La IA facilitadora de la GdC i de l’aprenentatge

Vols saber de quina manera la IA pot facilitar la gestió del coneixement i impulsar l’aprenentatge?

La intel·ligència artificial pot facilitar de manera real la gestió del coneixement i impulsar l’aprenentatge a la teva organització. No perquè substitueixi les persones que hi treballen dia a dia, sinó perquè les allibera de la part de la feina que sempre ha dificultat la implantació de la disciplina: llegir-ho tot, ordenar-ho i mantenir-ho actualitzat. Durant dècades, la gestió del coneixement (GdC) s’ha basat en un seguit de bones pràctiques àmpliament difoses i aplicades: transferència de les lliçons apreses, comunitats de pràctica, suport entre iguals, …Totes depenen, del temps i la voluntat de les persones. La IA generativa no elimina aquesta dependència, però la redueix dràsticament. Es fa càrrec del volum de treball perquè les persones puguin centrar-se en allò que només elles poden fer: decidir què val, validar que és cert i donar-hi sentit.

El repte: coneixement es genera, però no es reté

Cada projecte, cada incidència resolta, cada conversa entre un professional expert i un de nou genera aprenentatge. El problema no és que les organitzacions no aprenguin, sinó que ho fan de manera fràgil. Allò après queda sols en persones concretes, en documents dispersos o en converses que no deixen rastre. Aquesta fragilitat es manifesta de maneres molt concretes: la captura de coneixement no escala amb el volum d’informació que avui generen correus, xats, actes de reunions i avaluacions; documentar depèn de la voluntat de professionals ja saturats, de manera que es fa tard, malament o no es fa. El que s’arriba a documentar queda fragmentat en repositoris que no es parlen entre ells i es degrada perquè ningú el manté al dia; la transferència coneixements a través del suport entre iguals és rica, però arriba a molt poca gent; i, fins i tot quan el coneixement s’ha recollit, resulta difícil de trobar en el moment en què cal, per la qual cosa la gent acaba preguntant a un company o reinventant la solució en comptes de consultar-lo. I encara hi ha una darrera fragilitat, potser la més decisiva: poder accedir a un coneixement no garanteix que s’aprengui. Sense una transferència efectiva al lloc de treball, l’accés a la informació no es tradueix en canvis reals ni en millora dels processos de treball.

L’impacte: què costa no resoldre-ho

Aquestes limitacions no són un simple problema de gestió documental: tenen un cost real i acumulatiu per a l’organització. Quan una persona amb coneixement crític marxa —per jubilació, canvi de feina o rotació—, se n’emporta un saber fer que costa anys de recuperar. Quan els equips no disposen de les lliçons apreses de projectes similars, tornen a cometre els mateixos errors i reinverteixen temps a resoldre problemes ja resolts abans. Quan la incorporació de noves persones no compta amb un procés d’acollida ben nodrit, triguen més a ser productives i l’experiència es transmet de manera desigual. I quan la informació existeix però costa massa trobar-la, s’acaben prenent decisions amb menys criteri del que l’organització realment té acumulat. El resultat és una organització que sap molt més del que és capaç de fer servir, i que , sense voler-ho, assumeix el cost d’aquest desajust en temps, dels errors evitables i del talent que se’n va sense deixar rastre.

La solució: que la màquina faci el volum i la persona aporti el criteri

Un cicle de quatre etapes

El canvi de paradigma no consisteix a afegir un xatbot als documents de sempre, sinó a redistribuir la feina. La intel·ligència artificial generativa pot llegir, sintetitzar i organitzar volums de text que cap equip humà podria abastar, mentre que les persones es reserven allò que la màquina no pot fer: decidir què val la pena, comprovar que sigui cert i assumir-ne la responsabilitat. Aquest principi es tradueix en un cicle de quatre etapes:

1. Primer, es capten de manera automàtica, les fonts on l’organització diposita el coneixement: documents, xats, actes, valoracions, converses de suport entre iguals.
2. A continuació, un sistema d’IA, sota la direcció d’una persona responsable, destil·la aquesta informació, en suprimeix el soroll i les dades sensibles, i l’organitza temàticament.
3. És la persona qui, en una tercera etapa, valida el resultat: comprova que és cert i rellevant, hi afegeix el matís que la màquina no pot aportar, i només aleshores el coneixement passa a formar part del cos fiable de l’organització.
4. Finalment, aquest coneixement validat s’explota en forma de productes que retornen a l’organització en el format que cada persona necessita.

