازمان بهتر پیدا بشه، ذخیره بشه، و با بقیه هم به‌راحتی به اشتراک گذاشته بشه. خلاصه، انگار همه چیز سریع‌تر و هوشمندتر پیش می‌ره!
ولی خب، همیشه گل و بلبل نیست! مثلا یکی از مشکلات اصلی می‌تونه کیفیت داده‌ها باشه. اگه داده‌ای که هوش مصنوعی باهاش کار می‌کنه ناقص یا اشتباه باشه، نتیجه هم گند می‌زنه! یا اینکه بعضی از کارمندها هنوز به این تحولات علاقه ندارن و مقاومت می‌کنن (مثلاً میگن کارمون رو می‌گیره یا نمی‌تونیم باهاش کنار بیایم). از طرفی باید این تکنولوژی‌ها با فلو و روندی که تو شرکت هست، هماهنگ بشن؛ وگرنه یه آشفتگی پیش میاد که نگو و نپرس!
یه تحقیق خفن انجام شده و توش کلی مقاله معتبر رو بررسی کرده‌ن – دقیقاً ۴۰ تا مقاله، اونم همشون با داوری. این تحقیق رو با روش Systematic Literature Review یا SLR (یعنی یه جور بررسی دقیق و سیستماتیک منابع علمی که واقعاً مطمئنه) انجام دادن و با راهنمایی PRISMA، که یه چارچوب استاندارد برای چنین مرورهایی هست، رفتن جلو. کارشون این بود که ببینن چی باعث می‌شه هوش مصنوعی تو مدیریت دانش موفق باشه، کجاها شکست می‌خوره و کجا هنوز چیزی نمی‌دونیم.
نتایجی که درآوردن خیلی جالبه: اگه می‌خوای هوش مصنوعی تو یه سازمان واقعاً موفق بشه، باید رهبرهای شرکت حسابی پای کار باشن و حمایت کنن. ساختار مدیریتی هم باید منعطف باشه (یعنی مثلاً زود به تغییرات واکنش نشون بدن و گیر روال‌های قدیمی نمونن)، و برای هر محیط و شرکت باید دقیقاً اون تکنولوژی که می‌خوره بهشون رو انتخاب کنن، نه اینکه کپی پیست کنن! هوش مصنوعی اولش فقط به کارهای تکراری کمک می‌کرد، ولی الان دیگه داره حتی جریان دانش رو توی شرکت‌ها به شکل زنده و لحظه‌ای تغییر می‌ده. با این حال، باید مواظب بود که همه‌چیز رو نسپرن به اتوماسیون؛ نظارت انسانی همچنان نیازه تا کار از دستمون در نره!
یه سری خلأ هم پیدا کردن: مثلاً اینکه هنوز کامل نمی‌دونیم هزینه‌های پیاده‌سازی هوش مصنوعی دقیقاً چه سودی نسبت به هزینه‌ش داره (Cost–Benefit Trade-offs یعنی همین سبک سنگین کردن سود و هزینه). یا مثلاً بحث‌های اخلاقی (ethical implications) رو باید جدی گرفت؛ مثلاً اطلاعات کارکنان محرمانه نمونه؟ الگوریتم‌ها عادلانه عمل می‌کنن؟ و کلی داستان راجع به اینکه ساختارهای مدیریتی باید چجوری نظارت کنن روی پروژه‌های هوش مصنوعی (Governance Mechanisms یعنی همین ساز و کارهای مدیریتی و نظارتی).
آخر قصه اینکه تحقیق می‌گه اگه استراتژیک وارد بازی بشیم و با برنامه سراغ هوش مصنوعی بریم، می‌تونه یه برگ برنده اساسی برای سازمان‌هایی باشه که کلی دانش و اطلاعات دارن و می‌خوان همیشه جلوتر از رقبا بمونن. این یافته‌ها تازه اول راهه و قرار شده دانشمندها تو پروژه‌های بعدی برن سراغ تحقیق‌های عملی‌تر و شفاف‌تر تا دقیقاً بفهمیم چی کار باید بکنیم که هوش مصنوعی و مدیریت دانش بهترین ترکیب رو بسازن.
خلاصه اگه به فکر آوردن هوش مصنوعی تو شرکت یا مجموعه‌تون هستید، بدونید هم باید ساختار رهبری و مدیریتی قوی داشته باشین، هم هوش مصنوعی رو با کارِ خودتون هماهنگ کنین و هم یادتون باشه انسان همیشه باید روی هوش مصنوعی نظارت داشته باشه. تازه باید کلی حواستون به هزینه، اخلاق و قوانین باشه – که فردا یهویی به خاطر یه اشتباه روباتیک، کار دستتون نیوفته!
منبع: +
