هوش مصنوعی چگونه می تواند نظام مدیریت دانش سازمانی را متحول کند

حسین نوریان مشاور مدیریت استراتژیک با رویکرد تحول دیجیتال

چالش های استقرار مدیریت دانش و نقش هوش مصنوعی

یکی از تعریف های سرراست و مشخص از مدیریت دانش، استقرار نظامی است که می تواند دانش ضمنی کارکنان سازمان را که در اثر تصمیم گیری های مهم آموخته اند را به دانش آشکار تبدیل نموده و پس از به اشتراک گذاری آن با دیگر کارکنان یا ذی اثران سازمان، آن را دوباره به فرم دانش ضمنی درآورد تا بتواند منشا تغییر رفتار کاری در کارکنان و ایجاد اثربخشی برای سازمان بشود.
مدیران کارازموده، متفق القول هستند که استقرار نظام مدیریت دانش در سازمان ها، مزایای بسیار زیادی دارد اما کاری بسیار دشوار و زمان بر است زیرا اولویت بندی موضوعات دانشی در سازمان، کشف آنها، استخراج و به اشتراک گذاریشان با دیگر کارکنان و تبدیل آنها به دانش ضمنی نیازمند تمرکز زیاد مدیریتی و صرف و وقت و منابع زیادی است که با وجود همه اینها بازهم به دلیل آنکه بهره گیری از این نظام نیازمند وجود فرهنگ سازمانی پرقدرت است، ممکن است به نتیجه موفقیت آمیز نرسد. اکنون تکنولوژی نوین و ازهم گسیخته ساز هوش مصنوعی که مرزهای روش ها و ابتکارات مدیریتی را درنوردیده، در حوزه مدیریت دانش نیز در آستانه ایجاد انقلابی است که به نظر می آید بتواند سازمان ها را بر مشکلات ذکر شده غلبه دهد و کارامدی این نظام و در نتیجه آن اثربخشی بنگاه اقتصادی را بهبود بخشد. اینجانب از سالها تجربه مشاوره استقرار دانش در سازمان های متعدد برخوردار هستم و نسبت به پیچ و خم ها و چالش های آن آگاهی دارم اکنون تمرکز خود را بر فهم اثرات هوش مصنوعی بر تحول در این حوزه قرار داده ام و در ادامه این مقاله کوشیده ام کاربردهای فعلی هوش مصنوهی در نظام مدیریت دانش سازمانی را تببین کنم. بدیهی است با وجود سرعت سرسام آور تغییرات تکنولوژیک در این حوزه، دامنه بکارگیری و فواید این فناوری در حوزه مدیریت دانش بیشتر نیز می شود.

تاثیر هوش مصنوعی بر کشف دانش ضمنی پنهان در سازمان

کشف دانش پنهان (Hidden Knowledge Discovery) یکی از مهم‌ترین و انقلابی‌ترین کاربردهای هوش مصنوعی در مدیریت دانش است. در اینجا منظور از دانش پنهان، آن دسته از اطلاعات، بینش‌ها و الگوهایی است که در لابه‌لای اسناد، ایمیل‌ها، مکالمات، گزارش‌های غیرساختاریافته و تعاملات انسانی نهفته‌اند و به‌راحتی با روش‌های سنتی قابل استخراج نیستند. اینها منابع اطلاعاتی بسیار غنی در سازمان هستند که معمولا سازمان ها سازوکار مناسب و کارامدی برای تحلیل آن اطلاعات و تبدیلشان به دانش سازمانی ندارند، بدیهی است روال های فعلی مبتنی بر هوش و وقت سرمایه انسانی نیز در بررسی حجم انبوده داده های پنهان و مستتر در لایه های مختلف تعاملات انسانی و انسان و ماشین در سازمان بسیار ناکارامد است اما هوش مصنوعی چگونه می تواند درباره این مهم راهگشا باشد؟ و این تکنولوژی به چه شکل می تواند در کشف این دانش پنهان از درون اسناد (Documents) و تعاملات (Interactions) سازمانی نقش ایفا می‌کند؟

