ADMINISTRACIÓN DEL CONOCIMIENTO

Después de terminar este capítulo, usted podrá:Objetivos de1. Explicar la importancia de la administración del conocimiento en las organizaciones contemporáneas.2. Describir las aplicaciones que son más útiles para distribuir, crear y compartir el conocimiento en la empresa.3. Evaluar el rol de la inteligencia artificial en la administración del conocimiento.4. Explicar cómo las organizaciones pueden usar sistemas expertos y razonamiento basado en casos para capturar conocimientos.5. Explicar cómo las organizaciones pueden usar redes neuronales y otras técnicas inteligentes para mejorar su base de conocimientos.

Shell se despierta con Administración del conocimiento

En 1991, Shell Oil Co. informó los peores resultados financieros de su historia. Esa noticia activó la alarma para efectuar cambios importantes en la forma en que la compañía operaba su negocio. Una solución fue dar más importancia al aprovechamiento de los conocimientos y la experiencia de sus empleados. Si todo el personal de Shell de 21,000 personas podía aprender de la "práctica óptima" de una sola persona, la compañía lograría ahorrar mucho en tiempo y esfuerzo, y tal vez lograría usar esas ideas para efectuar otras innovaciones.

Shell usó sistemas de información para crear un entorno de comunicaciones y colaboración que actuara como "multiplicador del conocimiento". Diez especialistas en temas exprimieron las fuentes de Shell y fuentes externas, como universidades, consultores y otras compañías, y la literatura sobre investigación para extraer prácticas e ideas de vanguardia con las cuales "poblar" un Sistema de Administración del Cono-cimiento (KMS). El KMS contiene conocimiento de tres áreas: modelos de negocios, liderazgo e interacciones humanas. Su depósito contiene 1,000 documentos y 50

"prácticas óptimas", como un modelo desarrollado por un profesor universitario que ayuda a una organización a alcanzar sus metas. Las cuatro principales unidades operativas de Shell adoptaron el modelo. Otros grupos de Shell, como los geólogos, usan sistemas de administración del conocimiento similares.

El Sistema de Administración del Conocimiento fue desarrollado por Shell y un integrador de sistemas, y entró en funciones en septiembre de 1997. Su depósito de conocimientos usa una base de datos SQL. Una aplicación de groupwa-re Lotus Domino permite a los empleados entablar diálogos a través de la intranet de la compañía. El autor de una práctica óptima, guardada en el depósito, podría usar esta herramienta para hablar con sus colegas acerca de sus experiencias.

Sandi Fitch, ejecutiva de nivel superior de Shell Services International, usa el KMS para enseñar liderazgo de negocios a sus subordinados técnicos. Con el KMS, ella puede recorrer paso a paso un modelo de negocios, repasar conceptos, realizar algunos ejercicios con su equipo y luego examinar las prácticas óptimas de otros.

Según la Teltech Resource Network Corporation, una compañía de investigación y servicios del conocimiento de Minneapolis, las compañías que aprovechan sus prácticas óptimas pueden obtener amplios beneficios. La administración de Shell medirá inicialmente los beneficios en términos de uso y el número de prácticas óptimas introducidas en la base de datos; más adelante, seguirá las ideas del sistema que realmente se pongan en práctica.

El uso por parte de Shell Oil Co., de su Sistema de Administración del Conocimiento es un ejemplo de cómo es posible usar sistemas para aprovechar los conocimientos de la organización, al ampliar su disponibilidad. Colaborar y comunicarse con profesionales y expertos, y compartir ideas e información, se han convertido en requisitos indispensables en los negocios, la ciencia y el gobierno. En una economía de información, la captura y distribución de información estratégica y de conocimiento, y la promoción de la colaboración en grupos, se han vuelto vitales para la innovación en las organizaciones y su supervivencia. Se pueden usar sistemas especiales para manejar el conocimiento de la organización, pero éstos presentan los siguientes retos gerenciales:

1. Diseñar sistemas de información que en verdad aumenten la productividad de los trabajadores de conocimientos. Podría ser difícil construir sistemas de información que realmente mejoren la productividad de los trabajadores de conocimientos, porque no siempre se entiende claramente la forma en que la tecnología de información puede apoyar las tareas de nivel superior, como las que realizan los administradores y profesionales (es decir, científicos o ingenieros) (Sheng et ai., 1989-1990). Algunos aspectos del conocimiento de una organización no se pueden capturar ni codificar fácilmente, o la información que las organizaciones por fin logran capturar podría perder actualidad al cambiar los entornos (Malhotra, 1998). Los trabajadores de co-nocimientos de nivel superior podrían oponerse a la introducción de cualquier tecnología nueva o a los sistemas de trabajo del conocimiento, porque éstos merman el control y la creatividad personales.

2. Crear sistemas expertos sólidos. Los sistemas expertos se deben modificar cada vez que hay un cambio en el entorno de la organización. Cada vez que se alteran las reglas

que los expertos usan, los sistemas se deben reprogramar. Es difícil crear sistemas expertos que tengan la flexibilidad de los expertos humanos. Muchos miles de negocios han iniciado proyectos experimentales en el área de sistemas expertos, pero sólo un puñado ha creado sistemas expertos que realmente puedan usarse en producción.

ADMINISTRACIÓN DEL CONOCIMIENTO EN LA ORGANIZACIÓN

En este capitulo se describió el surgimiento de la economía de la información, en la que la principal fuente de riqueza y prosperidad es la producción y distribución de información y conocimiento. Por ejemplo, 55% de la fuerza laboral de Estados Unidos consiste en trabajadores de conocimientos e información, y 60% del producto interno bruto del mismo país proviene de los sectores de conocimiento e información, como los de finanzas y editorial. La tecnología que hace uso intensivo del conocimiento es vital para estos sectores que manejan tanta información, pero también desempeña un rol importante en sectores industriales tradicionales como las industrias automovilística y minera.

En una economía de información, el conocimiento y las aptitudes centrales dos de las tres cosas que hace mejor una organización son activos clave de la organización. Producir bienes o servicios únicos, o producirlos a un costo más bajo que los competidores, requiere un conocimiento y un diseño superiores del proceso de producción. Saber cómo hacer las cosas de una forma eficaz y eficiente, que otras organizaciones no puede copiar, es una fuente principal de utilidades. Algunos teóricos en administración piensan que estos activos de conocimiento tienen una importancia comparable, si no es que mayor, a la de los activos físicos y financieros para garantizar la competitividad y la supervivencia de la empresa. La administración del conocimiento de una organización podría tener una importancia especial en las organizaciones planas o de red, en las que se han eliminado capas administrativas para ayudar a los miembros de equipos y grupos de trabajo de mantener lazos con otros especialistas en su campo.

Las compañías no pueden aprovechar sus recursos de conocimiento si tienen procesos ineficientes para capturarlo y distribuirlo o si no aprecian el valor del conocimiento que poseen. Algunas corporaciones, como la Shell Oil Company, descrita en el caso inicial, y otras que se verán en este capítulo, han creado programas explícitos de administración del conocimiento para proteger y distribuir los recursos de conocimiento que han identificado y para descubrir nuevas fuentes de conocimiento. Tales programas a menudo son dirigidos por un funcionario de conocimiento en jefe iCKO, del inglés chief knowledge officer): un ejecutivo de nivel superior, encargado del programa de

administración del conocimiento de la compañía. El CKO ayuda a diseñar programas y sistemas para encontrar nuevas fuentes de conocimiento o aprovechar mejor los conocimientos existentes en los procesos de organización y administración (Earl y Scott, 1999).

Sistemas de información y administración de! conocimientoTodos los tipos principales de sistemas de información que se han descrito hasta ahora facilitan el flujo de información y llevan incorporados el conocimiento de la organización. Sin embargo, los sistemas de automatización de oficinas (OAS), los de trabajo del conocimiento (KWS), los de colaboración en grupos groupware y las aplicaciones de inteligencia artificial tienen una utilidad especial para la administración del conocimiento, porque se concentran en apoyar los trabajos de información y conocimiento, y en definir y capturar la base de conocimientos de la organización. Esta base podría incluir: (1) conocimiento interno estructurado, como manuales de productos o informes de investigación; (2) conocimiento extemo, como información estratégica competitiva; y (3) conocimiento interno informal, a menudo llamado conocimiento tácito, que reside de manera individual en la mente de empleados, pero no se ha documentado en una forma estructurada (Davenport, DeLong y Beers, 1998).

Trabajo del conocimiento y productividadEn las economías de información, la productividad de una organización depende del aumento de la productividad de los trabajadores de conocimientos e información. Por ello, las compañías han hecho enormes inversiones en tecnología para apoyar el trabajo de información. La tecnología de información ya representa 41% del total que los negocios gastan en capital para equipo en Estados Unidos (Roach, 1996). Gran parte de esa inversión en tecnología de información se ha vertido en oficinas y en el sector de servicios. Los sistemas de automatización de oficinas y de trabajo profesional se cuentan entre las aplicaciones de los sistemas de información que están creciendo más rápidamente. Aunque la tecnología de información ha elevado la productividad en producción, el grado en que las computadoras han mejorado la productividad de los trabajadores de información ha sido tema de debates. Algunos estudios muestran que la inversión en tecnología de información no ha dado pie a ningún crecimiento apreciable en la productividad de los trabajadores de oficina. El aumento promedio en la productividad de estos empleados de "cuello blanco" fue de sólo 0.28% anual entre1980 y 1990. Las compañías corporativas y las medidas para reducir costos ha aumentado la eficiencia de los trabajadores, pero todavía no producen mejoras sostenidas que indiquen verdaderos aumentos de la productividad.

