კოლექტიური ინტელექტი არის საერთო ინტელექტი, რომელიც წარმოიშობა თანამშრომლობის, კოლექტიური ძალისხმევისა და კონკურენციის შედეგად. ის ასახავს გუნდის წევრების უნარს მიაღწიონ კონსენსუსს, გადაჭრან რთული პრობლემები და ცვალებად გარემოში ადაპტირდნენ. ბოლოდროინდელი კვლევები აჩვენებს, რომ კოლექტიური ინტელექტი წარმოიშობა სამი ურთიერთდამოკიდებული ინგრედიენტისგან: კოლექტიური მეხსიერება, კოლექტიური ყურადღება და კოლექტიური მსჯელობა. მენეჯერებს შეუძლიათ ეს იდეა გამოიყენონ კონკრეტული სფეროებისთვის, სადაც AI-ს შეუძლია აამაღლოს ორგანიზაციის კოლექტიური კოგნიტური უნარები და უფრო ინფორმირებული გადაწყვეტილებების მიღება წაახალისოს იმგვარად, რომ ეს იყოს ადამიანზე ორიენტირებული და აძლიერებდეს ადამიანის კრეატიულობას.
გააძლიერეთ ინდივიდუალური უნარი ისწავლოთ და იმოქმედოთ შესაძლებლობებზე
გენერაციული AI უკვე ცვლის ცოდნაზე დაფუძნებული მუშაკების სამუშაოებს. მაგალითად, Wall Street-ზე ფინანსური ინსტიტუტები განიხილავენ AI-ის გამოყენებას იმ ამოცანების ავტომატიზაციისთვის, რომლებსაც ადრე ფინანსური ანალიტიკოსები ასრულებდნენ. მიუხედავად იმისა, რომ ეს მიმზიდველია მოკლევადიანი პროდუქტიულობის ზრდისთვის, ასეთი სტრატეგია აშკარა გამოწვევებს უქმნის უფრო გრძელვადიან შედეგებს, როგორიცაა უნარებისა და ცოდნის განვითარება ორგანიზაციაში: თუ შესვლის დონის სამუშაოები სრულად ავტომატიზებულია, როგორ ისწავლიან მუშაკები და გახდებიან მაღალკვალიფიციური ექსპერტები? ასეთი ცვლილება არა მხოლოდ რისკავს ინსტიტუციური ცოდნის განვითარების შეფერხებას, არამედ არღვევს სოციალურ ქსელებსა და ცოდნის გაზიარების პროცესებს, რომლებიც აუცილებელია ორგანიზაციაში კოლექტიური ცოდნის ხელმისაწვდომობისა და შენარჩუნებისთვის.
კოლექტიური მეხსიერება არის ის, თუ როგორ ანაწილებენ, აღადგენენ და აახლებენ ჯგუფები კოლექტიურ ცოდნას. ეს პროცესი საშუალებას აძლევს ინდივიდებს სპეციალიზდნენ და დაიმახსოვრონ განსხვავებული დეტალები, ისე რომ კოლექტიურად ჯგუფმა შეძლოს გაიხსენოს და გამოიყენოს მეტი ხელმისაწვდომი ცოდნა, ვიდრე ინდივიდუალურად შეძლებდნენ.
AI-ს შეუძლია დაეხმაროს კომპანიებს კოლექტიური ცოდნის განვითარებაში, აღდგენასა და განახლებაში
მაგალითად, NVIDIA-მ შეიმუშავა გენერაციულ AI-ზე დაფუძნებული ჩატბოტი ასისტენტი, რომელიც პასუხობს კითხვებს რთული საინჟინრო ამოცანების შესახებ, როგორიცაა ინდუსტრიული ჩიპების დიზაინი. ჩატბოტი ეფუძნება არსებულ დიდ ენობრივ მოდელებს – ე.წ. საფუძვლის მოდელებს – მაგრამ მოდიფიცირებულია შიდა დოკუმენტებით, კოდითა და შიდა კომუნიკაციით, როგორიცაა ელ-ფოსტა და სწრაფი შეტყობინებები. სისტემას შეუძლია ახსნას რთული დიზაინის თემები, დაეხმაროს ინჟინრებს სწრაფად იპოვონ ტექნიკური დოკუმენტები და უპასუხოს კითხვებს დიზაინების, ინსტრუმენტებისა და შიდა ინფრასტრუქტურების შესახებ. ამგვარად, ის ეხმარება ორგანიზაციაში გავრცელებული ცოდნის უფრო ფართოდ ხელმისაწვდომობას. ეს განსაკუთრებით მნიშვნელოვანია ისეთ მულტინაციონალურ კომპანიაში, როგორიცაა NVIDIA, სადაც ადამიანი ექსპერტები ხშირად გლობალურად არიან განაწილებულნი, რაც შეიძლება არახელსაყრელი იყოს სწრაფი დახმარების მისაღებად.
ამგვარად გამოყენებისას, AI სისტემები მხარს უჭერენ ორგანიზაციაში არსებული კოლექტიური ცოდნის აღდგენას. ეს შეიძლება განსაკუთრებით სასარგებლო იყოს იმ პირებისთვის, რომლებსაც სხვა შემთხვევაში შეიძლება არ ჰქონდეთ მეტაცოდნა იმის შესახებ, თუ სად იპოვონ შესაბამისი ინფორმაცია ორგანიზაციაში. ცოდნის ერთ ადგილას თავმოყრით, AI-მა და მისმა მომხმარებელმა ადამიანმა შეიძლება შეძლონ კავშირებისა და დასკვნების გაკეთება, რაც სხვა შემთხვევაში რთული იქნებოდა, ადამიანების მიერ დიდი რაოდენობით მონაცემების დამუშავების შეზღუდვების გამო. ეს მიდგომა შეიძლება გამოყენებულ იქნას ახალი ინფორმაციისა და ამოცანების ინდივიდებზე განაწილებისთვის, ექსპერტიზისა და სპეციალიზაციის გაუმჯობესებული გაგების საფუძველზე.
წყარო: HBR