Magma topp logo Til forsiden Econa

Petter Gottschalk er professor i IT-ledelse ved Handelshøyskolen BI. Han har vært administrerende direktør i ABB Datakabel og i Norsk Regnesentral. Hans siste bok er Advokatfirmaet som kunnskapsbedrift: Strategisk bruk av IT, hvor han dokumenterer empiriske resultater om vekstmodellen for IT-støttet kunnskapsledelse i norske advokatfirmaer.

Vekstmodellen for IT-støttet kunnskapsledelse

Vekstmodeller blir ofte brukt for å vise hvordan virksomheter utvikler seg over tid. Noen modeller kan vise hele livssyklusen for en bedrift, mens andre viser livssyklusen for bedriftens produkter og tjenester. Slike modeller antar at det finnes et mønster i hvordan organisasjoner utvikler seg over tid. Vekstmodeller viser en sekvensiell, hierarkisk utvikling som er vanskelig å reversere.

Den kanskje mest kjente vekstmodellen innenfor IT-ledelse går ut på at bedrifter utvikler seg gjennom seks stadier i sin modenhet ved bruk av informasjonsteknologi. Nolan (1979) betegner de seks stadiene for initiering, økning, kontroll, integrasjon, dataadministrasjon og moden bruk. Senere er denne vekstmodellen for bedrifters IT-modenhet blitt revidert og utvidet til ni stadier: initiering, økning, kontroll, integrasjon, arkitektur, re-engineering, infrastruktur, kontrollert vekst og rask reaksjon.

Et annet eksempel på vekstmodell er Earls (2000) modell for virksomheters bruk av Internett. Følgende seks stadier blir der definert for hvordan Internett blir brukt i virksomhetens tjeneste: ekstern kommunikasjon, intern kommunikasjon, e-handel, e-forretning, e-bedrift og e-transformasjon.

KUNNSKAPSLEDELSE I FIRE STEG

Vekstmodellen for IT-støttet kunnskapsledelse som nå skal presenteres, består av fire stadier: person-til-verktøy, person-til-person, person-til-informasjon og person-til-system. På det første stadiet får kunnskapsarbeiderne i kunnskapsbedriften tilgang til programvare som tekstbehandling, e-post, regneark og presentasjonsverktøy. På det andre stadiet brukes teknologi til å lagre informasjon om informasjonskilder; systemet kan gi informasjon om hvem som vet. På det tredje stadiet brukes teknologi til å lagre selve informasjonen, gjerne i databaser. På det fjerde og siste stadiet brukes teknologi til å anvende informasjon, eksempelvis i ekspertsystemer. Her blir lagret informasjon forsøkt tolket slik mennesker ville ha tolket den. Et ekspertsystem er et dataprogram som simulerer vurderinger og avgjørelser tatt av mennesker og organisasjoner som har ekspertise og erfaring innenfor et spesielt felt. Ekspertsystemer utfører oppgaver som ellers ville blitt utført av en ekspert.

De fire stegene er illustrert i figuren. Det nederste nivået inneholder en rekke verktøy som kunnskapsarbeideren kan benytte. Det nest nederste nivået viser informasjon om hvor informasjon finnes. Det tredje nivået viser selve informasjonen som kan bli til kunnskap, og det fjerde og øverste nivået viser informasjon som brukes til tolkning i IT-baserte ekspertsystemer eller annen form for kunstig intelligens. Normalt vil en bedrift måtte utvikle seg fra fase til fase. Dermed vil for eksempel en bedrift som allerede er i fase II, kunne satse på fase III, mens en bedrift som bare er i fase I, neppe bør gjøre det samme.

Kunnskapsbedrifter lever av å utvikle, forvalte, bruke og levere kunnskap. Konsulentfirmaer er typiske eksempler på kunnskapsbedrifter. Sarvary (1999, s. 97) hevder at IT-støttet kunnskapsforvaltning vil forandre konkurranseforholdene i konsulentbransjen:

Originally, the consulting firm's proposition was to provide a resource: smart people to solve the client's problem. Increasingly, the clients began hiring people from the same pool as consulting firms: MBAs from top business schools. Finding smart people is no longer a problem. Rather, clients want to benefit from the consulting firm's broad experience, and, more importantly, have access to the knowledge that emerges from this experience.