استخراج دانش از اسناد غیرساختاریافته

بخش بزرگی از دانش سازمانی در قالب اسناد Word، PDF، گزارش‌های فنی، پروپوزال‌ها، ایمیل‌ها و یادداشت‌های داخلی ثبت می‌شود. این داده‌ها غیرساختاریافته‌اند و تحلیل آن‌ها با روش‌های دستی بسیار زمان‌بر است. هوش مصنوعی می‌تواند با ابزارهای زیر این اسناد را پردازش و تحلیل کند:
پردازش زبان طبیعی (Natural Language Processing – NLP)
• تحلیل واژگان کلیدی، مفاهیم و موجودیت‌ها (Named Entity Recognition)
• درک معنای جملات و روابط بین مفاهیم (Semantic Understanding)
• خلاصه‌سازی خودکار محتوای طولانی برای تسهیل در بازیابی دانش
به عنوان مثال در یک سازمان مشاوره، AI با پردازش صدها گزارش پروژه، می‌تواند الگوهای مشترک موفقیت یا شکست را شناسایی کرده و آن را در قالب داشبوردهای دانشی نمایش دهد.

کشف الگو از تعاملات انسانی (مکالمات، چت‌ها، ایمیل‌ها)

تحلیل مکالمات (Conversation Analytics)
سیستم‌های هوشمند می‌توانند تماس‌های صوتی میان کارکنان یا بین کارکنان و مشتریان را تحلیل کرده و:
• پرسش‌های پرتکرار را شناسایی کنند
• مشکلات رایج در فرایندها را تشخیص دهند
• ایده‌ها و بینش‌های ارائه‌شده در جلسات را استخراج کنند

تحلیل ایمیل‌ها و چت‌ها (Email & Chat Mining)
با استفاده از مدل‌های یادگیری ماشین، می‌توان به‌طور خودکار مکاتبات را بررسی و دانشی مانند موارد زیر را استخراج کرد:
• شناسایی نقاط اصطکاک بین تیم‌ها
• کشف همکاری‌های مؤثر یا ناکارآمد
• یافتن منابع دانشی بالقوه (افرادی که بیشترین ارجاع دانشی دارند)
به عنوان یک مثال واقعی: شرکت Salesforce از الگوریتم‌های AI برای تحلیل مکالمات فروشنده‌ها با مشتریان استفاده می‌کند تا بهترین روش‌های فروش را کشف کرده و به دیگر اعضای تیم پیشنهاد دهد.

تشخیص دانش پنهان در شبکه‌های اجتماعی سازمانی
در شبکه‌های داخلی مانند Slack، Microsoft Teams یا Yammer، هزاران تعامل کوتاه روزانه بین افراد اتفاق می‌افتد. این داده‌ها سرشار از نکات فنی، تجربیات، هشدارها، و توصیه‌ها هستند.
AI می‌تواند با تحلیل:
• فرکانس کلمات و مفاهیم
• نمودارهای تعامل (Interaction Graphs)
• رفتارهای مشارکت در بحث‌ها
افراد کلیدی، موضوعات پرچالش یا منابع دانشی بالقوه را شناسایی کند. این اطلاعات می‌توانند به‌صورت خودکار وارد مخازن دانشی سازمان شوند.

تلفیق چندمنبعی برای کشف دانش عمیق‌تر
یکی از مزایای هوش مصنوعی، توانایی تجمیع و هم‌پوشانی داده‌ها از منابع گوناگون است. مثلاً:
• اسناد پروژه‌ها
• جلسات ضبط‌شده
• پیام‌های داخلی
• گزارش‌های خدمات مشتریان
با ترکیب این منابع، سیستم قادر است دانش‌هایی را کشف کند که تنها در تقاطع این داده‌ها قابل شناسایی است، مثل:
“در پروژه‌هایی که مدیر پروژه تجربه‌ی بین‌المللی دارد و تیم از ابزار X استفاده می‌کند، احتمال موفقیت ۳۵٪ بیشتر است.”