INFORMACIÓN Y SISTEMAS DE TRABAJO DEL CONOCIMIENTO

El trabajo de información consiste primordialmente en crear o procesar información, y lo realizan trabajadores de información que por lo regular se dividen en dos subcategorías: trabajadores de datos, que procesan y diseminan información; y trabajadores de conocimientos, que crean conocimiento e información.Como ejemplos de trabajadores de datos se pueden citar a secretarias, personal de ventas, contadores y dibujantes. Los investigadores, diseñadores, arquitectos, escritores y jueces son ejemplos de trabajadores de conocimientos. Los trabajadores de datos por lo regular se distinguen de los de conocimientos porque estos últimos suelen tener niveles más altos de estudios y pertenecen a organizaciones profesionales. Además, los

trabajadores de conocimientos ejercen su juicio independiente como aspectos rutinarios de su trabajo. Los trabajadores de datos y de conocimientos tienen diferentes necesidades de información y diferentes sistemas para apoyarlas.

Distribución del conocimiento: sistemas de manejo de oficinas y de documentosCasi todo el trabajo con datos y una buena parte del trabajo del conocimiento tiene lugar en oficinas incluye la mayor parte de la labor que efectúan los administradores. La oficina desempeña un rol preponderante en la coordinación del flujo de información a través de toda la organización. La oficina tiene tres funciones básicas • Administrar y coordinar la labor de los trabajadores de datos y de conocimientos.• Vincular la labor de los trabajadores de información locales con todos los niveles y las funciones de la organización.• Vincular la organización con el mundo exterior, que incluye a clientes, proveedores, reguladores del gobierno y auditores externos.Los trabajadores de oficina abarcan una gama muy amplia: profesionales, administradores, personal de ventas y oficinistas que trabajan solos o en grupos. Entre sus principales actividades es-:in las siguientes:• Manejar documentos, lo que incluye crearlos, almacenarlos, recuperarlos y diseminarlos.• Programar las actividades de individuos y grupos.• Comunicar, lo que incluye iniciar, recibir y administrar comunicaciones de voz, digitales y basadas en documentos, para individuos y grupos.• Administrar datos, por ejemplo, de empleados, clientes y proveedores.

Los sistemas de automatización de oficinas (OAS, del inglés office automation systems) suelen apoyar estas actividades (véase la Tabla 14.1) y pueden ser definidos como cualquier aplicación ¿t la tecnología de información que busca aumentar la productividad de los trabajadores de información en la oficina. Hace 15 años, la automatización de oficinas sólo implicaba la creación, el procesamiento y el control de documentos. Hoy día. el trabajo profesional con información y conocimiento sigue girando, en gran medida, en torno a documentos, pero el procesamiento digital de imágenes palabras y documentos también es una parte importante de los sistemas, lo mismo que los servicios de comunicación digital de alta velocidad. Dado que el trabajo de oficina consiste en que muchas personas colaboran en proyectos, los sistemas contemporáneos de automatización de oficinas usan potentes herramientas de ayuda a grupos, como los calendarios digitales en red. Un entorno de oficina ideal estaría basado en una red integrada de máquinas digitales que vinculan a grupos de trabajo profesional, administrativo y gerencial, y que ejecutan diversos tipos de software.

Sistemas representativos de automatización de oficinas

Actividad de oficina Tecnología Administración de documentos Procesamiento de textos, autoedición, imágenes de

documentos, edición en Web, administradores de flujo de trabajo.

Calendarización Calendarios electrónicos, gruupware. intranets Comunicación Correo electrónico, correo de voz. Sistemas contestadores

digitales, groupware, intranets. Administración de datos Bases de datos de escritorio, hojas de cálculo, interfases

accesibles con bases de datos de microcomputadora.

Una forma de reducir los problemas que se originan en el flujo de trabajo en papel es medirte el uso de sistemas de imágenes de documentos, que son sistemas que convierten documentos e imágenes a una forma digital para que una computadora pueda almacenarlos y acceder a ellos. Tales sistemas almacenan, recuperan y manipulan una imagen digitalizada de un documento, y permiten desechar el documento original. El sistema debe incluir un escáner (digitalizador) que convierte e1 documento en una imagen compuesta de bits, la cual es almacenada en forma de gráfico. Si el documento no se está usando activamente, por lo regular se guarda en un sistema de disco óptico. E<-tos discos, que se mantienen en línea en unjukebox (un dispositivo para almacenar y recuperar muchos discos ópticos), requieren hasta un minuto para recuperar el documento automáticamente.

Un sistema de imágenes también necesita un servidor de índices para guardar los índices que permitirán a los usuarios identificar y recuperar documentos cuando los necesiten. Los datos del índice se capturan de modo que los documentos se puedan recuperar de diversas maneras, dependiendo de la aplicación. Por ejemplo, el índice podría contener la fecha de digitalización del documento, el nombre y número del cliente, el tipo de documento y cierta información acerca del tema.

Por último, el sistema debe contar con equipo de recuperación, primordialmente estaciones de trabajo que manejen gráficos, así como impresoras, las cuales ya suelen estar incluidas. El sistema de imágenes de USA, que se estudió en el capítulo 2, ilustra los tipos de beneficios que puede ofrecer una tecnología de imágenes.Los sistemas tradicionales de administración de documentos pueden ser costosos y requerir redes cliente/servidor exclusivas, software de cliente especial y capacidad de almacenamiento. Las intranets son una plataforma de bajo costo y disponibilidad universal para la publicación básica de documentos, y muchas compañías las están usando para este fin. Los empleados pueden publicar información usando herramientas para crear páginas Web y colocar éstas en un servidor de Web de intranet, en el que podrán ser compartidas y accedidas por toda la compañía mediante navegadores de Web estándar. Estos "documentos" tipo Web pueden ser objetos multimedios que combinen texto, gráficos, audio y vídeo con hipervínculos. Una vez que se ha colocado un documento en el servidor, se le puede vincular a otros documentos Si se requieren funciones de administración de documentos más avanzadas, como controlar los cambios en los documentos, mantener historiales de actividad y de cambios en los documentos administrados, y buscar documentos con base en su contenido, o bien, en términos del índice, existen sistemas comerciales basados en Web, como los de IntraNet Solutions y Open Text. Proveedores como FileNet y Documentum han mejorado sus sistemas tradicionales de administración de documentos con funciones de Web.

La Ventana sobre administración describe los beneficios del sistema basado en Web que usa BidCom, Inc., para la administración del flujo de trabajo, el control de documentos, y la administración de proyectos en las industrias arquitectónica, de ingeniería y de construcción.

Para poder obtener las grandes ganancias, en cuanto a productividad, que promete la tecnología de imágenes, las organizaciones deben rediseñar su flujo de trabajo. Antes la existencia de una sola copia de un documento determinaba, en gran medida, la forma del flujo de trabajo. El trabajo se tenía que efectuar en serie: no era posible que dos personas trabajaran con el mismo documento al mismo tiempo. El personal dedicaba

una buena parte del tiempo a archivar y recuperar documentos. Una vez que un documento ha sido almacenado electrónicamente, la administración del flujo de trabajo puede alterar los métodos tradicionales del trabajo con documentos.

Creación de conocimiento: sistemas de trabajo del conocimientoEl trabajo del conocimiento es la porción del trabajo de información que crea nuevos conocimiento', e información. Por ejemplo, los trabajadores de conocimientos crean nuevos productos o encuentran maneras de mejorar los productos existentes. El trabajo del conocimiento se divide en muchos campos altamente especializados, y cada uno tiene un conjunto distinto de sistemas de trabajo del conocimiento (KWS, del inglés knouledge work systems), los cuales están especializados para apoyar a los trabajadores en ese campo. Los trabajadores de conocimientos desempeñan tres roles clave, cruciales para la organización y para los administradores que trabajan dentro de la organización:• Mantener actualizada a la organización en cuanto a los conocimientos, conforme éstos se crean en el mundo exterior: en tecnología, ciencia, pensamiento social y artes.• Servir como consultores internos en lo referente a sus área;, de conocimiento, los cambios que están ocurriendo y las oportunidades.• Actuar como agentes del cambio para evaluar, iniciar y promover proyectos de cambio.

Los trabajadores de conocimientos y de datos tienen necesidades de apoyo con sistemas de información un tanto diferentes. Casi todos los trabajadores de conocimientos se apoyan en sistemas de automatización de oficinas, como procesadores de textos, correo de voz y calendarios, pero también necesitan sistemas de trabajo del conocimiento más especializados, los cuales se diseñan específicamente para promover la creación de conocimientos y asegurar que éstos y las bases técnicas se integren debidamente en el negocio.

Requisitos de los sistemas de trabajo del conocimientoLos sistemas de trabajo del conocimiento tienen características que reflejan las necesidades especiales de los trabajadores de conocimientos. En primer lugar, estos sistemas deben proporcionar a los trabajadores de conocimientos las herramientas especializadas que necesitan, como gráficos potentes, herramientas analíticas, y herramientas de comunicación y administración de documentos. Estos sistemas requieren mucha potencia de cómputo para manejar con rapidez los gráficos sofisticados o los cálculos complejos que necesitan los trabajadores de conocimientos, como investigadores científicos, diseñadores de productos y analistas financieros. Dado que estos trabajadores se concentran mucho en el conocimiento del mundo externo, los sistemas también deben proporcionar al trabajador acceso rápido y fácil a bases de datos externas.