Trolig vil denne forandringen skje gjennom bruk av informasjonsteknologi ved at konsulentfirmaer som kunnskapsbedrifter utvikler seg gjennom de fire fasene. La oss se nærmere på hvert enkelt fase i vekstmodellen for IT-støttet kunnskapsledelse.

STEG I: PERSON-TIL-VERKTØY (SLUTTBRUKERVERKTØY)

Verktøy for sluttbrukere blir gjort tilgjengelige for kunnskapsarbeidere i kunnskapsbedriften. Her får hver kunnskapsarbeider tilgang til PC som er koplet til et nettverk, og som inneholder personlig programvare som tekstbehandling, presentasjonsverktøy og regneark. Ved å bruke slike verktøy blir det lettere å utveksle dokumenter i bedriften, hvor særlig e-post spiller en viktig rolle.

I advokatfirmaer var det vanlig at advokater dikterte sine notater og brev, og at sekretærer så skrev inn teksten. Med moderne tekstbehandling er det blitt vanlig at advokatene skriver teksten direkte inn selv, fremfor å gå via diktafon. Fortsatt kan det hende at en advokat iblant dikterer og en sekretær skriver inn, men ved retting av dokumentet vil advokaten gjøre det selv på maskinen fremfor å bruke penn på papiret.

I denne første fasen for IT-støttet kunnskapsforvaltning er det hver kunnskapsarbeider som velger hva han eller hun vil ta i bruk. Denne fasen kan derfor kallesperson-til-verktøy- ellerperson-til-teknologi-fasen, eller fasen forsluttbrukerverktøy. Formålet med teknologibruken er å forbedre individuell effektivitet.

figur

Figur 1: Vekstmodellen for IT-støttet kunnskapsledelse

STEG II: PERSON-TIL-PERSON (HVEM VET HVA)

Informasjon om hvem som vet hva, blir gjort tilgjengelig for alle ansatte i bedriften og kanskje også til utvalgte eksterne partnere. Det lages elektroniske oversikter over informasjonskilder. Det lages elektroniske ordlister med synonymer, slik at man kan finne frem til ekspertise selv om man bruker andre begreper enn det eksperten gjør.

Ifølge Alavi og Leidner (2001) er utvikling av bedriftskataloger som er basert på kartlegging av intern ekspertise, en vanlig applikasjon for IT-støttet kunnskapsledelse. Fordi mye kunnskap i en organisasjon forblir i hodene på medarbeiderne, er kartlegging av intern ekspertise en teknologiapplikasjon med stort potensial for å gjøre det lettere å identifisere personer med relevant, oppdatert kunnskap.

Denne type applikasjon er i tråd med den kartografiske skolen i kunnskapsledelse (Earl 2001), som er opptatt av å kartlegge all kunnskap i organisasjonen. Denne skolen har som mål å registrere og formidle hvem i organisasjonen som vet hva, ved å bygge kunnskapskataloger. Ofte blir dette kalt gule sider, hvor hovedtanken er at kunnskapsrike personer i organisasjonen lett skal la seg identifisere og kontakte av andre for råd, konsultasjon og kunnskapsutveksling. Kunnskapsorienterte kataloger er ikke så mye lager av kunnskapsbasert informasjon som en kanal til kunnskap, og kunnskapen er like gjerne taus som eksplisitt i sin karakter.

Informasjon om hvem som vet hva, blir iblant kaltmetadata, fordi den representerer kunnskap om hvor kunnskap finnes. Et kunnskapskart eller en kunnskapskatalog i bedriften gjør det mulig for personer raskt å kunne identifisere en kollega som har den nødvendige kunnskapen -- raskere enn det som ville vært mulig uten et slikt IT-basert søkeverktøy.

Advokatfirmaer har stor nytte av kunnskapskataloger som dette. Den gang advokatfirmaer hadde en håndfull advokater, var det mulig å holde oversikt ved å holde kontakt med hverandre. I dag har store advokatfirmaer i hovedstaden mer enn hundre advokater, og det er ikke lenger mulig å holde oversikt ved å kjenne hver enkelt.

Et første tiltak på nivå II kan være å lagre hver kunnskapsarbeiders CV. Informasjon om fagområder hvor personen har spesiell ekspertise, erfaringer fra prosjekter som er avsluttet, og kontakter med viktige kunder kan etter hvert supplere CV-en. For eksempel kan en advokat i et advokatfirma arbeide med saker for klienter ved å bruke forskjellige informasjonskilder som kan registreres på gule sider i form av bedriftens intranett.

