Por Laszlo Beke
En un evento de Lotusphere en Orlando, hace un poco más de 30 años, descubrí el concepto y el término Gestión del Conocimiento y me emocionó ver las posibilidades de hacer la gestión del conocimiento dentro de una empresa usando Notes. Era algo fascinante, pero rápidamente nos dimos cuenta que todavía no estaba disponible toda la tecnología que nos permitiera escalar la idea. Fue necesario esperar al desarrollo de Internet, la aparición de la Nube, el extraordinario crecimiento de la capacidad del hardware y finalmente ahora la IA para poder abordar esos sueños de la Gestión del Conocimiento y convertirlos en realidad
Estamos acostumbrados a que la IA nos sorprenda proveyendo explicaciones totalmente coherentes con la información que recoge desde Internet, la cual analiza y sintetiza con facilidad. Dentro de una empresa se pueden aprovechar esas características de la IA Generativa trabajando exclusivamente sobre información propia de la empresa, la cual está protegida y solo está disponible internamente. La IA Generativa nos ha venido demostrando que en forma natural es capaz de hacer la gestión del conocimiento dentro de nuestras empresas.
Precisamente, hace un par de meses publiqué el artículo ¡La IA Generativa continúa asombrando!, donde describí el manejo natural del conocimiento que hacía la IA (en este caso Microsoft Copilot) con la información existente en Microsoft 365 dentro de la empresa. En un prompt, relativamente corto, se le indicó el nombre de la persona que dejaba la organización y se le solicitó a Copilot recomendaciones sobre el perfil y las responsabilidades para el cargo. La IA produjo un documento con una descripción exhaustiva del perfil y las responsabilidades de un Gerente de Cuentas para esa unidad de negocios en BekeSantos, donde enfatizó la combinación de habilidades comerciales, consultivas y operativas necesarias para el cargo. ¡Dicha información consolidada no residía directamente en ningún documento! Copilot usó la información existente en M365, la IA hizo su trabajo sobre la información de la empresa tal como existía en correos, mensajes, presentaciones y archivos y sus conclusiones nos sorprendieron a todos, incluyendo los insights que agregó. Es una deducción lógica y simple imaginar lo que pudiera hacer la IA con información más completa y organizada y con ella hacer una Gestión del Conocimiento muy extensa, profunda y útil
¿Por qué hacer Gestión del Conocimiento?
Las empresas pequeñas pueden depender del conocimiento informal, no así las grandes y medianas organizaciones. A medida que una empresa crece necesita estándares, procesos repetibles, transferencia sistemática de conocimiento y consistencia entre sedes y equipos. La gestión del conocimiento permite que la organización crezca sin perder efectividad
. La conclusión es que con la IA podremos hacer la Gestión del Conocimiento en la empresa que nos permita:
- Identificar, codificar el conocimiento y con ello además mitigar la pérdida del conocimiento empresarial.
- Capturar el conocimiento experto.
- Evitar el «reinventar la rueda» y “eliminar silos”.
- Reducir el tiempo de Onboarding y acelerar la integración de los nuevos empleados.
- Implementar el aprendizaje continuo.
- Mantener la calidad y consistencia en la toma de decisiones.
- Reducir riesgos operativos y de cumplimiento.
- Escalar el negocio de manera más eficiente.
Por supuesto, permite habilitar y alimentar a los Copilots y Agentes de IA
y con ello mejorar los procesos, aumentar la productividad y eventualmente apuntar a una Transformación Tecnológica y de IA de la empresa
Como implementar la Gestión del Conocimiento
La clave no es solo “documentar lo que saben los mejores”, sino convertir ese conocimiento en criterios, patrones, decisiones, ejemplos, excepciones y mecanismos de mejora continua que puedan usar tanto nuevos empleados como sistemas de IA. Hay un modelo práctico para implementar la Gestión del Conocimiento en una empresa
, como una evolución de la gestión del conocimiento tradicional hacia un sistema operativo de conocimiento experto aumentado con IA:
- Definir el objetivo “replicar buen juicio” en lugar de “almacenar conocimiento” – No se trata únicamente de tener documentos, manuales o repositorios, sino de capturar cómo piensan los mejores empleados, cómo priorizan, qué señales observan, qué errores evitan, qué criterios usan para decidir, qué excepciones reconocen y qué hacen cuando no hay una respuesta clara.