Una interfase amable con el usuario es muy importante en los sistemas de los trabajadores de conocimientos. Si las interfases son fáciles de usar, el trabajador ahorra tiempo, porque puede realizar las tareas necesarias y conseguir la información que necesita sin tener que dedicar mucho tiempo a aprender a usar la computadora. Ahorrar tiempo es más importante para los trabajadores de conocimientos que para la mayoría de los demás empleados, porque su salario es alto, y desperdiciar el tiempo de esos trabajadores simplemente sale muy caro. Las estaciones de trabajo del conocimiento suelen estar diseñadas y optimizadas para las tareas específicas que se realizan; por tanto, un ingeniero de diseño necesita una estación de trabajo diferente de la que

requiere un abogado. Los ingenieros de diseño necesitan suficiente potencia de gráficos para manejar sistemas tridimensionales de diseño asistido por computadora (CAD). En cambio, a los analistas financieros les interesa más tener acceso a un sinnúmero de bases de datos externas y almacenadas en discos ópticos, para poder procesar con gran rapidez cantidades enormes de datos financieros.

Ejemplos de sistemas de trabajo del conocimientoLas principales aplicaciones del trabajo del conocimiento son los sistemas de diseño asistido por computadora (CAD), los sistemas de realidad virtual para hacer modelado y simulación, y las estaciones de trabajo financieras. El diseño asistido por computadora (CAD. del inglés compute?-aided design) automatiza la creación y modificación de diseños, utilizando computadoras y software de gráficos avanzado. Si se usa una metodología física de diseño más tradicional, cada modificación al diseño requiere la preparación de un molde y la prueba física de un prototipo. Ese proceso se debe repetir muchas veces, lo cual es costoso y tarda mucho tiempo. En cambio, si el diseñador emplea una estación de trabajo de CAD sólo necesita elaborar un prototipo físico hacia el final del proceso de diseño, porque el diseño se puede probar y modificar fácilmente en la computadora.

La capacidad del software de CAD para proporcionar especificaciones de diseño de las herramientas y del proceso de producción también ahorra mucho tiempo y dinero, además de que el proceso de producción tiene mucho menos problemas. Por ejemplo, el Maddox Design Group de Atlanta. Georgia, usa software de CAD MicroArchitect de IdeaGraphix para sus diseños arquitectónicos. Los diseñadores pueden colocar rápidamente el fondo arquitectónico, meter puertas y ventanas, y luego preparar el diseño de ingeniería. El software es capaz de generar programas para puertas y ventanas, informes de contabilidad de tiempo, y proyecciones de costos.

Los sistemas de realidad virtual cuentan con funciones de visualización generación de superficies y simulación, que van mucho más allá de los sistemas de CAD convencionales. Esos sistemas usan software de gráficos interactivos para crear simulaciones computarizadas tan cercanas a la realidad que los usuarios casi creen que están participando en una situación del mundo real. En muchos sistemas de realidad virtual, el usuario se pone ropa, cascos y otros equipos especiales, dependiendo de la aplicación. La ropa contiene sensores que registran los movimientos del usuario y de inmediato transmiten la información a la computadora. Por ejemplo, si usted desea recorrer una simulación de realidad virtual de una casa, necesitará indumentaria que monitoree los movimientos de sus pies, manos y cabeza. También necesitará lentes que contengan pantallas de vídeo y. a veces, aditamentos de audio y guantes con tacto para quedar totalmente sumergido en la retroalimentación de la computadora.

La realidad virtual apenas está comenzando a rendir frutos en aplicaciones educativas, científicas y de negocios. AB Volvo, el fabricante sueco de automóviles y camiones, permite a los posibles compradores de sus últimos modelos de camiones recolectores de basura "probarlos" en realidad virtual. Burger King usó una versión de realidad virtual de un restaurante futurista para mostrar a los franquiciatarios los nuevos diseños de tiendas y equipos (Adhikari, 1996).Algunos cirujanos del Brigham and Women's Hospital de Boston están usando un sistema de realidad virtual, en el que una representación tridimensional del cerebro, generada mediante exploraciones de CT y MRI. se superpone a vídeo en vivo. Con esta

versión de la visión de rayos X, los cirujanos pueden localizar un tumor en el cerebro con una exactitud de 0.5 milímetros (Ditlea, 1998).

Se están creando aplicaciones de realidad virtual para la Web, gracias a un estándar llamado Lenguaje de Modelado de Realidad Virtual (VRML, del inglés Virtual Reulity Modeling Lan-giinge). VRML es un conjunto de especificaciones para efectuar modelado interactivo tridimensional en la World Wide Web. que puede organizar varios tipos de medios, incluidos animación, imágenes y audio. para colocar a los usuarios en un entorno que simula el mundo real. VRML es independiente de la plataforma, opera desde una computadora de escritorio y no ocupa mucho ancho de banda. Con el uso de su navegador de Web, los usuarios pueden bajar un mundo virtual en tercera dimensión, diseñado con VRML, desde un servidor conectado a Internet. (Las versiones recientes de Netscape Navigator y Microsoft Internet Explorer manejan VRML.)

Lockheed Martin Missile & Space está usando VRML en un entorno de capacitación tridimensional, para mostrar a los empleados cómo operar maquinaria pesada. DuPont. la compañía química de Wilmington, Delaware creó una aplicación en VRML llamada HyperPlant que permite a los usuarios acceder a datos tridimensionales por Internet, con navegadores de Web Netscape.

Los ingenieros pueden recorrer los modelos tridimensionales como si estuvieran caminando físicamente por una planta y viendo los objetos desde la altura normal de los ojos. Este nivel de detalle reduce el número de errores que se cometen durante la construcción de plataformas petroleras, refinerías y otras estructuras.Tower Records de West Sacramento, California, está usando VRML para construir una tienda virtual que atienda a sus clientes por Internet. Los dependientes serán representaciones con el rostro del verdadero empleado, y los compradores podrán escuchar la voz de éste en tiempo real por la Net (Adhikari, 1997).

La industria financiera está usando estaciones de trabajo de inversiones, especializadas para aprovechar los conocimientos y el tiempo de sus corredores, operadores y administradores de carteras. Compañías como Merrill Lynch y Paine Webber han instalado estaciones de trabajo de inversiones que integran una amplia gama de datos de fuentes, tanto internas como externas, que incluyen datos para manejo de contactos, datos del mercado en tiempo real e históricos, e informes de investigación (Stirland, 1998). Antes, profesionales financieros tenían que dedicar una buena cantidad de tiempo para acceder a datos de distintos sistemas y armar la información que necesitaban. Al ofrecer toda la información en un solo lugar, más rápidamente y con menos errores, las estaciones de trabajo agilizan todo el proceso de invertir, desde la selección de acciones hasta la actualización de los expedientes de los clientes.

COMPARTIR CONOCIMIENTOS: SISTEMAS DE COLABORACIÓN EN GRUPOS Y ENTORNOS DE

CONOCIMIENTO EN INTRANETS

Aunque muchas aplicaciones para trabajo de conocimiento e información se han diseñado para individuos que laboran solos, para las organizaciones es cada vez más necesario apoyar a personas que trabajan en grupos.

GroupwareHasta hace poco, el groupware era la herramienta primaria para crear piornos de trabajo en colaboración. Se construye sobre tres principios clave: comunicación, colaboración y coordinación. Este software hace posible que los grupos trabajen juntos con documentos programen reuniones, envíen formatos electrónicos, accedan a carpetas compartidas, desarrollen bases de datos compartidas y envíen correo electrónico.Las compañías que hacen uso intensivo de información, como las consultorías y los bufetes de abogados, han encontrado en el groupware una valiosa herramienta para aprovechar sus activos de conocimiento. Por ejemplo, Ernst & Young, uno de los cinco grandes despachos de contadores de Estados Unidos, usó Lotus Notes para crear un entorno de colaboración de alcance mundial, que ayuda al personal a participar en proyectos que requerían equipos conformados con miembros de diferentes lugares. Sus oficinas en Estados Unidos, Reino Unido, Canadá, Países Bajos y Australia vincularon Lotus Notes con bases de datos relaciónales Oracle y, así, eliminaron varias copias de los archivos. Los empleados pueden compartir un diario, acceder a una base de datos común de prospectos y clientes, y trabajar en proyectos que requieren labor de equipo regional e internacional (Black, 1995).