Del coneixement validat als productes que la gent fa servir

És precisament en aquesta darrera etapa on el canvi es fa tangible. Un mateix coneixement validat pot alimentar un assistent conversacional que respon preguntes citant-ne la font, uns materials formatius o qüestionaris d’autoavaluació generats a partir de casos reals, un pla d’acollida que ajudi les noves incorporacions a ser productives abans, o un sistema que, en planificar un projecte nou, avisi dels riscos i els errors que ja s’han repetit en projectes similars. És també el principi que permet que aquest cicle —captar, organitzar, validar i explotar— funcioni de manera contínua, amb la traçabilitat necessària perquè cada resposta es pugui resseguir fins a la font que l’ha originat.

De la informació disponible a l’aprenentatge real

Tenir el coneixement disponible i haver-lo après no són la mateixa cosa, i aquí la IA també hi té un paper que va més enllà de respondre preguntes. El mateix coneixement validat es pot reformular en materials formatius, guies pràctiques o qüestionaris d’autoavaluació adaptats a cada lloc de treball, de manera que la formació deixi de partir de zero cada vegada i s’alimenti contínuament de l’experiència real de l’organització. Això no substitueix la formació tradicional, ni el mentoratge o les comunitats de pràctica —la relació directa entre una persona experta i una que aprèn continua sent insubstituïble—, sinó que n’amplifica l’abast: allibera el temps escàs de qui ensenya per al que de debò requereix acompanyament humà, i posa a l’abast de tothom allò que fins ara només arribava a uns pocs.

Per què val la pena posar-ho en pràctica

Adoptar aquest model no és només una millora tecnològica: és una manera d’assegurar que l’esforç per aprendre que ja fa la teva organització no es perdi. Vol dir protegir el coneixement crític abans que marxi amb qui el té, reduir el temps que les noves incorporacions triguen a ser autònomes, evitar tornar a cometre errors ja identificats i, sobretot, alliberar temps de les persones que gestionen el coneixement perquè el dediquin a validar i decidir, no a llegir i ordenar-ho tot manualment. No cal abordar-ho tot alhora: un projecte pilot en un àmbit de coneixement acotat i valuós —una tipologia de projectes, una comunitat de pràctica, un àmbit en risc de pèrdua per relleu generacional— permet comprovar el valor del model abans d’estendre’l a la resta de l’organització.

Els beneficis: menys temps perdut, menys errors repetits, una incorporació més ràpida, decisions més ben informades o agilització de l’aprenentatge es noten en el primer domini de coneixement en què s’aplica.

Reflexions per continuar el debat

• Posar en marxa aquest model exigeix, abans que cap tecnologia, decidir quin coneixement val la pena gestionar primer i qui assumirà la seva validació. Quins criteris faràs servir per prendre aquestes decisions?
• Disposem de documentació actualitzada i validada per alimentar el sistema o hem de crear-la de bell nou?
• És la manca de temps el que sol frenar aquest primer pas, o més aviat la manca de rols i responsabilitats clarament assignats?
• Quins criteris hem de fer servir per decidir on aplicar el projecte pilot?

Si aquestes preguntes t’han generat alguna reflexió —o si simplement vols explorar si una proposta com aquesta tindria sentit a la teva organització—, t’animem a contactar amb nosaltres. Estarem encantats de conversar sobre el tema.

Parlem-ne: info@neos.cat