På steg II bruker bedrifter personifisert strategi i kunnskapsledelse. Ifølge Hansen (1999) går personifisert strategi ut på å la kunnskap være nært knyttet til personen som utviklet den, og kunnskapen blir overført og delt gjennom direkte person-til-person-kontakt. Denne strategien fokuserer på dialog mellom individer: Kunnskap blir overført via e-post, møter og én-til-én-samtaler.

Utvikling av kunnskapsnettverk er et viktig tiltak på nivå II. Hvis ikke spesialister kan kommunisere enkelt og greit med hverandre på tvers av ulike datamaskiner og programvare, vil ekspertise forbli utilgjengelig og fort kunne forfalle. Folk må kunne få kontakt med hverandre virtuelt og ansikt til ansikt for å utveksle og bygge sin kollektive kunnskap på hvert spesialistområde. Kunnskapsledelse her dreier seg om å legge til rette for slik kontakt for at viktig kunnskap kan bli delt og forsterket, fremfor å kode og lagre kunnskapen, som man gjør i steg III.

Earl (2001) hevder at kunnskapskataloger i bedrifter gir inntrykk av en større tro på personifisert kunnskap hos individer fremfor kodifisert kunnskap i databaser. Dette skaper et inntrykk av at bedrifter foretrekker kommunikasjon mellom mennesker fremfor teknologibasert informasjonstilgang. Kunnskapsfilosofien til bedrifter som avslutter med steg II, kan gå ut på at det er mennesker i fellesskap som skaper resultater ved å samarbeide direkte med hverandre.

Dermed er det to hovedbidrag fra teknologi i denne fasen. Det ene hovedbidraget er å skape kontakt mellom mennesker ved at de har en rekke hjelpemidler for kommunikasjon, slik som mobiltelefon, telefaks, e-post, intranett og Internett. Ekstranett og Internett kan kople kunnskapsarbeidere til eksterne kunnskapskilder og -leverandører. Det andre hovedbidraget er å gjøre det lettere å finne frem til personer som har relevant ekspertise, ved hjelp av bedriftskataloger, kunnskapskataloger og kunnskapskart.

I denne andre fasen for IT-støttet kunnskapsforvaltning er det hver kunnskapsarbeider som velger hvem han eller hun vil kontakte for å skaffe seg informasjon. Denne fasen kan derfor kallesperson-til-kilde- ellerperson-til-person-fasen, ellerhvem vet hva-fasen. Formålet med teknologibruken er å forbedre individuell produktivitet.

STEG III: PERSON-TIL-INFORMASJON (HVA DE VET)

Informasjon fra kunnskapsarbeidere blir lagret og gjort tilgjengelig for alle ansatte i bedriften og kanskje også til utvalgte eksterne partnere. Den typiske teknologien som benyttes i denne fasen, er databaser. Her organiseres og lagres informasjon på en strukturert måte, eksempelvis i objektorienterte databaser eller nettverksdatabaser. Her benyttes søkeverktøy for å finne relevant informasjon og for å kombinere og sammenstille informasjon som finnes i datavarehus. Datavarehuset kan være basert på programvare fra for eksempel Oracle eller SAS Institute.

Søkeagenter blir også brukt til å finne informasjon i alle tilgjengelige databaser og på Internett, intranett og ekstranett. Fortsatt er det behov for ordlister med synonymer fordi terminologien som brukes av eksperter, kan være annerledes enn den som brukes av folk som kjenner problemet.

Et første tiltak på nivå III kan være å lagre prosjektrapporter, notater, anbefalinger og brev fra hver kunnskapsarbeider i bedriften. Over tid vil omfanget av dette materialet vokse og dermed bli mer attraktivt å søke i. Det vil også bli større behov for å organisere materialet, noe som fører til at bedriften ansetter en kunnskapsforvalter. En kunnskapsforvalter kan ha som hovedoppgave å holde orden på alle informasjonskildene, og da velger man ofte å ansette en bibliotekar. Dersom en kunnskapsforvalter får som primæroppgave å systematisere og klassifisere kunnskapen i firmaet, vil man ofte ansette en person med samme faglige bakgrunn. Det betyr at det vil være en jurist i et advokatfirma og en lege på et sykehus. I et advokatfirma vil da juristen som kunnskapsforvalter foreta nødvendig klassifisering av klientsaker og få dem lagret i databaser ved å bruke programvare som Lotus Notes.