Entornos de conocimiento en intranetsEl Sistema de Administración del Conocimiento de la Shell Oil Company (véase el Caso inicial del capítulo) es un ejemplo; otro es el entorno de conocimientos desarrollado por la Ford Motor Company, que abarca a toda la empresa. La intranet de Ford conecta a 95.000 empleados profesionales de todo el mundo, y se construyó con el fin de acortar el ciclo de desarrollo de producto de los automóviles. La intranet propor-ciona abundante información que antes habría requerido varias llamadas telefónicas o una visita a la biblioteca. En la página de inicio de la empresa, llamada Ford Hub, hay un directorio de categorías, que incluye Noticias, Gente, Procesos, Productos y Competencia. También están disponibles en línea formatos de registro, mapas, el directorio telefónico de la compañía, planos de edificios, información de recursos humanos, un canal PointCast con actualizaciones automáticas de noticias y precios de acciones, y suministros de texto de la Ford Communications Network (una red telefónica interna de circuito cerrado). Los empleados pueden acceder a bibliotecas en líneas y a un centro Web de Excelencia que contiene información acerca de prácticas óptimas, normas y recomendaciones. Ford confía en que podrá recortar semanas a los procesos de diseño, porque los ingenieros pueden acceder a imágenes desde cualquier lugar del mundo en que estén, a través de intranet en lugar de esperar a que llegue por correo la documentación del proyecto. Ford dice que esta red tan completa transformó procesos implantados hace décadas y ha permitido al personal diseminar información, compartir prácticas óptimas, comunicarse, realizar investigaciones y colaborar de maneras que nunca habían sido posibles (Stuart. 1997).Estas características de las intranets aunadas a su bajo costo, las han convertido en atractiva, alternativas al groupwore particular para el trabajo en colaboración, sobre todo en la pequeña v \¿ mediana empresas. En el caso de tareas sencillas, como compartir o publicar documentos, suele ser me nos costoso construir y mantener una intranet, que aplicaciones basadas en productos comerciales como Lotus Notes, que requiere software exclusivo y redes cliente/servidor.En cambio, para aplicaciones que requieren mucha coordinación y administración, el group ware tipo Notes posee importantes capacidades que las intranets todavía no ofrecen. Notes es más flexible en los casos en que es preciso modificar, actualizar o

editar documentos sobre la marcha y puede rastrear las modificaciones de un documento a su paso por un proceso de edición en colaboración. Las redes internas basadas en Notes son más seguras que las intranets. Los sitios Web tienen más posibilidades de "caerse" o de que sus servidores se sobrecarguen cuando muchos usuarios solicitan datos. Por tanto. Notes es más apropiado para aplicaciones que requieren la producción y publicación de documentos por parte de muchos autores, la actualización frecuente y el rastreo de documentos, mucha seguridad, y reproducción.Aunque las herramientas de intranets para colaboración en grupos están mejorando, la tecnología de intranets funciona mejor como depósito central, con un número reducido de autores e información relativamente estática que no requiere actualizaciones frecuentes. El software Communicator de Netscape Communications contiene un navegador de Web y herramientas para envío de mensajes y colaboración, que incluyen correo electrónico, grupos de noticias, una herramienta para programación y calendarización de grupos, y conferencias punto a punto. La tecnología Web es más útil para publicar información en varios tipos de plataformas de computación y para exhibir conocimientos en forma de objetos multimedios vinculados con otros objetos de conocimientos mediante hipervínculos.

Al mismo tiempo. Notes y otros productos de groupware se están mejorando para que puedan integrarse con Internet o con intranets privadas. Versiones recientes de Domino, una versión de Notes para servidor, permiten a Notes actuar como servidor de Web, y esto ofrece una ruta fácil para las compañías que quieren llevar a Internet o a una intranet sus datos basados en documentos. Los clientes Notes pueden actuar como navegadores de Web para acceder a información en la World Wide Web. Es posible acceder a los servidores y datos de Notes con navegadores de Web y mediante clientes Notes: las bases de datos de Notes pueden contener páginas HTML, además de documentos Notes.

El trabajo en colaboración y el aprendizaje en la organización también se pueden mejorar con el uso de intranets y otras plataformas multimedios para capacitar a empleados y capturar conocimientos. La Ventana sobre organización describe algunos de estos sistemas de capacitación interactiva con multimedios.Las tecnologías de colaboración en grupos por sí solas no pueden promover la habilidad de compartir información si los miembros del equipo no sienten que les conviene hacerlo, sobre todo en organizaciones que fomentan la competencia entre empleados. Esta tecnología apoya óptimamente la labor de un grupo si las aplicaciones se diseñan correctamente, de modo que sean congruentes con las necesidades y prácticas de trabajo de la organización, y si la administración fomenta un ambiente de colaboración (Alavi, 1999).

Capacidades de administración del conocimiento del groupware

Capacidad DescripciónPublicación Publica documentos y permite a varios

usuarios trabajar simultáneamente en el mismo documento; cuenta con un mecanismo para rastrear los cambios efectuados a los documentos

Reproducción Mantiene y actualiza datos idénticos en varias PC y servidores

Control de discusiones Organiza discusiones entre muchos usuarios sobre diferentes temas

Administración de documentos Almacena en una base de datos información proveniente de diversos tipos de software

Administración de ñujo de trabajo Transfiere y rastrea documentos creados por grupos

Seguridad Impide el acceso no autorizado a los datosTransportabilidad Disponibilidad del software para que los

usuarios móviles puedan acceder a la red corporativa durante sus viajes

Desarrollo de aplicaciones Crea aplicaciones personalizadas de software

VENTANA SOBRE ORGANIZACIÓN

Educación multimedia para organizaciones que aprenden¿Deben olvidarse las compañías de los instructores humanos y usar computadoras para capacitar a sus empleados? Muchas piensan que sí, porque están experimentando una escasez ¿e trabajadores capacitados y buscan formas de proporcionar a os empleados los conocimientos que necesitan. Por ejemplo, tan 5ólo en el campo de la tecnología de información, 346,000 pues-tas se quedaron vacantes por falta de candidatos calificados, según un estudio efectuado en 1998 por la Information Technology Association de Arlington, Virginia. Además, el surgimiento de los multimedios y la tecnología Web junto con nuevos enfoques educativos, como la capacitación en colaboración, han mejorado la ca-üdad del aprendizaje basado en computadoras.

General Motors estableció un sistema de apoyo electrónico para el desempeño (EPSS,del inglés electrón¡cperformancesupport ¡vstem), que captura los conocimientos que se crean cuando los empleados trabajan mientras aprenden. Este sistema va dirigido a mecánicos que necesitan capacitarse mientras trabajan. El sistema se apoya mucho en la tecnología de reconocimiento de voz más moderna, y opera en PC del tamaño de una libreta, que los mecánicos llevan colgadas de su cinturón. El sistema entrega materiales de aprendizaje directamente al usuario, con base en la dificultad del problema y el nivel de conocimientos del "estudiante". Cuando los usuarios de este sistema terminan su trabajo de reparación, describen verbalmente el procedimiento que siguieron frente al micrófono de la computadora, incluyendo cualquier problema o solución no documentado que hayan descubierto. La computadora convierte las palabras en texto, el cual finalmente llega a los técnicos de las oficinas centrales de GM. Si los estudiantes descubren conocimientos nuevos que, en opinión de los técnicos de la oficina central tienen utilidad amplia, pueden modificar los procedimientos de servicio y los materiales de capacitación. Según Jim Roach, administrador del programa del grupo de tecnología de servicio de GM, este sistema no sólo modificará la forma en que los mecánicos aprendan, también transformará el modo en que trabajen. Ellos podrán trabajar ahora en una variedad más amplia de vehículos, porque los conocimientos que necesitan están incorporados en el equipo de capacitación que usan.

Para meditar: ¿Cómo mejoran los conocimientos de una organización los sistemas aquí descritos? ¿Como aumentan la eficacia de la organización? ¿Qué desventajas cree que tengan los sistemas de aprendizaje multimedio y basado en Web?

INTELIGENCIA ARTIFICIALLas organizaciones usan tecnología de inteligencia artificial para capturar conocimientos individuales y colectivos, y codificar y ampliar su base de conocimientos.

¿QUÉ ES INTELIGENCIA ARTIFICIAL?

La inteligencia artificial (AI. del inglés artificial intelligence) se puede definir como el esfuerzo por desarrollar sistemas computarizados (tanto hardware como software) que se comporten como seres humanos. Tales sistemas serían capaces de aprender lenguajes naturales, realizar tareas físicas coordinadas (rebotica), usar un aparato perceptivo que informe su conducta física y su lenguaje (sistemas de percepción visual y oral), y emular las habilidades y la toma de decisiones de las personas (sistemas expertos). Estos sistemas también exhibirían lógica, razonamiento, intuición, y las simples cualidades de sentido común asociadas con los seres humanos.

Los sistemas de inteligencia artificial exitosos se basan en los conocimientos, las habilidades y los patrones de razonamiento selectos de seres humanos, pero no dan muestras de inteligencia humana. Los sistemas de inteligencia artificial actuales no idean soluciones nuevas o ingeniosas para los problemas, sino que amplían las facultades de los expertos, sin reemplazarlas ni capturar gran parte de su inteligencia. En pocas palabras, los sistemas existentes carecen del sentido común y la generalidad de los seres humanos naturalmente inteligentes.La inteligencia humana es en extremo compleja y mucho más amplia que la de las computadoras. Un factor clave que distingue a los seres humanos de otros animales es su capacidad para desarrollar asociaciones y usar metáforas y analogías. Al hacerlo, los seres humanos crean reglas nuevas aplican reglas viejas a situaciones nuevas y, a veces, actúan de forma intuitiva o instintiva, sin reglas. Gran parte de lo que se llama sentido común o generalidad en las personas radica en la capacidad para crear metáforas y analogías.

La inteligencia humana también incluye una capacidad única para imponer un aparato conceptual sobre el mundo circundante. Las personas también imponen al mundo que los rodea metaconceptos como causa/efecto y tiempo, y conceptos de orden inferior, como desayuno, cena; almuerzo. Pensar en términos de tales conceptos, y actuar con base en ellos, son características fundamentales de la conducta humana inteligente.

POR QUÉ LOS NEGOCIOS ESTÁN INTERESADOS EN LA INTELIGENCIA ARTIFICIAL

Aunque las aplicaciones de inteligencia artificial son mucho más limitadas que la inteligencia humana, son de gran interés para los negocios por las siguientes razones:• Para conservar conocimientos y habilidades que podrían perderse cuando un reconocido experto se retira, renuncia o fallece.• Para almacenar información en forma activa crear una base de conocimientos de la organización que muchos empleados puedan examinar, de manera muy parecida a un libro di texto o manual electrónico, para que otros aprendan reglas prácticas que no se encuentran en los libros de texto.