- Crear una arquitectura de conocimiento por niveles – Para que el conocimiento sea útil a nuevos empleados y a la IA, debe estructurarse en varios niveles: (1) Conocimiento explícito, (2) Conocimiento experto, (3) Conocimiento codificado para IA y (4) Conocimiento vivo.
- Identificar a los “expertos modelo” – Los tipos de expertos a incluir son expertos técnicos, mejores vendedores, mejores supervisores, líderes de operaciones, analistas senior, personas con conocimiento histórico, empleados que resuelven casos complejos, personas que conocen “cómo funcionan realmente las cosas”.
- Extraer el conocimiento experto de forma estructurada – La empresa necesita un proceso formal de captura de conocimiento. Entre los métodos recomendados se incluyen: entrevistas cognitivas, análisis de casos reales, observación del experto, talleres de decisión y captura desde conversaciones y documentos.
- Convertir conocimiento en activos reutilizables – Una vez capturado, el conocimiento debe transformarse en piezas accionables., este incluye los siguientes activos clave: Mapas de decisión, Rúbricas de calidad, Playbooks o Guías Operativas, Casos ejemplo, Prompts y asistentes de IA y Base de conocimiento alimentada por expertos.
- Diseñar el sistema para nuevos empleados – Para los nuevos empleados, el objetivo es acelerar la curva de aprendizaje y se necesita crear una “ruta de aprendizaje inteligente”: Fase 1 – Inducción contextual, Fase 2 – Aprendizaje por casos, Fase 3 – Copiloto de desempeño, Fase 4 – Mentoría humana y Fase 5 – Certificación de criterio.
- Diseñar el sistema para todos los empleados – Para empleados actuales, el objetivo es mejorar consistencia, productividad y calidad. Los componentes recomendados son: Portal único de conocimiento, Copilotos por función, Comunidades de práctica y Revisiones periódicas de conocimiento.
- Incorporar validación experta – Los roles clave son: (a) Dueño del conocimiento: responsable de un dominio específico, (b) Experto validador: aprueba contenido crítico, (c) Curador de conocimiento: organiza, etiqueta y mantiene la base, (d) Responsable de IA: asegura que el sistema use bien el conocimiento, (e) Usuario contribuyente: reporta errores, mejoras y casos nuevos, (f) Comité de gobierno: define prioridades, riesgos y estándares.
- Crear ciclos de retroalimentación – Se necesita capturar feedback de forma estructurada. Los tipos de feedback incluyen: Feedback del usuario, Feedback del experto y Feedback del sistema.
- Gobernar el conocimiento como un activo estratégico – Para que esto funcione en toda la empresa, deben existir elementos de gobierno: taxonomía corporativa, ciclo de vida del conocimiento, responsables claros y políticas de uso de IA.
- Implementar la tecnología adecuada – La tecnología dependerá del ecosistema de la empresa, como ejemplo para una organización que usa Microsoft, una arquitectura práctica podría incluir: (a) Capa de conocimiento – SharePoint, Microsoft Viva Learning, Microsoft Teams, OneDrive, Bases documentales, Wikis internas, Dataverse, Sistemas ERP, CRM o mesa de ayuda, (b) Capa de IA – Microsoft 365 Copilot, Copilot Studio, Azure AI Search, Azure OpenAI, Agentes especializados, Sistemas RAG, Power Automate, Power Apps, (c) Capa de analítica – Power BI, Dashboards de uso, Métricas de calidad, Análisis de preguntas frecuentes, Seguimiento de brechas de conocimiento y (d) Capa de gobierno – Microsoft Purview, Etiquetas de sensibilidad, Control de acceso, Auditoría, Retención documental, Seguridad de datos.
- Principios de diseño – Para que el sistema funcione, se recomiendan estos principios: (1) El conocimiento debe estar integrado al flujo de trabajo, no escondido en repositorios, (2) La IA debe citar o mostrar sus fuentes internas cuando sea posible, (c) Los expertos deben validar lo crítico, no todo indiscriminadamente, (d) Las contribuciones deben tener reputación y trazabilidad, (e) El sistema debe capturar excepciones, no solo reglas generales, (f) Los nuevos empleados deben aprender con casos reales, no solo con cursos, (g) La calidad debe medirse continuamente,(h) La responsabilidad humana debe estar clara, (i) La IA debe saber cuándo escalar y (j) El conocimiento debe tener dueño, vigencia y ciclo de vida.
Se está utilizando información proveniente de Microsoft Copilot y de Gemini, a través de un conjunto de Prompts dirigidos. Se utiliza información de diversos estudios . El artículo también aparece en mi Portal .
