El pasado 2 de octubre participé en la XXIII Conversación sobre Gestión del Conocimiento y el Aprendizaje, un espacio impulsado por Neos que desde hace años reúne a profesionales interesados en la cultura del aprendizaje, la planificación estratégica y la innovación organizativa.
Mi compañero de conversación fue Javier Martínez Aldanondo, experto en aprendizaje y gestión del conocimiento. Hablamos sobre el el papel de la inteligencia artificial generativa dentro –o fuera– del planteamiento estratégico de la gestión del conocimiento, con preguntas como qué precondiciones son necesarias para aplicar la IA en este ámbito, qué impacto tiene sobre la planificación y gestión de personas y equipos, y hasta qué punto transforma las funciones y la organización de las instituciones.
Comparto mis notas/aportaciones siguiendo el guión con el que nos condujo Joaquim Carbonell.
¿Qué sentido tiene usar la IA en la gestión de todo el conocimiento de una organización?
Para mí tiene todo el sentido. La IA es la enésima herramienta –aunque con un salto cualitativo y conceptual extraordinario– que sustituye trabajo humano (en este caso cerebral, no muscular) por trabajo de máquina. Todo aquello que es información y comunicación (es decir, conocimiento) es susceptible de optimizarse en eficacia y eficiencia a través de las TIC, y la IA forma parte de esta trayectoria. Nosotros seguimos siendo los pensadores, los diseñadores, los arquitectos; la IA es la ejecutora, la que levanta el peso muerto.
La diferencia respecto a tecnologías anteriores es que ahora la IA nos permite automatizar ámbitos y tareas que hasta hace poco considerábamos inabarcables por diseño. En este sentido, creo que podemos trazar cuatro estadios en el desarrollo de la digitalización de la gestión del conocimiento:
- Digitalizar: convertir el papel en bytes.
- Datificar: convertir los documentos en bases de datos. Es decir, separar contenido de continente.
- Meta-datificar: enriquecer datos e información con otros datos que permitan, sobre todo, que esos datos “se hablen” unos con otros. Dicho de otro modo, hacer los conjuntos de datos interoperables para que puedan relacionarse y poder dar el salto más allá de la información: al conocimiento.
- Algoritimizar o “agencificar”: la hoja de ruta que nos propone ahora la IA y que supone incorporar las preguntas a los datos. Es decir, si con el meta-dato conseguíamos entender el dato, con el algoritmo conseguimos que el dato incorpore también las preguntas más relevantes y, por extensión, algunas de las respuestas (aunque por ahora sean “simples” y basadas en la identificación de tendencias y masas críticas).
Esta última cuestión, no obstante, nos abre un reto enorme: este papel de hacer las preguntas básicas y en cierta forma convertir en rutinario la extracción de los patrones elementales era un papel que desarrollaban los trabajadores noveles, los “júniors”. Y en la mentoría de estos juniors pasaba algo importante: el conocimiento tácito del senior se convertía en explícito. Si ahora delegamos en la IA estas tareas rutinarias, ¿qué pasa con la mentoría? ¿queda reducida a entrenar una IA? ¿quién estructurará ahora el conocimiento si no hay este ejercicio de pasar de tácito a explícito? Y, en definitiva, ¿quién formará entonces a los más jóvenes para que en el futuro sean los expertos?
¿A qué tipos de conocimiento aplicar la IA?
El primer criterio es aplicar la IA a aquellas áreas que ya dominamos, para garantizar que el algoritmo funciona bien y que sigue bajo nuestro control. Debemos asegurarnos de que trabaja para nosotros, no al revés. Parece una práctica prudente, razonable, empezar por aplicarla a tareas que dominamos, aunque parezca poco ambicioso limitarnos a meras ganancias en materia de eficiencia.
Por otra parte, sabemos que esa interconexión de ingentes cantidades de datos hacen emerger patrones que no teníamos previstos. Así que es difícil pensar que un abordaje por categorías, por ámbitos, sea el más estratégico. Sin dejar de lado que, obviamente, hay prioridades y urgencias a abordar, parece lógico tener un planteamiento de sistema, siendo la clave la arquitectura del todo.
Una metáfora basada en el ajedrez puede ayudar a ilustrar este itinerario. La IA es como la dama del ajedrez: puede moverse en todas direcciones, pero conviene saber en qué orden:
- Primero, mirar hacia atrás para analizar lo que ya hemos hecho, ver donde ganamos en eficiencia, en eficacia, pero sobre todo en seguridad, en confianza, que no nos sorprenda nada “por detrás”.
- Después, movernos de lado o en diagonal hacia el centro del tablero asegurando la situación, explorando conexiones desde posiciones aventajadas, que permitan asumir riesgos controlados y, sobre todo, poder dar marcha atrás.
- Finalmente, avanzar hacia adelante en clave prospectiva. Ver, ahora sí, hacia dónde se abren nuevos territorios a explorar, donde aparecen oportunidades que, ahora sí, vemos de dónde vienen y hacia dónde conducen.