• Para crear un mecanismo que no esté sujeto a sensaciones humanas como fatiga y preocupación. Esto podría ser de utilidad especial si los trabajos fueran ecológica, física o mentalmente peligrosos para las personas. Estos sistemas también podrían ser asesores útiles en tiempo: de crisis.• Para eliminar trabajos rutinarios e insatisfactorios que realizan las personas.• Para ampliar la base de conocimientos de la organización, al sugerir soluciones a problema: específicos que son demasiado grandes y complejos para ser analizados por seres humano: en un tiempo corto.

CAPTURA DEL CONOCIMIENTO: SISTEMAS EXPERTOS

En áreas del saber limitadas, como diagnosticar el sistema de encendido de un automóvil o clasificar especimenes biológicos, es posible entender, codificar y colocar en una máquina las reglas prácticas que usan expertos del mundo real. Los sistemas de información que resuelven problemas capturando conocimiento de un dominio muy específico y limitado del saber humano, se denominan sistemas expertos. Éstos ayudan a tomar decisiones, pues hacen preguntas pertinentes y explican las razones para efectuar ciertas acciones.Los sistemas expertos carecen de la amplitud del conocimiento y el entendimiento de principios fundamentales que un experto humano tiene; son estrechos, someros y frágiles. Por lo regular estos sistemas efectúan tareas muy limitadas que los profesionales podrían realizar en unos cuanto: minutos u horas.

Los problemas que los expertos humanos no son capaces de resolver en un tiempo igualmente corto, son demasiado difíciles para un sistema experto. Sin embargo, al capturar el sabe humano en áreas limitadas, los sistemas expertos pueden proporcionar beneficios, pues ayudan ala organizaciones a tomar decisiones de alta calidad, con un número menor de empleados.

CÓMO FUNCIONAN LOS SISTEMAS EXPERTOS

El conocimiento humano se debe modelar o representar en una forma que una computadora logre procesar. El modelo de conocimiento humano que un sistema experto utiliza se conoce como base de conocimientos. Las reglas y los marcos de conocimiento son las dos formas de representar lo conocimientos y la experiencia de los seres humanos.

Los marcos de conocimiento pueden servir para presentar conocimientos al organizar la información en los grupos cuyas características están relacionadas entre sí. Las relaciones se basan en características compartidas, más que en una jerarquía. Este enfoque se funda en la creencia de que las personas usan marcos, o conceptos, para entender rápidamente sus percepciones. Por ejemplo, cuando a una persona se le dice: "Busca un tanque y dispara cuando lo veas", los expertos piensan que los seres humanos invocan un concepto, o marco, del aspecto que debe tener un tanque. Se hace caso omiso de cualquier cosa que no encaje en el concepto de tanque. De forma similar, los investigadores en AI pueden organizar un surtido inmenso de información en marcos, y luego piden a la computadora que explore la base de datos de marcos y enumere las conexiones con otros marcos de interés. El usuario puede seguir los caminos señalados por el sistema.

El núcleo de AI (o shell) es el entorno de programación de un sistema experto. En los albores de estos sistemas, los computólogos usaban lenguajes de programación especializados, como LISP o Prolog, que procesaban listas de reglas de forma eficiente. Actualmente, un número cada vez mayor de sistemas expertos usa núcleos de AI. que son entornos de desarrollo "amables con el usuario". Estos núcleos pueden generar rápidamente pantallas de interfase con el usuario, capturar la base de conocimientos y administrar las estrategias para efectuar búsquedas en la base de reglas.

La estrategia que se sigue para buscar en la base de reglas se denomina máquina de inferencias. Son dos las estrategias que suelen utilizarse: encadenamiento hacia adelante y encadenamiento hacia atrás.

En el encadenamiento hacia adelante, la máquina de inferencias parte de la información introducida por el usuario y busca en la base de reglas hasta llegar a una conclusión. La estrategia consiste en "disparar", o ejecutar, la acción de la regla si se cumple una condición.

En el encadenamiento hacia atrás, la estrategia para buscar en la base de reglas parte de una hipótesis y procede a hacer preguntas al usuario acerca de hechos selectos, hasta que se confirma o rechaza la hipótesis.

CONSTRUCCIÓN DE UN SISTEMA EXPERTO

La construcción de un sistema experto es similar a la de otros sistemas de información, sólo que es un proceso iterativo en el que cada fase podría requerir varias iteraciones, antes de que se desarrolle un sistema completo. Por lo regular, el entorno en el que opera un sistema experto cambia continuamente, así que el sistema también debe sufrir cambios constantes. Algunos sistemas expertos, sobre todo los grandes, son tan complejos que en unos cuantos años los costos de mantenimiento son comparables con los de su desarrollo.

Un equipo de desarrollo de AI consta de uno o más expertos que dominan perfectamente la base de conocimientos, y uno o más ingenieros del conocimiento que pueden traducir los conocimientos (descritos por el experto) a un conjunto de reglas o marcos. Un ingeniero del conocimiento es similar a un analista de sistemas tradicional, pero tiene experiencia especial en la extracción Je información y saber de otros profesionales.

Los miembros del equipo deben seleccionar un problema apropiado para un sistema experto. Para ello, se comparan el costo con los posibles ahorros que producirá el sistema propuesto. Los miembros del equipo desarrollan un sistema prototipo para probar suposiciones acerca de la forma de codificar el conocimiento de los expertos. A continuación, se desarrolla un sistema a plena escala, concentrándose principalmente en la adición de un número muy grande de reglas. La complejidad del sistema crece con el número de reglas, y ello podría hacer que peligre la facilidad de comprensión de éste. En general, el sistema se "podará" para que sea sencillo y potente. Una serie de expertos de la organización prueba el sistema con base en los criterios de desempeño establecidos previamente. Después de las pruebas, el sistema se integra en el flujo de datos y los patrones de trabajo de la organización.

Ejemplos de sistemas expertos que han tenido éxitoNo existe una definición aceptada de sistema experto con éxito. Lo que para un académico es un éxito ("¡Funciona!",), tal vez no lo sea para una corporación ("¡Cuesta un millón de dólares!"). Los siguientes son ejemplos de sistemas expertos que proporcionan a las organizaciones una serie de beneficios, que incluyen reducción de errores, menor costo y tiempo de capacitación, mejores decisiones, y mejor calidad y servicio.

PROBLEMAS CON LOS SISTEMAS EXPERTOS

Aunque los sistemas expertos no poseen la inteligencia sólida y general de los seres humanos, llegan a proporcionar beneficios a las organizaciones si se entienden bien sus limitaciones. Sólo ciertas clases de problemas se pueden resolver con sistemas expertos. Prácticamente todo este tipo de sistemas que han tenido éxito se ocupan de problemas de clasificación, en los que el número de posibles resultados es reducido y en los que se conocen con antelación todos esos posibles resultados. Muchos sistemas expertos requieren labores de desarrollo largas, extensas y costosas. Contratar o capacitar a más expertos podría ser menos costoso que construir un sistema experto.La base de conocimientos de los sistemas expertos es frágil; éstos no pueden aprender ni cambiar con el tiempo. En campos que avanzan con mucha rapidez, como la medicina o las ciencias de la computación, mantener actualizado el conocimiento es un problema crítico. La Digital Equipment Corporation dejó de usar XCON porque su línea de productos cambiaba continuamente; y era demasiado difícil estar actualizando el sistema para capturar los cambios.

Los sistemas expertos sólo pueden representar formas limitadas de conocimiento. El conocimiento tipo SI-ENTONCES se encuentra primordialmente en los libros de texto. No existen representaciones adecuadas para los modelos causales profundos ni para las tendencias temporales. Por ejemplo, ningún sistema experto puede escribir un libro de texto sobre sistemas de información ni realizar otras actividades creativas que no hayan previsto explícitamente los diseñadores del sistema. Muchos expertos no logran expresar su conocimiento mediante un formato SI-ENTONCES. Los sistemas expertos todavía no son capaces de representar conocimiento que sea intuitivo, basado ¿n analogías y en un sentido de las cosas.

Al contrario de lo que prometían inicialmente, los sistemas expertos son más eficaces en la automatización de las funciones de oficina de más bajo nivel: pueden proporcionar listas de verificación electrónicas a empleados de bajo nivel, en las burocracias de servicio como la banca, los seguros, las ventas y los organismos de bienestar social. La aplicabilidad de los sistemas expertos a los problemas gerenciales es muy limitada. Los problemas de los administradores por lo general implican extraer hechos e interpretaciones de fuentes divergentes, evaluar los hechos y comparar una interpretación de éstos con otra; además, no están limitados a una clasificación simple. Los sistemas expertos, basados en el conocimiento previo de unas cuantas alternativas conocidas, no son apropiados para resolver los problemas que los administradores enfrentan a diario.

INFORMACIÓN ESTRATÉGICA DE LA ORGANIZACIÓN: RAZONAMIENTO BASADO EN CASOS

Los sistemas expertos capturan primordialmente el conocimiento de expertos individuales, pero las organizaciones también poseen conocimientos y saber colectivos que han acumulado al paso de los años. Estos conocimientos de la organización se pueden capturar y almacenar utilizando razonamiento basado en casos. En el razonamiento basado en casos (CBR. del inglés case-based reaso-ning), descripciones de experiencias anteriores de especialistas humanos, representadas como casos, se guardan en una base de datos para recuperarlas posteriormente cuando el usuario se topa con un caso nuevo que tiene parámetros similares. El sistema busca casos almacenados cuyas características problema sean similares al nuevo, encuentra el que mejor coincida y aplica las soluciones del caso viejo al nuevo. Las soluciones fructíferas se vinculan con el nuevo caso y ambas cosas se guardan junto con los demás casos de la base de conocimientos. Las soluciones que fracasan también se anexan a la base de datos de casos, junto con explicaciones de por qué no funcionaron (véase la Figura 14-9).

Los sistemas expertos operan aplicando un conjunto de reglas SI-ENTONCES-SI NO a una base de conocimientos, todo lo cual se extrae de expertos humanos. El razonamiento basado en casos, en cambio, representa el conocimiento como una serie de casos, y los usuarios amplían y refinan continuamente esta base de conocimientos.Por ejemplo, se examinará a Compaq Computer de Houston, Texas, una compañía que opera en un entorno de negocios altamente competitivo, orientada hacia el servicio a clientes y que a diario recibe un alud de llamadas telefónicas de clientes que piden ayuda a gritos. Para mantener satisfechos a esos clientes, Compaq necesita gastar millones de dólares cada año para mantener a un numeroso personal de apoyo a clientes que cuente con conocimientos técnicos. Cuando un cliente llama porque tiene un problema, debe describir el problema al personal de servicio a clientes y luego esperar en la línea telefónica mientras la llamada se transfiere al técnico apropiado. Luego, el cliente describe el problema otra vez y el técnico trata de encontrar la respuesta. La experiencia en general, es muy frustrante. A fin de mejorar la atención a clientes y reducir los costos, Compaq comenzó a obsequiar a los clientes que adquirían su impresora Pagemarq, un costoso software de razonamiento basado en casos.

La base de conocimientos del software es una serie de varios cientos de casos reales de problemas con la impresora Pagemarq auténticas anécdotas bélicas de copias manchadas, problemas de memoria de la impresora, papel atascado; todos los problemas típicos que los usuarios enfrentan al usar impresoras láser. Personal capacitado en CBR introdujo descripciones de casos en formato textual en el sistema de CBR. Se introdujeron las palabras clave necesarias para clasifica; el problema, como manchado, embarrado, líneas, rayas y papel atascado. También se introdujo una serie de preguntas que permiten al software definir con mayor precisión el problema. Por último, se anexaron soluciones a cada caso.

Al ejecutar en su computadora el sistema CBR proporcionado por Compaq, el dueño de la impresora ya no necesita llamar al departamento de servicio de Compaq. En lugar de ello, el usuario describe el problema al software. El sistema examina rápidamente casos reales, desechando los que nada tienen que ver y seleccionando los que tienen alguna relación. Si es necesario restringir más los resultados de la búsqueda, el software pedirá al usuario más información. Al final se exhiben uno o más casos pertinentes al problema

específico, junto con sus soluciones. Ahora los clientes resuelven ellos mismos la mayor parte de sus problemas de inmediato, sin llamar por teléfono.) Compaq ahorra entre S10 y S20 millones al año en costos de apoyo a clientes.Los productos nuevos de software comercial, como CasePoint WebServer de Inference, permiten a los clientes acceder por la Web a una base de datos de casos. Al utilizar razonamiento basado en casos, el servidor hace a los clientes una serie de preguntas para definir bien los problemas. Luego, CasePoint extrae soluciones de la base de datos y las pasa a los clientes. El fabricante de productos de audio Kenwood USA empleó esta herramienta para colocar en la Web sus manuales y soluciones de apoyo técnico.

OTRAS TÉCNICAS INTELIGENTES

Las organizaciones están usando otras técnicas de computación inteligente para extender su base de conocimientos, al proporcionar soluciones a problemas que son demasiado grandes o complejos como para que personas con recursos limitados puedan manejarlos. Las redes neuronales, la lógica difusa, los algoritmos genéticos y los agentes inteligentes se están convirtiendo en aplicaciones de negocios prometedoras.

Redes neuronalesHa habido un importante resurgimiento del interés por los enfoques ascendentes de la inteligencia artificia], en los que se diseñan máquinas que imitan el proceso físico de razonamiento del cerebro biológico. La Figura 14-11 muestra dos neuronas del cerebro de una sanguijuela. El soma, o célula nerviosa que aparece en el centro, actúa como interruptor, estimula otras neuronas y es estimulado 5 su vez. De la neurona sale un axón, que es un enlace eléctricamente activo con las dendritas de otras neuronas. Los axones y las dendritas son los "cables" que conectan eléctricamente a las neuronas entre sí. La unión de ambos se denomina sinapsis. Este sencillo modelo biológico es la metáfora para el desarrollo de redes neuronales. Una red neuronal consiste en hardware o software que intenta emular los patrones de procesamiento del cerebro biológico.

FIGURA: Neuronas biológicas de una sanguijuela. Los modelos biológicos sencillos, coro las neuronas de una sanguijuela, han influido en el desarrollo de redes neuronales artificiales o computacionales, en las que las células biológicas son sustituidas por transistores o procesadores enteros.

VENTANA SOBRE TECNOLOGÍA

La información y el conocimiento pueden ser cruciales, pero ¿qué hace una organización si tiene tanta información que no puede aprovecharla? Una compañía que enfrenta enormes problemas de sobrecarga de información es Cerner Corp., con sede en Kansas City, Missouri. Cerner suministra servicios y software a la industria médica internacional. La compañía cuenta con un equipo de desarrollo de software, consultoría

y apoyo de aproximadamente 2,000 personas en todo el mundo. Una tecnología que está resultando especialmente útil es un sistema de razonamiento basado en casos, que se llama simplemente CKR (que en inglés se pronuncia igual que "seeker", buscador), acrónimo de Cerner Knowledge Referen-ce. CKR usa software de razonamiento basado en casos de Infe-rence Corp., Microsoft Office y de una intranet. El sistema se diseñó primordialmente para ayudar a quienes atienden los dos mostradores de ayuda de Cerner: uno que apoya a los usuarios internos y otro que apoya a los clientes de la compañía.

Aunque el sistema es nuevo, ya tiene una base de conocimientos de 13,000 casos. Cuando alguien llama a un mostrador de ayuda, la persona que lo atiende introduce en CKR una pregunta sencilla, en inglés normal, y éste responde con sus propias preguntas hasta que tiene suficiente información para ofrecer soluciones que provienen de problemas similares almacenados en la base de datos. La tecnología hace que todo el mundo sea más inteligente. La directora del equipo de administración del conocimiento, Rhonda Dalzell, explica: "Es posible obtener una respuesta sin conocer a fondo situaciones similares." Una de las características más interesantes de este sistema es la facilidad con que se pueden agregar nuevos casos a la base de datos. Para ello, el usuario tan sólo tiene que hacer clic en el botón de "retroalimentación" y, luego, in-troducir con el teclado sus experiencias en lo tocante al problema. La información se envía automáticamente al autor de casos para su estudio, quien examina las nuevas entradas y, si lo considera apropiado, añade el nuevo caso con preguntas apropiadas.Este sistema tiene beneficios más allá del hecho de que es fácil almacenar los conocimientos de forma organizada para facilitar el acceso a ellos. La organización también se beneficia porque se resuelve el problema que había antes, cuando el personal de apoyo de diferentes lugares tenía que volver a inventar la misma rueda. Ahora, cuando se encuentra una solución a un problema específico en un lugar, el conocimiento pronto está disponible en todos los demás puntos a través de CKR. Por ejemplo, un grupo puede estudiar la mejor forma de implementar Windows NT y compartir de inmediato con otros lo que aprendieron. El sistema ayuda a! personal de distintos lugares a especializarse, porque la administración sabe que los conocimientos que se adquieren en cada lugar están al alcance del personal de todos los demás lugares. Gru-pos de empleados con problemas comunes han formado "comunidades de interés" similares a los grupos de noticias de Internet en la intranet.

Un beneficio inesperado es que Cerner está descubriendo que e! personal nuevo se puede capacitar en la mitad del tiempo. Dalzell asegura que antes se requerían seis meses para capacitar a un empleado nuevo, yconCKRes posible hacerlo en tres meses. Además, ahora la capacitación se concentra en entender conceptos, más que en memorizar detalles, lo que hace a los empleados más eficaces en su trabajo. Cerner ha crecido con gran rapidez y CKR es una forma de poner al día a los empleados nuevos.Para meditar: ¿Qué beneficios de negocios se obtuvieron con el uso de un sistema de razonamiento basado en casos? ¿Cómo modificó el uso de este sistema la forma en que Cerner operaba su negocio? ¿Qué otros tipos de problemas cree usted que se puedan resolver con la ayuda de razonamiento basado en casos?

LA DIFERENCIA ENTRE REDES NEURONALES Y SISTEMAS EXPERTOS

¿Qué tienen de diferente las redes neuronales? Los sistemas expertos buscan emular o modelar la forma en que un experto humano resuelve problemas, pero los constructores de redes neuronales aseguran que esos sistemas no modelan la inteligencia humana, no programan soluciones ni tratan de resolver problemas específicos en sí. En cambio, los diseñadores de redes neuronales tratan de inculcar inteligencia en el hardware, en la forma de una capacidad generalizada para aprender. En contraste, el sistema experto es muy específico para un problema dado y no es fácil readiestrarlo.Se usará como ejemplo un problema sencillo: identificar un gato. Un enfoque de sistemas expertos entrevistaría a cientos de personas para entender cómo los seres humanos reconocen a los gatos; el resultado sería un conjunto extenso de reglas, o marcos, programadas en un sistema experto. En contraste, una red neuronal adiestrable se llevaría a un sitio de prueba, se conectaría a un televisor y comenzaría el proceso de aprendizaje. Cada vez que no se percibiera un gato correctamente, se ajustarían las interconexiones del sistema. Si los gatos se perciben acertadamente, el sistema no se toca y se explora otro objeto.