Et hovedbidrag fra informasjonsteknologi på nivå III er direkte tilgang til informasjon fra felles databaser på tvers av arbeidsoppgaver, bedriftsnivåer, fagområder og geografisk lokalisering for alle kunnskapsarbeidere i hele arbeidsprosessen (Earl 2001).

Alavi og Leidner (2001) gjengir en undersøkelse som viste at 74 prosent av dem som svarte, mente at den beste kunnskapen i bedriften var utilgjengelig, og 68 prosent trodde at feil ble gjentatt flere ganger. Slike oppfatninger om manglende tilgang til kunnskap og manglende bruk av erfaring er gode grunner for å kartlegge og kodifisere kunnskap og lagre informasjon som er basert på intern ekspertise.

En populær applikasjon på nivå III er lagring av mønsterløsninger (best practices). Mønsterløsninger er arbeid som er utført av kunnskapsarbeidere i bedriften, og som har vist seg å være svært vellykket. Det kan være en krevende jobb for en kunnskapsforvalter å identifisere mønsterløsninger og kode og lagre dem.

I tillegg til (i) mønsterløsninger med topp kvalitet for bedriftens kjerneprosesser, vil vanlige applikasjoner omfatte (ii) kunnskap for salgsformål, slik som informasjon om produkter, markeder og kunder, (iii) erfaringer fra prosjekter og produktutviklingsarbeid, (iv) kunnskap om implementering av informasjonssystemer, (v) etterretningsinformasjon om strategi og planer hos konkurrenter og (vi) historier og eksempler som er viktige når bedriften skal gå i en ny retning (Grover og Davenport 2001).

På nivå III skaffes tilgang både til kunnskap (ekspertise og erfaring hos kolleger) og informasjon (rapporter og annet materiale i databaser) ved hjelp av informasjonssystemer til kunnskapsarbeider, driftspersonell og ledelsen. Forsyning og distribusjon av kunnskap og informasjon er ikke begrenset. Mens vi på nivå I kunne si atbedriften gir kunnskapsarbeideren verktøy for å gjøre jobben, kunne vi på nivå II tilføye atbedriften gir kunnskapsarbeideren tilgang til kolleger som vet hvordan jobben kan gjøres, og her på nivå III kan det tilføyes atbedriften gir kunnskapsarbeideren tilgang til informasjon for å gjøre jobben. Ifølge Earl (2000) er dette en måte å si at bedriftens kunnskapsfilosofi går ut på å forbedre dens evne til å løse sine oppgaver ved å styrke den interne kunnskapsflyten på flere nivåer.

Selv om de fleste databaser er utviklet og fylt med data for et spesielt fagområde, blir det stadig vanligere å kople databaser til hverandre, slik at en kunnskapsarbeider ikke er nødt til å vite hva hver enkelt database heter og inneholder. Koplingen kan foregå enten ved at det bygges en metadatabase for flere databaser, eller ved at det bygges en portal for hver enkelt kunnskapsarbeider eller gruppe av kunnskapsarbeidere.

Den interne portalen gjør det mulig for kunnskapsarbeidere å få tilgang til ulike datakilder fra ett eneste skjermbilde, som gjerne er laget som en nettside. Jobben som må gjøres her, går ut på å kartlegge hvilket informasjonsbehov hver kunnskapsarbeider har i løpet av en arbeidsdag, for å finne frem til et nyttig innhold i portalen. Det må også være enkelt for kunnskapsarbeideren å be om endringer i portalens innhold over tid.

Grover og Davenport (2001) fant ut at det blir stadig vanligere i kunnskapsbedrifter å ha databaser med pekere til eksperter i organisasjonen som er spesielt kunnskapsrike på området. Disse pekerne kan samles i en egen kunnskapskatalog, slik at en kunnskapssøker både finner relevant informasjon i databasen og en liste over eksperter i kunnskapskatalogen. Dette opplegget kan kalles gule sider for kunnskap, som både gir tilgang til kodifisert kunnskap og til innehavere av ikke-kodifisert kunnskap. Ofte vil listen over eksperter i kunnskapskatalogen inneholde navn på personer som bidro med informasjon i databasen, fordi slike personer kan bidra med bakgrunnsmateriale og flere detaljer enn det som ligger i databasen.