Fuera de la metáfora ajedrecística, un resumen de los criterios operativos para aplicar la inteligencia artificial en nuestra estrategia de gestión del conocimiento puede ser el siguiente:
- Eficiencia: tareas rutinarias, de poco valor añadido o donde la relación interpersonal no es central. Que permita evaluar los potenciales y los riesgos del algoritmo. El objetivo colateral de esta fase es generar un algoritmo confiable.
- Detección de patrones y tendencias: encontrar relaciones estáticas y dinámicas dentro de nuestro ecosistema de conocimiento. Aquí el objetivo es visibilizar conocimiento que “ya está ahí”, pero que la IA nos va a ayudar a identificar.
- Posibilidades emergentes: aplicar la IA a espacios y ámbitos que no teníamos en el radar y que, incluso, en muchos casos, ni siquiera estaban latentes en nuestro entorno. Se trata, pues, no solamente de hacerlos emerger, sino de crear las condiciones para que esos escenarios sean posibles.
Este último estadio es muy complejo y requiere equipos dedicados e inversión de tiempo. Pero con un cambio importante de dónde situar esta inversión. Si con la digitalización la inversión se hacía en equipos externos –externos a la organización o bien “externos” en un departamento de tecnologías de la información TI– con la IA la inversión la tiene que hacer toda la organización. Puede haber un equipo impulsor y, sobre todo, un equipo de apoyo. Pero cada unidad de negocio tiene que tener, también, esta capacidad de gestionar el conocimiento.
Impacto en la gestión de personas y equipos
Ante todo, usar IA sin haber reflexionado sobre el conocimiento crítico y la estrategia de gestión del conocimiento es arriesgado. Se corre el peligro de perder de vista el propósito, no alinear a los actores, no establecer herramientas de dinamización ni protocolos claros. Sin un diseño distribuido y abierto, sin mecanismos de seguimiento y evaluación, la IA puede reforzar inercias en lugar de transformar.
Por otra parte, en la mayoría de organizaciones ya se asume que se necesitan unidades de administración y servicios que actúan como cadenas de apoyo para las cadenas de valor o de negocio: se ocupan de la contratación, la facturación, la logística… Es decir, no lideran, no deciden la estrategia, pero permiten que las áreas clave puedan centrarse en su misión, descargándolas de tareas transversales.
De la misma manera, es imprescindible pensar en una unidad de gestión del conocimiento que incorpore todo un cúmulo de funciones que ahora están dispersas: planificación estratégica, estrategia de personas y equipos, aprendizaje y desarrollo, ingeniería de procesos, evaluación, organización de la información y archivo, etc.
Su función sería exactamente la misma que la de administración y servicios, pero relacionada con todo el capital intangible: prestar apoyo metodológico a toda la organización para que cada área pueda concentrarse en su cometido principal, pero asegurando que el conocimiento se gestiona de forma eficaz y coherente. No se trata, pues, de dar más trabajo a las unidades diciéndoles “qué tienen que hacer”, sino todo lo contrario: quitárselo, haciéndolo en su lugar con herramientas y metodologías adecuadas. Es una unidad cuya lógica no es de liderazgo ni de gobierno, sino de gobernanza compartida. Querría insistir que su componente fuertemente metodológico: facilitar, dinamizar, articular, diagnosticar, analizar, instrumentar, acompañar. Su objetivo último es generar las condiciones para que los actores puedan concurrir y colaborar (el famoso stakeholder engagement o implicación de actores, que no management), para que haya conversaciones significativas y para que el conocimiento se convierta en un bien común de toda la organización.
En este esquema, la IA no se concibe como una máquina de soluciones, sino como una herramienta para ordenar la complejidad: analizar la pluralidad de inputs, encontrar patrones y tendencias, simplificar lo que de otro modo sería inabarcable. Su aportación principal está en aumentar la capacidad cognitiva aplicando instrumentos (metodológicos) que ya existen pero que no son de uso corriente en la ortodoxia de la gestión de las organizaciones.
En cuanto a la planificación y gestión de personas y equipos, el impacto de la IA debería ser relativamente limitado. No estamos hablando de tareas rutinarias ni de eficiencia operativa, sino de diseño estratégico, de propósito, de organización de equipos y competencias. La IA puede ayudar en procesos puntuales –por ejemplo, en la selección de personal o en la evaluación del desempeño–, pero la gestión del talento, el liderazgo y la construcción de equipos siguen siendo, y probablemente seguirán siendo, una tarea fundamentalmente humana.
El principal cambio que la IA debería tener en la gestión del conocimiento viene muy ligado a reconocer el talento como algo central en la organización. Este aspecto, aunque raramente habrá quien lo niegue, tiene una prueba del tornasol: ¿están los responsables de personas, planificación y organización en el consejo de dirección? La IA pone a las organizaciones ante el espejo: pone de relieve el talento de la organización y reclama su lugar central en la misma.
Comparte:
