Wynik pozostał, ale zniknęło „dlaczego”

Wyobraźmy sobie sytuację, która może wydarzyć się w wielu laboratoriach sektora LifeScience – zespół wraca do ścieżki badawczej zamkniętej dwa lata wcześniej. Posiada raporty, wyniki i końcową prezentację, ale brakuje odpowiedzi na podstawowe pytania: dlaczego wybrano ten model, które obserwacje uznano za niewiarygodne, jakie hipotezy odrzucono i co przesądziło o wstrzymaniu prac? Autor eksperymentu opuścił organizację, a część kluczowych ustaleń i dyskusji pozostała jedynie w korespondencji mailowej oraz pamięci uczestników projektu. Organizacja nadal posiada dokumenty, ale utraciła część wiedzy potrzebnej do ich interpretacji. Sam wynik nie mówi przecież, jaką hipotezę sprawdzano, w jakim kontekście podjęto decyzję ani jakie znaczenie miały wyniki negatywne. Nowy zespół może odnaleźć plik i jednocześnie nie być w stanie ocenić, czy wcześniejsze doświadczenie da się wykorzystać w innym projekcie.

Taki scenariusz pokazuje różnicę między wytworzeniem informacji a zachowaniem pamięci organizacyjnej. W literaturze pojęcie pamięci organizacyjnej odnosi się do informacji zachowanych z historii organizacji, które można wykorzystać w bieżących decyzjach (Walsh & Ungson, 1991). Organizacja pamięta zatem nie wtedy, gdy może jedynie wykazać, że dokument kiedyś powstał, lecz wtedy, gdy po miesiącach lub latach potrafi odzyskać wystarczający kontekst, by ponownie wykorzystać wcześniejsze doświadczenie.

Więcej danych nie oznacza więcej wiedzy

Intuicyjnie można przyjąć, że przetwarzanie coraz większej ilości danych prowadzi najpierw do informacji, a następnie wiedzy. Badacze zajmujący się KM kwestionują jednak tak prosty obraz – przepływ między danymi, informacją i wiedzą odbywa się w obu kierunkach, a interpretacja zależy od kontekstu oraz wiedzy, którą już posiadamy. Informacja to dane połączone kontekstem w użyteczną opowieść, natomiast wiedza pozwala wyjaśnić „jak” i „dlaczego” (Jennex & Bartczak, 2013).

W R&D tabela z pomiarami, protokół i raport są ważnymi artefaktami, ale nie muszą jeszcze stanowić użytecznej wiedzy organizacji. Potrzebne są powiązania: między wynikiem a eksperymentem, eksperymentem a hipotezą, decyzją a jej przesłankami oraz nowym projektem a wcześniejszym doświadczeniem. Istotna jest też interpretacja, zwłaszcza gdy obserwacja była niejednoznaczna albo wynik negatywny zmienił kierunek prac. Problem w tym, że  część tych powiązań i interpretacji pozostaje w głowach osób prowadzących eksperyment – jako wiedza ukryta (z ang. tacit knowledge), której nie da się w pełni skodyfikować (Nonaka & Takeuchi, 1995). Jej transfer bywa czasami trudny nawet na bieżąco, między członkami zespołu. Staje się jeszcze trudniejszy w czasie – gdy po latach do projektu wraca inny zespół, a osoby z oryginalnym kontekstem już odeszły z organizacji. Właśnie tutaj zaczyna się KM. Jego celem nie jest zgromadzenie możliwie największej liczby plików, lecz zadbanie o to, by potrzebna wiedza trafiała do właściwej osoby we właściwym momencie, wraz z kontekstem niezbędnym do jej zrozumienia.

KM to nie repozytorium dokumentów

KM nie jest nazwą kolejnego systemu IT. Repozytorium, ELN, LIMS, wyszukiwarka czy baza wiedzy mogą wspierać wybrane zadania, lecz same nie określą, co należy zachować, kto za to odpowiada ani jak dokumentować przesłanki decyzji. Do skutecznego KM potrzebne są więc: ludzie, procesy, wspólne zasady pracy, odpowiedzialność oraz wsparcie liderów. System zarządzania wiedzą (z ang. knowledge management system, KMS) jest zapleczem tej szerszej inicjatywy – łączy narzędzia z ich użytkownikami i sposobem wykorzystania w codziennej pracy, ale nie jest tożsamy z całością strategii i działań KM. Co ważne, KMS nie jest też jednym systemem czy narzędziem informatycznym.

System zarządzania wiedzą jest zapleczem szerszej inicjatywy łączącej narzędzia z ich użytkownikami i sposobem ich wykorzystania w codziennej pracy

Po czym poznać, że KM działa? Nie wystarczy ocenić samo narzędzie. Liczą się trzy podstawy: jakość systemu (z ang. system quality), jakość wiedzy (z ang. knowledge quality) oraz jakość usług i wsparcia (z ang. service quality). W praktyce oznacza to odpowiednie narzędzia, poprawne i aktualne treści osadzone w kontekście, a także przywództwo, strategię i nadzór nad KM. Równie ważne jest to, czy ludzie chcą korzystać z KMS i widzą w nim wartość (z ang. intent to use/perceived benefit), czy są z niego zadowoleni (z ang. user satisfaction) oraz jakie efekty przynosi wykorzystanie wiedzy (z ang. net benefits). Wszystkie te elementy trzeba rozpatrywać łącznie (Jennex, 2020). Dobrze zaprojektowany system nie pomoże, jeśli pracownicy nie mają czasu lub jasnych zasad dokumentowania. Kompletna procedura nie zachowa przesłanek decyzji, jeśli formularz pozwala zapisać wyłącznie wynik. Z kolei wartościowa treść pozostanie niewykorzystana, gdy trudno ją znaleźć albo użytkownicy nie ufają narzędziu. Same funkcje oprogramowania nie są jeszcze dowodem sukcesu KM.

Technologia może podtrzymywać pamięć – nie zastąpi organizacji

Sama technologia nie zastąpi ludzi, procesów i nadzoru nad KM, ale odpowiednio zaprojektowane oprogramowanie może realnie wesprzeć dużą część pracy związanej z KM. Rolę technologii można ująć jako ciąg zadań: przechwycić informację, nadać jej strukturę i połączyć z innymi elementami tak, by później dało się do niej łatwo wrócić. Dokument nie musi być jedynie plikiem w folderze – może być powiązany z projektem, eksperymentem, badaną substancją, wynikiem, publikacją i decyzją, na którą wpłynął. Takie relacje pomagają zachować kontekst i ułatwiają późniejsze poruszanie się po historii projektu. Nie powstają jednak automatycznie – ich kompletność zależy od sposobu pracy zespołu. Podobne ograniczenie dotyczy historii zmian. Rejestr pokazujący, kto, co i kiedy zmienił, wspiera ustalenie pochodzenia informacji, ale nie musi odpowiadać na pytanie, dlaczego zmiana została dokonana? Przesłanki tej zmiany nadal trzeba świadomie zapisać.

Paradoks współczesnych organizacji polega na tym, że mogą one posiadać ogromne zasoby danych, ale jednocześnie nie mieć realnego dostępu do wiedzy. Wiedza pozostaje rozproszona między indywidualnymi komputerami, dyskami sieciowymi, wiadomościami e-mail. Dodatkowo indywidualne sposoby organizowania folderów sprawiają, że odnalezienie właściwej informacji staje się czasochłonne i uciążliwe szczególnie dla nowych pracowników oraz liderów zespołów i projektów. Dokumenty wielokrotnie są powielane, co może zacierać granicę między wersją aktualną i wiążącą. W efekcie organizacja nie tylko traci czas, lecz także ryzykuje utratę kontekstu, konieczność powtórzenia prac lub podejmowanie decyzji na podstawie niewłaściwych danych.