På nivå III bruker bedrifter kodifisert strategi i kunnskapsledelse til forskjell fra personifisert strategi, som ble brukt på nivå II. Ifølge Hansen (1999) er kodifisert strategi langt mer avhengig av informasjonsteknologi: Kunnskap blir fortalt, skrevet ned, registrert, kodifisert som tekst, tall, figurer eller bilder, lagret i databaser og gjort tilgjengelig for alle som har behov for og rett til å bruke informasjonsinnholdet. Med en kodifisert strategi blir kunnskap ekstrahert fra personen som utviklet kunnskapen, gjort uavhengig av denne personen og lagret i form av tekst, tabeller, modeller og illustrasjoner. Den blir klassifisert og kategorisert for søk på stikkord og/eller lagt ut som fritekst for direkte søk i innholdet.

På nivå III lagres informasjon som opprinnelig var kunnskap, og informasjon som opprinnelig var data. Kodifisert strategi omgjør kunnskap til informasjon, mens datavarehus omgjør data til informasjon. I hierarkiet data--informasjon--kunnskap ser vi dermed at både data og kunnskap møtes som informasjon i elektronisk form. Dermed er det også mulig å kombinere informasjon som opprinnelig var kunnskap, med informasjon som opprinnelig var data, ved hjelp av informasjonsteknologi. Statistiske metoder kan bli brukt på informasjon som er registrert som tall. Tolkningsmetoder kan bli brukt på informasjon som er registrert som tekst. Klassifiseringsmetoder kan bli brukt på informasjon som er registrert som bilder. En samlebetegnelse for informasjon som er registrert som tekst, tall og/eller bilder, erdokument.

Sprague (1995) hevder at konsepter og ideer som finnes i dokumenter, er langt mer verdifulle og viktigere for organisasjoner enn fakta som tradisjonelt ble lagret i datafiler. Et dokument kan defineres som en enhet med registrert informasjon strukturert for menneskers forbruk. Informasjonen må være registrert og lagret, så en tale eller samtale som ikke er dokumentert, er altså ikke et dokument. Et dokument er et utvalg av informasjon med en bestemt vinkling eller et bestemt tema. Det kan inneholde mange ulike informasjonstyper, eksistere på mange steder i et nettverk og i mange versjoner. Et dokument kan være avhengig av informasjon i andre dokumenter, og det kan endre seg når tilknyttede dokumenter blir oppdatert. Det kan bli aksessert og modifisert av mange personer samtidig.

På dette tredje steget for IT-støttet kunnskapsforvaltning er det hver enkelt kunnskapsarbeider som velger hvilken informasjon han eller hun vil trekke ut av dokumenter i databaser. Denne fasen kan derfor kallesperson-til-informasjon- ellerperson-til-dokument-fasen, ellerhva de vet-fasen. Formålet med teknologibruken er å forbedre organisasjonens effektivitet.

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 vanligste teknologiene innenfor kunstig intelligens er ekspertsystemer, nevrale nettverk og casebasert resonnering. Det siste går ut på at bedriften allerede har lagret en god del eksempler på hvordan problemer er blitt løst i fortiden. For eksempel kan et konsulentfirma ha lagret rapporter fra tidligere konsulentoppdrag. Ved et nytt konsulentoppdrag vil konsulenten sjekke om et liknende 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 liknende 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 liknende 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 én gang, nemlig da systemet ble laget, mens «liksomeksperten» (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 vanligste er dermed at systemene på nivå IV enten er regelbaserte eller casebaserte. 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 casebaserte systemene går ut på at noen kriterier blir brukt til å sammenlikne 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. Mens regelstyrte systemer blir oppdatert gjennom endringer i kriteriene, blir casebaserte 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 systemet skal inneholde. 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 det.

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 liknende situasjoner har tapt, vil advokaten kanskje råde klienten til å gi seg. Dersom dommer og tidligere saker viser at klienter i liknende situasjoner har vunnet frem med sine krav, vil han 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 (Curtis og Cobham 2002).

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 går 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 (Curtis og Cobham 2002).

