Vekstmodellen for IT-støttet kunnskapsledelse - del 3

Her er del tre i BI-professor Petter Gottschalks kronikk om vekstmodeller for IT-støttet kunnskapsledelse.

  • Steg IV: Person-til-system (hvordan-de-tenker). Informasjonssystemer som løser kunnskapsoppgaver blir gjort tilgjengelige for kunnskapsarbeidere og problemløsere. Her er det teknologi basert på kunstig intelligens som blir tatt i bruk. De mest vanlige teknologiene innenfor kunstig intelligens er ekspertsystemer, nevrale nettverk og case-basert resonnering. Det siste, case-basert resonnering, går ut på at bedriften allerede har lagret en god del eksempler på hvordan problemer er blitt løst i fremtiden. For eksempel kan et konsulentfirma ha lagret rapporter fra tidligere konsulentoppdrag. Ved et nytt konsulentoppdrag vil konsulenten sjekke om et lignende oppdrag er blitt utført tidligere av kolleger. I stedet for å plage alle sine kolleger med e-post hvor det spørres om noen har vært involvert i lignende problemstillinger, benytter konsulenten i stedet et system hvor han eller hun legger inn en kort beskrivelse av problemstillingen. Systemet kommer tilbake med et forslag til løsning basert på hvordan lignende problemstillinger er blitt håndtert før.

Nevrale nett er statistiske metoder som bruker data til å klassifisere forekomster av handlinger i ulike kategorier, mens et ekspertsystem går ut på at systemet later som det er en ekspert når det svarer på spørsmål fra systemets brukere. Fordelen med et ekspertsystem er at den virkelige eksperten måtte bidra bare en gang, da systemet ble laget, mens lissomeksperten (ekspertsystemet) bidrar hver gang en bruker har et problem som skal løses.

Et eksempel er finansnæringen hvor enkle lånesøknader kan besvares og enkle forsikringsavtaler kan inngås ved hjelp av ekspertsystemer. Lånesystemet bruker da noen få kriterier for å avgjøre om søkeren skal få innvilget sin lånesøknad, til hvilke betingelser og med hvilket maksimalbeløp. Forsikringssystemet bruker noen få kriterier for å avgjøre om søkeren skal få tegne forsikring og med hvilken premie.

Det mest vanlige er dermed at systemene på nivå IV enten er regelbaserte eller case-baserte. De regelbaserte systemene går ut på at noen kriterier blir brukt til å avgjøre en sak, for eksempel en lånesøknad i en bank eller en trygdesøknad på et trygdekontoret. De case-baserte systemene går ut på at noen kriterier blir brukt til å sammenligne en ny sak med en tidligere sak, for eksempel et konsulentoppdrag eller en dom i lagmannsretten, for å avgjøre om man skal løse den nye saken på samme måte som den tidligere saken. Mens regelstyrte systemer blir oppdatert gjennom endringer i kriteriene, blir case-baserte systemer oppdatert ved at det stadig tilføres nye eksempler samtidig som gamle eksempler blir slettet fra systemet.

Ekspertsystemer er vanlige i kunnskapsbedrifter på nivå IV. Et ekspertsystem er et informasjonssystem som enten inntar rollen til en ekspert eller utfører arbeidsoppgaver som krever ekspertise. For å forstå et ekspertsystem må man derfor forstå rollen til en ekspert og karakteristiske trekk ved ekspertise. Når man skal bygge et ekspertsystem er det viktig å identifisere hvilken type ekspert og hva slags ekspertise som er nødvendig innhold i systemet. Det er også viktig å identifisere nytte og gevinster som man kan forvente fra bruk av systemet, slik at målrettet ekspertise blir lagt inn i systemet.

For eksempel vil en lege ha kunnskap om sykdommer og hvordan sykdommer skal behandles. Basert på informasjon fra pasienten og måling av symptomer hos pasienten benytter legen sin kunnskap til å konkludere på behandling. Legen velger behandlingsopplegg og skriver ut resept for medisin. Legen må derfor også ha kunnskap om medisiner, deres virkninger og eventuelle bivirkninger.

Et annet eksempel er en advokat som har kunnskap om lover og dommer. Basert på informasjon fra klienten og analyse av dokumenter i saken benytter advokaten sin kunnskap til å anbefale videre saksgang. Dersom dommer og tidligere saker viser at klienter i lignende situasjoner har tapt, så vil advokaten kanskje råde klienten til å gi seg. Dersom dommer og tidligere saker viser at klienter i lignende situasjoner har vunnet frem med sine krav, så vil advokaten kanskje råde klienten til å reise krav mot sin motpart. Det kan for eksempel dreie seg om lønn i oppsigelsestiden, overskudd ved aksjesalg eller skjev fordeling ved arv.

Et tredje eksempel er en revisor som har kunnskap om lover og regler for god regnskapsskikk. Basert på regnskapet hos kunden og informasjon fra ledelsen benytter revisoren sin kunnskap til å anbefale eventuelle endringer i årsavslutningen. Revisoren velger til slutt om regnskapet skal godkjennes.

Arbeidsoppgavene til legen, advokaten og revisoren inneholder aktiviteter som datamaskiner er blitt brukt til lenge, slik som å behandle tekst og tall på en rask og effektiv måte. Men her i steg IV blir datamaskiner også brukt til noe langt viktigere, nemlig til resonnementer. Et resonnement er en tankerekke som fører til, og dermed begrunner, en slutning eller mening. I den grad en tankerekke kan identifiseres og gjøres eksplisitt, vil det være mulig å kodifisere den og gjøre den tilgjengelig ved hjelp av en datamaskin. En typisk tankerekke vil gå ut på å bevege seg fra detaljer i saken til generell kunnskap om fagfeltet til en konklusjon i saken. Et ekspertsystem fungerer dermed på den måten at generelle regler og kriterier blir brukt på en spesiell sak for å finne en egnet konklusjon og anbefaling.

Kunnskap fra eksperter som er nødvendig råstoff til ekspertsystemer ble allerede registrert i steg III. Bygging av et ekspertsystem vil derfor ikke behøve å starte fra grunnen av i steg IV. Samtidig kan ytterligere kunnskap fra eksperter bli registrert her i steg IV takket være nettopp systemer i steg IV. Det betyr at ekspertsystemer kan brukes til å få tak i mer informasjon fra eksperter.

Ekspertsystemer og andre former for kunstig intelligens kan brukes til å få eksperter til å uttrykke sin mening om dokumenter og hvordan de skal brukes. Taus kunnskap blir dermed trukket frem og gjort eksplisitt, før den kodifiseres som informasjon og lagres i databaser.

I denne fjerde og siste fasen for IT-støttet kunnskapsforvaltning har et informasjonssystem overtatt arbeidsoppgaver fra kunnskapsarbeideren. Denne fasen kan derfor kalles person-til-substitutt eller person-til-system (person-to-system) fasen eller hvordan-de-tenker fasen. Formålet med teknologibruken er å forbedre organisasjonens produktivitet.

Når bedrifter ønsker å bruke kunnskap i sanntid i forretningskritiske arbeidsprosesser, må de strukturere informasjonen for rask og presis tilgang. En vebbasert søkemotor som pløyer gjennom hundrevis av dokumenter og kommer med en lang liste av muligheter, vil ikke være godt nok når en viktig kunde venter på svar på telefonen. Kunnskapen må representeres og struktureres i form av ekspertsystemer og andre informasjonssystemer. Kunstig intelligens kan brukes i selve arbeidet med å representere og strukturere informasjonen. Regelbaserte systemer og case-baserte systemer blir brukt til å registrere og gi tilgang til løsninger av kundeproblemer, juridisk ekspertise, oppfinneres tanker og mange andre typer av taus kunnskap.

Selv om det kan være både dyrt, vanskelig og tidkrevende å strukturere informasjonen basert på ekstrakter av taus kunnskap, i en objektorientert database eller en nettverksdatabase, kan det likevel være svært lønnsomt ved å gi bedriften et konkurransefortrinn gjennom raskere og bedre svar til kunder, lavere kostnader per kunnskapstransaksjon og mindre behov for nøkkelmedarbeidere som er tilgjengelige døgnet rundt.

Ekspertsystemer er på nivå IV i vekstmodellen for IT-støttet kunnskapsledelse. Stewart anbefaler bedrifter å stoppe på nivå II fordi kunnskap vokser så fort at det vil være bortkastet å kodifisere og lagre den. Før informasjonen er blitt tilgjengelig er allerede kunnskapen som informasjonen baserer seg på, blitt foreldet. Derimot vil en ekspert kunne utvikle seg i takt med kunnskapsutviklingen. Med denne holdningen hevdes det at gule sider er det som trengs, gule sider som representerer kunnskapskataloger. Et enkelt system som knytter sammen kunnskapssøker og ekspert kan spare tid, redusere feil og forhindre oppfinning av hjul på nytt.

Det eneste som ifølge Stewart kan lagres på nivå III er erfaringsnotater og markedsinformasjon. Erfaringsnotater kan systematiseres ved at det lages sjekklister for hva som gikk bra og hva som gikk dårlig, koblet til retningslinjer for hvordan lignende arbeidsoppgaver bør utføres i fremtiden. Markedsinformasjon kan systematiseres ved å kvalifisere styrker og svakheter hos leverandører, kunder, konkurrenter, substitutter og nye aktører.

Vekstmodellen innebærer at bedrifter utvikler fra et nivå til neste nivå, og at de tar et steg av gangen. Denne typen antakelser er drøftet i appendiks om forskningsmetodikk bak i boken. Men allerede her må det nevnes at slike antakelser er kontroversielle. For eksempel så er nivå II forbundet med en personifisert strategi, mens nivå III er forbundet med en kodifisert strategi. Dersom man velger å se på personifisert strategi og kodifisert strategi som to alternative, konkurrerende strategier som bedriften kan velge mellom, så innebærer det et valg mellom steg II og steg III, snarere enn at nivå III følger etter nivå II.

Likevel kan man argumentere for at nivå III følger etter nivå II. Disterer hevder at det er langt lettere å lykkes med personifisert strategi før kodifisert strategi. De individuelle barrierene er lavere med personifisert strategi, fordi hver individuell kunnskapsarbeider beholder kontrollen over sin egen kunnskap og bruken av den. På nivå II blir individet anerkjent som eksperten og blir behandlet deretter, mens individet på nivå III delvis har fått sin anerkjennelse og posisjon frakoblet sin kunnskapsrikdom.

Kunnskapsstrategien i steg II kan også kalles en kommunikasjonsstrategi, fordi hovedformålet er å skape personlig kommunikasjon mellom kunnskapsarbeidere. Viktige IT-systemer med denne strategien er kataloger av forskjellig slag (ekspertliste, kunnskapskatalog, hvem-vet-hva oversikter og CVer) som gir opplysninger om kunnskapsrike kolleger for forskjellige fagfelt og faglige problemer. Ulemper ved bruk av pesonifisert strategi er en mangel på standarder og en betydelig avhengighet av kommunikativ evne og vilje blant ekspertene. Slike ulemper fører til at bedrifter vil ta steg III. På nivå III oppnår bedriften uavhengighet i tid og sted mellom kunnskapsleverandør og kunnskapsbruker.

Til toppen