Z takimi problemami mierzył się również dział rozwoju leków innowacyjnych dużej polskiej firmy farmaceutycznej. Geneza aplikacji Labgears wiąże się ze środowiskiem farmaceutycznych prac badawczo-rozwojowych, a samo narzędzie zostało opracowane z myślą o wspieraniu gromadzenia, porządkowania i ponownego wykorzystywania wiedzy eksperymentalnej w sektorze farmaceutycznym i biotechnologicznym. Labgears stanowi komponent technologiczny szerszego systemu zarządzania wiedzą (KMS) i wspiera realizację części jego zadań. Umożliwia strukturyzowanie informacji, tworzenie relacji między obiektami badawczymi, zachowywanie historii zmian oraz kontrolowanie dostępu. Funkcje te mogą ułatwiać zachowanie kontekstu prowadzonych prac i późniejsze odnajdywanie właściwej wiedzy. Dzięki elastyczności wynikającej z projektowania z myślą o KM Labgears jest dziś wykorzystywany także poza R&D – przez inne działy tej samej organizacji. Nie jest to zaskakujące – problemy, takie jak rozproszenie informacji, utrata kontekstu, czy brak powiązań między elementami wiedzy, nie są specyficzne wyłącznie dla laboratorium, a KM jest potrzebne wszędzie tam, gdzie organizacja chce zachować i ponownie wykorzystać to, czego się nauczyła.

AI potrzebuje dobrej pamięci, zanim zacznie z niej korzystać

Uporządkowana pamięć organizacyjna może w przyszłości stać się fundamentem dla nowoczesnych sposobów korzystania z wiedzy: wyszukiwania semantycznego, zadawania pytań w języku naturalnym, odnajdywania analogicznych eksperymentów czy syntezy informacji z wielu projektów. Dzięki dostępowi do kontekstu, relacji i historii decyzji systemy AI mogą operować na znacznie pełniejszym obrazie wiedzy organizacyjnej niż rozwiązania analizujące wyłącznie zbiór odrębnych dokumentów. Nie oznacza to, że AI naprawi wcześniejsze błędy KM, nie wyeliminuje także problemów związanych z jakością wiedzy. Jeśli przesłanki decyzji nie zostały zapisane, relacje są niekompletne, a dane błędne lub nieaktualne, odpowiedzi generowane przez system będą odzwierciedlać te ograniczenia, a niekiedy nawet je wzmacniać.

NIST wśród ryzyk generatywnej AI wskazuje konfabulacje (potocznie – halucynacje) oraz zagrożenia dla prywatności danych, bezpieczeństwa informacji i własności intelektualnej (NIST, 2024). Odpowiednio zaprojektowane narzędzia IT mogą pomagać ograniczać te ryzyka. Struktura i zachowany kontekst wspierają trafne wyszukiwanie informacji oraz powiązania ze źródłami, historia zmian ułatwia weryfikację odpowiedzi, a kontrola dostępu i zasady wykorzystania treści wspierają ochronę informacji. Mechanizmy te wymagają właściwego wykorzystania w rozwiązaniu AI oraz krytycznej oceny generowanych wyników przez człowieka. W tym kontekście pamięć organizacyjna staje się fundamentem wiarygodnego, transparentnego i kontrolowanego wykorzystania sztucznej inteligencji.

Podsumowanie

Wiedza staje się aktywem organizacji dopiero wtedy, gdy można do niej wrócić, zrozumieć jej kontekst, połączyć ją z nowymi informacjami i wykorzystać w kolejnych działaniach – niezależnie od czasu, projektu i osób. Prawdziwym rezultatem KM nie jest więc pełniejsze repozytorium, lecz żywa pamięć organizacyjna – zdolność organizacji do skorzystania z tego, czego nauczyły się jej zespoły.

Autor: dr Damian Graczyk, pracownik Adamed Pharma odpowiedzialny za rozwój oraz wdrażanie aplikacji Labgears zarówno w organizacji, jak i u klientów zewnętrznych