شخصی‌سازی دانش؛ راهی برای عبور از اشباع اطلاعات با هوش مصنوعی

یکی از چالش‌های اصلی مدیریت دانش سنتی، اشباع کاربران از اطلاعات غیرمرتبط است. کارمندان مجبورند در میان انبوهی از مستندات، ایمیل‌ها و پایگاه‌های داده به جست‌وجوی آنچه نیاز دارند بپردازند. این مسئله منجر به:
اتلاف وقت، خستگی شناختی ،کاهش بهره‌وری و در بسیاری از موارد، نادیده‌گرفتن منابع ارزشمند دانشی می‌شود.
شخصی‌سازی دانش با بهره‌گیری از الگوریتم‌ها و پروفایل‌های کاربر، محتوای دانشی مرتبط را اولویت‌بندی کرده و ارائه می‌دهد.
ارتقای یادگیری سازمانی با توجه به تفاوت‌های فردی در شخصی سازی دانش
کارکنان سازمان‌ها از نظر سطح دانش پیشین، تجربه‌های کاری، سبک‌های یادگیری و اولویت‌ها و حوزه‌های تخصصی با یکدیگر تفاوت دارند. در چنین فضایی، ارائه یک نسخه واحد از دانش برای همه کارکنان، نه‌تنها ناکارآمد است بلکه ممکن است باعث بی‌توجهی به فرصت‌های یادگیری و نوآوری شود. شخصی‌سازی، به هر کاربر تجربه‌ای منحصربه‌فرد از تعامل با دانش ارائه می‌دهد. این فرآیند می‌تواند به شکل‌های مختلفی ظاهر شود، از جمله:
• پیشنهاد خودکار مقالات، ویدئوها یا گزارش‌های مرتبط
• یادگیری تطبیقی مبتنی بر رفتار کاربر
• هدایت کاربران به شبکه‌های دانشی داخلی بر اساس علاقه و نیاز

نقش هوش مصنوعی در شخصی‌سازی دانش

فناوری‌های هوش مصنوعی، به‌ویژه سیستم‌های توصیه‌گر (Recommendation Systems) و تحلیل رفتار کاربران (User Behavior Analytics) نقش کلیدی در شخصی‌سازی دارند. این سیستم‌ها با تحلیل الگوهای رفتاری کاربر مانند: جست‌وجوها، مستندات مشاهده‌شده، مکالمات کاری و پروژه‌های در حال اجرا می‌توانند به‌طور هوشمندانه دانش مرتبط را پیشنهاد دهند.
به عنوان یک مثال کاربردی پلتفرم Microsoft Viva Topics با استفاده از AI، موضوعات کلیدی هر کاربر را شناسایی کرده و به‌صورت خودکار محتوای مرتبط از ایمیل‌ها، اسناد و تیم‌ها را در قالب “کارت دانش” نمایش می‌دهد.

افزایش اثربخشی تصمیم‌گیری ناشی از شخصی سازی دانش
یکی از مهم‌ترین ارزش‌های شخصی‌سازی دانش، کمک به تصمیم‌گیری سریع‌تر و دقیق‌تر در شرایط پیچیده است. وقتی اطلاعات مرتبط به نقش شغلی، پروژه یا مسأله مورد نظر به‌سرعت در دسترس قرار گیرد، کاربر می‌تواند با اتکا به داده‌های درست، تصمیماتی مبتنی بر شواهد و بینش اتخاذ کند.در محیط‌هایی مانند مراکز عملیات صنعتی، تیم‌های مهندسی پروژه و واحدهای تحقیق و توسعه شخصی‌سازی جریان دانش، زمان واکنش را به‌شدت کاهش داده و ریسک تصمیم‌گیری را پایین می‌آورد.

تقویت انگیزه و رضایت شغلی کارکنان در اثرشخصی سازی دانش
کارکنان زمانی که احساس کنند سازمان دانش و اطلاعات مرتبط با نقش آن‌ها را به‌شکلی هدفمند در اختیارشان قرار می‌دهد، تجربه‌ای مثبت‌تر از محیط کاری خواهند داشت. این تجربه شامل کاهش سردرگمی در یافتن اطلاعات، افزایش احساس ارزشمندی تخصص و تسهیل یادگیری مداوم می‌شود و در نهایت به افزایش انگیزه، رضایت شغلی و کاهش نرخ ترک خدمت می‌انجامد.

تطابق با نیازهای سازمان‌های چابک و پروژه‌محور با شخصی سازی دانش
در سازمان‌هایی که به‌صورت ماتریسی یا پروژه‌محور اداره می‌شوند، افراد پیوسته در حال تغییر نقش و تیم هستند. در چنین محیط‌هایی، شخصی‌سازی دانش به‌صورت پویا بر اساس پروژه یا نقش فعلی فرد، مزیت مهمی به‌شمار می‌رود.
برای مثال:
• یک مهندس که امروز در پروژه ساخت‌وساز است و فردا در پروژه نگهداری تجهیزات، نیازمند دو نوع دانش متفاوت است.
• شخصی‌سازی می‌تواند با تشخیص این تغییر، دانش مرتبط با حوزه جدید را به او پیشنهاد دهد.

ساخت مدل‌های پیش‌بینی دانش با هوش مصنوعی

هوش مصنوعی می‌تواند با تحلیل الگوهای دانشی در گذشته، مدل‌هایی بسازد که پیش‌بینی کند که چه موضوعاتی در آینده به دانش تبدیل خواهند شد، چه شکاف‌های دانشی وجود دارد که باید برای آن‌ها محتوا تولید شود، کدام تیم‌ها یا افراد در خطر از دست دادن دانش حیاتی هستند (مثلاً به دلیل بازنشستگی یا خروج از سازمان)
الگوریتم های یادگیری ماشین می توانند با تحلیل رفتار کارکنان الگوهای پنهانی را در مواردی مانند زیر کشف کنند،
• در کدام بخش از سازمان شکاف دانشی در حال شکل گیری است؟
• چه نوع دانشی بیشترین استفاده در سازمان را دارد و کدام موضوع کمترین استفاده را
• چه زمانی و در چه شرایطی افراد سازمان تمایل به اشتراک گذاری یا ذخیره دانشی را دارند
• رویکردهای پاداش برای بهبود کارایی و اثربخشی نظام مدیریت دانش چه مقدار موثر بوده است؟
با استفاده از داده های پیشین پروژه ها، جابه جایی سرمایه انسانی در بخش های مختلف شرکت، الگوریتم های پیش بینی در مدیریت دانش می توانند تشخیص دهند که کدام حوزه دانشی باید تقویت گردد؟ کدام تیم ها در آینده به دانش جدید نیاز پیدا خواهند کرد؟ در چه زمان هایی نیاز به انتقال دانش از کارکنان ارشد وجود دارد؟

ساخت پروفایل های دانش هوشمند برای کارکنان با هوش مصنوعی
هوش مصنوعی قادر است پروفایل های دانشی برای کارکنان، تیم ها یا واحدها را تهیه کند این پروفایل ها شامل مواردی همچون میزان دانشی که هر فرد تولید یا مصرف می کند؟ زمینه های تخصصی واقعی افراد ( نه صرفا عنوان شغلی آنها ) ، سطح انتقال دانش افراد به دیگران خواهد بود. این پروفایل ها به سیستم های پیش بینی کمک می کنند تا تشخیص دهند چه کسانی برای چه پروژه یا نقش هایی مناسب هستند یا نیستند!

مدل سازی فرار دانش با هوش مصنوعی

هوش مصنوعی می تواند با شناسایی روندهای خروج دانش از سازمان مثلا از طریق ترک کار یا جابه جایی کارکنان یا تغییر در ساختارها را بررسی و مدل سازی کند! به عنوان مثال شرکت گوگل توانسته است با استفاده از هوش مصنوعی رفتار دانشی کارکنان خود را مدل سازی کند و پیش بینی نماید که چه کسانی باید با چه محتوایی در چه زمانی تعامل داشته باشند؟
به عنوان نتیجه‌گیری می توان گفت هوش مصنوعی نه‌تنها می‌تواند اسناد و تعاملات را تحلیل کند، بلکه قادر است:
• از دل هزاران فایل و پیام، اطلاعات ارزشمند و ساختارمند بیرون بکشد
• رفتار دانشی سازمان را مدل‌سازی کرده و بهبود دهد
• ظرفیت دانشی پنهان را به یک سرمایه ملموس تبدیل کند
سازمان‌هایی که از این ظرفیت استفاده نکنند، در برابر رقبایی که از AI برای کشف دانش پنهان بهره می‌گیرند، به‌سرعت عقب خواهند افتاد.

استفاده از مطالب فوق تنها با ذکر منبع مجاز است

جهت دریافت اطلاعات بیشتر یا مشاوره مدیریت استراتژیک با رویکرد تحول دیجیتال با ما تماس بگیرید

 

این مطالب را هم ملاحظه فرمایید:

کاربرد هوش مصنوعی در مدیریت فرایندها

کاربرد هوش مصنوعی در مدیریت استراتژیک