Están apareciendo aplicaciones de redes neuronales en la medicina, la ciencia y los negocios, para resolver problemas de clasificación de patrones, predicción y análisis financiero, y control y optimización. Papnet es un sistema basado en redes neuronales, que distingue entre células normales y anormales, al examinar estudios de Papanicolau para detectar cáncer del cuello de la matriz. Su exactitud es mucho mayor que la de exámenes visuales realizados por técnicos. La computadora no puede tomar una decisión final, por lo que un técnico repasa cualesquiera células anormales que se seleccionan. Con Papnet, un técnico puede examinar un estudio en la quinta parte del tiempo, y alcanza una exactitud quizá diez veces mayor que con el método manual existente.

Se están usando redes neuronales en la industria financiera para distinguir patrones en grandes reservas de datos, los cuales podrían ayudar a las compañías financieras a predecir el desempeño de acciones, calificaciones de bonos corporativos o quiebras corporativas. Compañías japonesas emplean redes neuronales para predecir calificaciones de valores, definir el momento oportuno para comprar y vender acciones, determinar los rendimientos futuros de los valores, detectar defectos en placas de acero, clasificar defectos de soldadura, analizar sonidos e identificar piezas en una línea de producción de lentes (Asakawa y Takagi, 1994). VISA International Inc. está utilizando una red neuronal para detectar fraudes con tarjetas de crédito, la cuaJ monitorea todas las transacciones con VISA para buscar cambios repentinos en los patrones de compras de los tarjetahabientes (Fryer, 1996).A diferencia de los sistemas expertos, que por lo regular proporcionan explicaciones de sus soluciones, las redes neuronales no siempre logran explicar por qué obtuvieron una determinada solución. Es más, las redes no siempre pueden garantizar una solución con total certeza ni llegar a la misma solución de nuevo con los mismos datos de entrada ni garantizar siempre la mejor solución (Trippi y Turban, 1989-1990). Las redes neuronales son muy sensibles y podrían no funcionar bien si su adiestramiento no cubre suficientes datos o cubre demasiados. En casi todas las aplicaciones actuales, lo mejor es usar las redes neuronales como ayudas para tomadores de decisiones humanas, no como sustitutas de ellos.

Lógica difusaLos programas tradicionales de computadora requieren precisión: encendido-apagado, sí-no, correcto-incorrecto. Sin embargo, los seres humanos no experimentamos el mundo de esa manera. Todos podríamos estar de acuerdo en que +120 grados es caliente y —40 grados es frío; pero ¿24 grados centígrados es caliente, tibio, agradable o fresco? La respuesta depende de mucho-, factores: el viento. La humedad la persona que siente la temperatura, su indumentaria y sus expectativas. Muchas de las cavidades de los seres humanos también son inexactas. Para los conductores de camiones con re-molque sería casi imposible meter en reversa su vehículo, en un espacio que se haya especificado con una precisión de menos de una pulgada por todos los costados.

La lógica difusa, un adelanto relativamente nuevo en AI, basado en reglas, tolera la falta de precisión e incluso la utiliza para resolver problemas que antes no habría sido posible resolver. La lógica difusa consta de diversos conceptos y técnicas para representar e inferir conocimientos imprecisos, inciertos o poco confiables. Puede crear reglas que usan valores aproximados o subjetivos v datos incompletos o ambiguos. Al expresar la lógica con cierta imprecisión cuidadosamente definida, la lógica difusa se acerca más a la forma en que las personas realmente piensan, que a las reglas SI-ENTONCES tradicionales.

Ford Motor Co. desarrolló una aplicación de lógica difusa que simula meter en reversa un camión con remolque, en un espacio de estacionamiento. La aplicación utiliza las tres reglas siguientes:SI el camión está a punto de dar vuelta, ENTONCES reducir el ángulo de viraje. SI el camión está lejos de la plataforma, ENTONCES virar hacia la plataforma. SI el camión está cerca de la plataforma, ENTONCES apuntar el remolque directa-mente hacia la plataforma.

Esta lógica es comprensible para los seres humanos, pues representa la forma en que pensamos mientras metemos el camión en reversa en su espacio.La lógica difusa se usa mucho en Japón y está adquiriendo popularidad en Estados Unidos, debido, en parte, a que los administradores han descubierto que les puede servir para reducir costos y acortar el tiempo de desarrollo. El código de lógica difusa requiere menos reglas SI-ENTONCES, por lo que es más sencillo que el código tradicional. Las reglas requeridas en el ejemplo anterior del camión, junto con sus definiciones de términos, podrían requerir cientos de enunciados SI-ENTONCES para implementarse en la lógica tradicional. El código compacto necesita menos capacidad de cómputo y permite a Sanyo Fisher USA implementar controles de cámaras grabadoras, sin añadir costosa memoria a su producto.

La lógica difusa también permite solucionar problemas que antes no podían resolverse, y así mejorar la calidad de los productos. En Japón, el sistema de tren subterráneo de la ciudad de Sendai usa controles de lógica difusa para acelerar con tanta suavidad que los pasajeros de pie no necesitan sujetarse. Mitsubishi Heavy Industries de Tokio ha podido reducir el consumo de energía de sus acondicionadores de aire, al implementar programas de control en lógica difusa. El dispositivo de autoenfoque de las cámaras fotográficas sólo es posible gracias a la lógica difusa. Williams Sonoma vende una vaporera "inteligente", hecha en Japón, que usa lógica difusa. Un ajuste de calor variable detecta la cantidad de grano, lo cuece a la temperatura preferida y mantiene la comida caliente durante 12 horas.

Los administradores también han encontrado útil la lógica difusa para tomar decisiones) controlar sus organizaciones. Una compañía de Wall Street desarrolló un sistema que selecciona empresas que podrían ser compradas, utilizando el lenguaje que entienden los operadores de acciones. Hace poco, se creó un sistema para detectar posibles fraudes en reclamaciones médicas presentadas por proveedores de atención médica, en cualquier lugar de Estados Unidos.

ALGORITMOS GENÉTICOS

El término algoritmos genéticos (o computación adaptativa) se refiere a diversas técnicas de resolución de problemas, que se basan conceptualmente en el método que los organismos vivos usan para adaptarse a su entorno: el proceso de evolución. Esos algoritmos se programan para que funcionen de forma parecida a la manera en que las poblaciones resuelven problemas: cambiando y reorganizando sus partes componentes, al utilizar procesos como reproducción, mutación y selección natural. Así pues, los algoritmos genéticos promueven la evolución de soluciones a problema específicos, al controlar la generación, variación, adaptación y selección de posibles soluciones, mediante procesos con bases genéticas. A medida que las soluciones se alteran y combinan, las peores se desechan y las mejores sobreviven para producir soluciones todavía mejores. Los algoritmos genéticos crían programas que resuelven problemas, aunque ninguna persona pueda entender cabalmente su estructura (Holland. 1992).Los algoritmos genéticos tuvieron su origen en los trabajos de John H. Holland, profesor de psicología y ciencias de la computación de la University of Michigan, quien ideó un código genético de dígitos binarios, el cual podía servir para representar cualquier tipo de programa de computadora, y en el que un uno representaba verdadero y un cero representaba falso. Si se usa una cadena de dígitos lo bastante larga, es posible representar cualquier objeto con la combinación correcta de dígitos. El algoritmo genético proporciona métodos para buscar entre todas las combinaciones posibles de dígitos, a fin de identificar la cadena que representa la mejor estructura posible para el problema.

En un método, lo primero que hace el programador es generar aleatoriamente una población de cadenas que consisten en combinaciones de dígitos binarios. Cada cadena corresponde a una de las variables del problema. Se aplica una prueba de aptitud, ordenando las cadenas de la población según lo deseables que son como posibles soluciones. Una vez que se evalúa la aptitud de la población inicial. . el algoritmo produce la siguiente generación de cadenas, que consiste en aquellas que sobrevivieron la prueba de aptitud, más las cadenas descendientes producidas por el apareo de pares de cadenas, y evalúa su aptitud. Al igual que las redes neuronales, los algoritmos genéticos son aplicaciones ideales para las computadoras masivamente paralelas. Es posible asignar una sola cadena a cada procesador. Así, toda la población de un algoritmo genético se puede procesar en paralelo, con lo que crece el potencial para resolver problemas de enorme complejidad.

Las soluciones a ciertos tipos de problemas en las áreas de optimización, diseño de productos y monitoreo de sistemas industriales, son especialmente apropiadas para los algoritmos genéticos. Muchos problemas de negocios requieren optimización, porque tratan cuestiones como minimización de costos, maximización de utilidades, calendarización eficiente y uso de recursos. Si estas situaciones son muy dinámicas y complejas, y en ellas intervienen cientos de variables o de fórmulas, los algoritmos

genéticos son apropiados para resolverlas, porque pueden atacar el problema desde muchas direcciones al mismo tiempo.Están apareciendo aplicaciones comerciales de algoritmos genéticos. Ingenieros de General Electric usaron un algoritmo genético para diseñar motores de avión de turbina a reacción, lo cual era un problema complejo en el que intervenían cerca de 100 variables y 50 ecuaciones de restricción. Los ingenieros evaluaron cambios al diseño en una estación de trabajo que ejecutaba una simulación del motor en operación. Puesto que cada cambio en el diseño requería una nueva simulación para probar su eficacia, los diseñadores podían invertir semanas en soluciones que tal vez no eran óptimas. El uso de un sistema experto redujo, de varias semanas a varios días, el tiempo necesario para producir un diseño satisfactorio, pero sólo generaba soluciones hasta cierto punto. Cual-quier mejora adicional requería cambios simultáneos en un gran número de variables. En ese momento. GE introdujo un algoritmo genético que tomaba la población inicial de diseños producida Por el sistema experto y generaba un diseño que contenía tres veces más mejoras que la versión óptima previa, y lo hacía en sólo dos días. Otras organizaciones que usan algoritmos genéticos son la cervecera Coors Brewing Company. que usa algoritmos genéticos para programar el surtido y el embarque de pedidos, y la armada de Estados Unidos, que usa algoritmos genéticos para calenda-fizar ensayos de aviones F-16 (Burtka, 1993).

