Yapay Zekâ ile Bilgi Yönetimi: Aramadan Karara

Bir satış teklifi hazırlarken geçen yıl benzer bir müşteriye ne söz verildiğini bulmanız gerekebilir. Dosyaya ulaşırsınız, fakat teslim süresinin neden kabul edildiği veya indirimin hangi koşula bağlı olduğu yazmaz. Doğru belge önünüzdedir. Yine de karar vermek için o işi bilen bir çalışma arkadaşınıza danışmanız gerekir.

Şirket belgelerine erişebilen bir AI asistanı, arama işini kolaylaştırabilir. Eski teklifleri bulur, yazışmaları özetler, ilgili bilgileri bir araya getirir. Bu değerli bir kazanım. Ancak hazırlayacağınız teklifin doğru olması, bulduğunuz örneğin bugünkü müşteri için ne ölçüde geçerli olduğunu da anlamanıza bağlıdır.

Bu nedenle bilgi yönetimi projesinin başlangıcında, hangi işin eksik bilgi yüzünden yavaşladığını belirlemek gerekir. Bütün arşivi aranabilir yapmak, bu soruya verilmiş bir cevap değildir.

Bilgi nerede duruyor, hangi işte kullanılıyor?

Faisal Hoque, Thomas Davenport ve Paul Scade, Harvard Data Science Review’daki bilgi yönetimi yazısında bilgi birikimi ile bilgi akışı arasında ayrım yapıyor. Birincisi eldeki belgeleri ve kayıtları kapsıyor. İkincisi, bu bilginin ihtiyaç duyulan işe nasıl ulaştığıyla ilgili. Yazarların önerisi, bilgiye erişimi artırma hedefini belirli bir iş problemine bağlamak.

Teklif örneğinde böyle bir sistem, geçmiş dosyaları sıralamanın ötesine geçebilir. Daha önce verilen sözleri, bunların koşullarını ve uygulamada yaşanan sorunları teklif hazırlayan kişiye birlikte gösterebilir. Bunun için eski kararların gerekçeleri kaydedilmiş, güncel bilgiler ayırt edilmiş ve eksik durumda kime danışılacağı belli olmalıdır.

Bu hazırlık yapılmadığında model, eksik bilgiden makul görünen bir cevap üretebilir. Çalışan da cevabın dayanağını araştırmak için yeniden dosyalara ve iş arkadaşlarına döner. Aramayı kolaylaştıran sistem, karar vermek için gereken emeği aynı ölçüde azaltmamış olabilir.

Şirketin hafızası olan çalışanları korumak üzerine yazımda bu bilginin insan tarafını ele almıştım. Buradaki devam sorusu, o deneyimin günlük kararlara nasıl ulaşacağı.

Zaman kazanmak ile işin iyileşmesi arasındaki mesafe

Avustralya kamu kurumlarının 2024 tarihli Microsoft 365 Copilot değerlendirmesinde, katılımcılar özetleme, ilk taslak hazırlama ve bilgi aramada zaman kazandıklarını bildirdi. Ancak cevapları kontrol etmek ve işin bağlamına göre düzeltmek, tasarrufun bir bölümünü geri aldı. Bunlar katılımcıların değerlendirmelerine dayanıyor. Doğrudan ölçülmüş bir şirket verimliliği sonucu olarak okunmamalı.

Bu bulgular bilgi yönetimi için de önemli bir ölçüm sorunu gösteriyor. Dosyaları daha hızlı bulmak, sonraki adımın da hızlandığını söylemeye yetmez. Teklif yine aynı onayı bekliyorsa veya bulunan bilgiyi başka bir ekip baştan doğruluyorsa, aramada kazanılan sürenin müşteriye ne kadar yansıdığı ayrıca ölçülmelidir.

Tek bir iş üzerinden başlayın

Başlangıç için tekrar eden, gecikmesi veya hatası maliyet yaratan bir iş seçilebilir. Örneğin müşteri teklifleri. Hangi bilgiye ihtiyaç duyulduğu, bu bilginin nerede eksik kaldığı ve doğruluğundan kimin sorumlu olacağı, o işi yapanlarla birlikte belirlenmelidir.

Ardından ihtiyaç duyulan bilgi, çalışanın karar verdiği yere taşınabilir. Bu bazen AI destekli bir asistan gerektirir. Bazen de güncel bir teklif şablonu, açık indirim kuralları ve sorumlusu belli bir kayıt düzeni yeterlidir. Seçilen çözümün, bilgi toplama kadar kontrol ve düzeltme yükünü de hesaba katması gerekir.

Denemenin sonucuna bakarken kaç dosyanın sisteme alındığıyla yetinmeyin. Teklifin tamamlanma süresi, geri dönen düzeltmeler ve aynı konunun yeniden araştırılma sıklığı, işin değişip değişmediğini daha iyi anlatır. İşi bilen çalışanların geri bildirimi de hangi bilginin hâlâ eksik olduğunu gösterir.

Böyle bir denemeden sonra kapsamı büyütmek için somut bir dayanak oluşur: Yeni sisteme bağlanacak her bilgi kaynağının, hangi kararı iyileştireceği ve buna neden ihtiyaç duyulduğu açıklanabilir.