Kunnskap fra eksperter som er nødvendig råstoff til ekspertsystemer, ble allerede registrert i steg III. Oppbyggingen av et ekspertsystem vil derfor ikke behøve å starte fra grunnen av i steg IV. Samtidig kan ytterligere kunnskap fra eksperter bli registrert her 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 kallesperson-til-substitutt- ellerperson-til-system-fasen, ellerhvordan de tenker-fasen. Formålet med teknologibruken er å forbedre organisasjonens produktivitet.

KUNNSKAP SOM KONKURRANSEFORTRINN

Når bedrifter ønsker å bruke kunnskap i sanntid i forretningskritiske arbeidsprosesser, må de strukturere informasjonen for rask og presis tilgang. En webbasert 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. Regel- og casebaserte 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 i form av at det gir bedriften et konkurransefortrinn gjennom raskere og bedre svar til kunder, lavere kostnader per kunnskapstransaksjon og mindre behov for nøkkelmedarbeidere som er tilgjengelige døgnet rundt (Grover og Davenport 2001).

Vekstmodellen innebærer at bedrifter utvikler seg fra ett nivå til det neste, og at de tar ett steg av gangen. Men slike antakelser er kontroversielle. For eksempel er nivå II forbundet med en personifisert strategi, mens nivå III er forbundet med en kodifisert strategi. Dersom man velger å se på dette 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 (2001) 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 behandlet deretter, mens individet på nivå III delvis har fått sin anerkjennelse og posisjon frakoplet sin kunnskapsrikdom.

Kunnskapsstrategien i steg II kan også kalles en kommunikasjonsstrategi fordi hovedformålet er å skape personlig kommunikasjon mellom kunnskapsarbeidere. Viktige IT-systemer her er kataloger av forskjellig slag (ekspertliste, kunnskapskatalog, hvem vet hva-oversikter og CV-er) som gir opplysninger om kunnskapsrike kolleger på forskjellige fagfelt og faglige problemer. Ulemper ved bruk av personifisert strategi er mangelen 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.

  • Alavi, M. og D.E. Leidner (2001): «Knowledge Management and Knowledge Management Systems: Conceptual Foundations and Research Issues».MIS Quarterly, 25 (1), s. 107--136.
  • Curtis, G. og D. Cobham (2002):Business Information Systems: Analysis, Design and Practice. UK: Prentice Hall.
  • Disterer, G. (2001): «Individual and Social Barriers to Knowledge Transfer».Proceedings of the 34th Hawaii International Conference on Systems Sciences (HICSS-34). IEEE, USA: Hawaii.
  • Earl, M.J. (2000): «Evolving the E-business».Business Strategy Review, 11 (2), s. 33--38.
  • Earl, M.J. (2001): «Knowledge Management Strategies: Toward a Taxonomy».Journal of Management Information Systems, 18 (1), s. 215--233.
  • Gottschalk, P. (2003a):Kunnskapskapital gjennom ressursbasert strategi. Oslo: Universitetsforlaget.
  • Gottschalk, P. (2003b):Advokatfirmaet som kunnskapsbedrift: Strategisk bruk av IT. Bergen: Fagbokforlaget.
  • Grover, V. og T.H. Davenport (2001): «General Perspectives on Knowledge Management: Fostering a Research Agenda».Journal of Management Information Systems, 18 (1), s. 5--21.
  • Hansen, M.T. (1999): «The Search-Transfer Problem: The Role of Weak Ties in Sharing Knowledge across Organizational Subunits».Administrative Science Quarterly, 44, s. 82--111.
  • Lesser, E.L. og J. Storck (2001): «Communities of practice and organizational performance».IBM Systems Journal, 40 (4), s. 831--841.
  • Nolan, R.L. (1979): «Managing the crises in data processing».Harvard Business Review, March--April, s. 115--126.
  • Sarvary, M. (1999): «Knowledge Management and Competition in the Consulting Industry».California Management Review, 41 (2), s. 95--107.
  • Sprague, R.H. (1995): «Electronic Document Management: Challenges and Opportunities for Information Systems Managers».MIS Quarterly, March, s. 29--49.

© Econas Informasjonsservice AS, Rosenkrantz' gate 22 Postboks 1869 Vika N-0124 OSLO
E-post: post@econa.no.  Telefon: 22 82 80 00.  Org. nr 937 747 187. ISSN 1500-0788.

RSS