SISTEMAS HÍBRIDOS DE AI

El sistema de GE para diseñar motores de avión a reacción obtuvo resultados impresionantes al combinar tecnología de algoritmos genéticos y sistemas expertos. Los algoritmos genéticos, la lógica difusa, las redes neuronales y los sistemas expertos se pueden integrar en una sola aplicación que aproveche las mejores características de estas tecnologías. Tales sistemas se llaman sistemas híbridos de AI. Las aplicaciones híbridas en los negocios son cada vez más numerosas. En Japón. Hitachi. Mitsubishi, Ricoh, Sanyo, y otras, están comenzando a incorporar AI híbrida en productos como aparatos para el hogar, maquinaria para fábricas y equipo para oficinas. Matsushita desarrolló una lavadora "neurodifusa" que combina lógica difusa con redes neuronales. Nikko Securities ha estado trabajando en un sistema neurodifuso para pronosticar las calificaciones de bonos convertibles.

AGENTES INTELIGENTES

Los agentes inteligentes son programas de software que trabajan en "segundo plano" para realizar tareas específicas, repetitivas y predecibles, para un usuario individual, un proceso de negocios o una aplicación de software. El agente usa una base de conocimientos integrada o aprendida para realizar tareas o tomar decisiones a nombre del usuario. Los agentes inteligentes se pueden programar de modo que tomen decisiones con base en las preferencias personales del usuario; por ejemplo, eliminar correo electrónico chatarra, programar citas, o viajar por redes interconectadas para en-contrar el pasaje aéreo más barato a California. El agente es como un asistente digital personal que colabora con el usuario en el mismo entorno de trabajo, y le puede ayudar realizando tareas a su nombre, capacitándolo o impartiéndole conocimientos, ocultándole la complejidad de tareas difíciles, ayudándolo a colaborar con otros usuarios o monitoreando sucesos y procedimientos (Maes. 1994).

Hoy en día, existen muchas aplicaciones de agentes inteligentes en sistemas operativos, software de aplicación, sistemas de correo electrónico, software para computación móvil y herramientas de red. Por ejemplo, los Wizanls que uno encuentra en las herramientas de software de Microsoft Office poseen capacidades incorporadas para mostrar a los usuarios cómo efectuar diversas tareas, por ejemplo: dar formato a documentos o crear gráficas, y prever cuándo los usuarios necesitan ayuda. (La mayoría de las máquinas de búsqueda para localizar información en la World Wide Web no son realmente agentes, aunque a veces se clasifican como tales. Esas máquinas no buscan en Internet con base en una consulta; simplemente examinan una base de datos enorme de páginas Web que la máquina ha reunido.)

Algo de especial interés para los negocios son los agentes inteligentes que se usan para recorrer redes, incluyendo Internet, en busca de información. Esos agentes se emplean en aplicaciones de comercio electrónico para ayudar a los consumidores a encontrar productos que desean y a comparar precios y otras características. Dado que estos agentes móviles están personalizados, son semiautónomos y operan continuamente, pueden ayudar a automatizar varias de las etapas más lentas del proceso de compras y, así, reducir los costos de transacción. Los agentes ayudan a las personas interesadas en efectuar una compra a depurar y recuperar información acerca de productos de interés, evaluar productos competidores según criterios que han establecido, y negociar con los proveedores el precio y las condiciones de entrega (Maes, Guttman y Moukas, 1999).

Los agentes también ayudan a los compradores a identificar artículos que podrían necesitar, y esto incluye compras repetitivas, como insumos agotados, o compras que se pueden predecir con base en hábitos de compra previos. Por ejemplo, "Eyes'" es un servicio automatizado de notificación personal de la librería en línea Amazon.com, que realiza funciones de agente al enviar automáticamente avisos por correo electrónico a los usuarios acerca de libros nuevos que podrían interesarles. Una vez que el usuario proporciona información acerca de sus intereses específicos, "Eyes" está pendiente de la salida de libros nuevos, relacionados con esos intereses, y avisa automáticamente a! usuario cuando salen.

Yahoo! y Excite, dos importantes servicios de búsqueda de Web, ahora ofrecen "agentes de compras" en unas cuantas categorías de mercancías, como música, libros, aparatos electrónicos y juguetes. Para usar estos agentes, el usuario introduce el producto deseado en un formato de compras en línea. Con esta información, el agente de compras busca en la Web los precios y la disponibilidad del producto, y devuelve una lista de sitios que venden el artículo, junto con información de precios y un vínculo para comprar.

Firefly identifica productos de interés para los consumidores, pero en lugar de filtrarlos con base en sus características, este sistema agente recomienda productos utilizando un mecanismo de recomendación de "rumor" automatizado, llamado "filtrado en colaboración". Primero, Firefly compara las calificaciones que el comprador ha asignado a los productos, con las de otros compradores, e identifica a los usuarios que tienen gustos similares. Luego. Firefly recomienda productos con base en las recomendaciones de personas que piensan de forma parecida. Los compradores pueden usar este sistema para encontrar música, restaurantes, páginas Web y fondos de inversión.

Los agentes inteligentes Tete-á-Tete y AuctionBot cuentan con sistemas que ayudan a compradores y vendedores a ponerse de acuerdo en cuanto al precio u otras condiciones de la transacción. Con AuctionBot, los vendedores crean subastas seleccionando el tipo de subasta y los parámetros (como el tiempo de despeje o el número de partes vendedoras) que desean usar. AuctionBot maneja entonces las ofertas de los compradores según los parámetros especificados. Tete-á-Tete cuenta con agentes de compras para los consumidores, y con agentes de ventas para los comercian-íes que negocian de forma cooperativa varias condiciones de una transacción, como garantías, tiempos de entrega y opciones de préstamo, así como el precio de venta. La Tabla 14.4 compara los distintos tipos de agentes para comercio electrónico.

El comercio electrónico basado en agentes crecerá aún más cuando los agentes y las tecnologías Web se vuelvan más potentes y flexibles. Los agentes de software tienen dificultad para obtener información de páginas Web codificadas en HTML, porque están orientadas hacia el formato, son estáticas y se hicieron para ser vistas por ojos humanos. El creciente uso de XML (lenguaje -s marcación extensible). Java y objetos distribuidos (véase el capítulo 7) permitirá a los agentes de software y otros procesos automatizados acceder a información basada en Web e interactuar con ella más fácilmente (Glushko. Tenenbaum y Meltzer, 1999; Wong, Paciorek y Moore, 1999).

Ejemplos de agentes inteligentes para comercio electrónico

Producto agente Descripción Proveedor

Firefly Ayuda a los usuarios a hallar música o películas que les interesan. Los usuarios envían críticas de películas y de música al sitio Web de Firefly. Cuando ellos quieren elegir Agents Inc. una película nueva que ver o un CD que comprar, proporcionan datos acerca de sus favoritos personales, y Firefly genera una lista de artículos similares con base en las críticas. El servicio se está extendiendo a libros, restaurantes y fondos de inversión.

BargainFinder y BargainFinder efectúa comparaciones, en tiempo real, entre cada LifestyleFinder una de las tiendas en línea de música en CD participantes, y

proporciona los nombres de los comerciantes que Andersen Consulting ofrecen el precio más bajo. LifestyleFinder recomienda sitios Web a los usuarios, con base en la información que proporcionan acerca de su estilo de vida

Jango Consulta automáticamente sitios Web y prepara informes para los usuarios acerca de precios y otras características de productos, Excite como libros, ropa, vino y computadoras personales

.

SINOPSIS GERENCIAL

Aprovechar y administrar los conocimientos de la organización se han convertido en obligaciones centrales de la gerencia. Los administradores necesitan identificar los activos de conocimiento de su organización y asegurarse de que cuenten con sistemas y procesos apropiados para aprovecharlos al máximo.Los sistemas para trabajar con información y conocimiento, y la inteligencia artificial, apoyan los procesos de una organización de varias maneras: facilitan la comunicación,

la colaboración y la coordinación: aplican un mayor poder analítico a la obtención de soluciones, o reducen el grado de intervención humana en los procesos de la organización.

Se cuenta con una serie de tecnologías para apoyar la administración del conocimiento, que incluye tecnologías de inteligencia artificial y herramientas para trabajar con conocimiento e información y para colaborar en grupos. Los administradores deben entender los costos, los beneficios y las capacidades de cada tecnología, y el problema de la administración del conocimiento para el que son más apropiados.

Para análisis1. Analice algunas de las formas en que la administración del conocimiento proporciona una ventaja estratégica a las compañías. ¿Qué tan estratégicos son los sistemas de administración del conocimiento?2. ¿Qué tanto puede el uso de inteligencia artificial modificar el proceso administrativo?