از مخازن ایستا تا اکوسیستم‌های هوشمند؛ انقلاب هوش مصنوعی در مدیریت دانش سازمانی

(لیزنا؛ گاهی دور/گاهی نزدیک: 416): سمیه قویدل، دکتری علم اطلاعات و دانش‌شناسی دانشگاه خوارزمی؛ شرکت خدمات انفورماتیک و مسئول کمیته علم‌سنجی انجمن کتابداری و اطلاع‌رسانی ایران : در عصر تحول دیجیتال، نظام‌های اطلاعاتی و دانشی با تغییری بنیادین و غیرقابل بازگشت مواجه شده‌اند؛ تغییری که نه‌تنها ساختار تولید و مصرف اطلاعات را دگرگون کرده، بلکه ماهیت مدیریت دانش، نقش کتابخانه‌ها و کارکرد مراکز اطلاع‌رسانی را نیز بازتعریف کرده است. در این دوره که از آن با عنوان «انفجار داده و اطلاعات» یاد می‌شود، حجم تولید محتوا به‌صورت تصاعدی افزایش یافته است، اما توان سنتی سازمان‌ها و نهادهای اطلاعاتی برای سازمان‌دهی، تحلیل و بهره‌برداری از این حجم عظیم دانش، با محدودیت‌های جدی روبه‌رو شده است.

در چنین شرایطی، رویکردهای کلاسیک علم اطلاعات و مدیریت دانش که عمدتاً بر ذخیره‌سازی، نمایه‌سازی، طبقه‌بندی و بازیابی اطلاعات در مخازن ایستا مانند کتابخانه‌ها و پایگاه‌های اطلاعاتی استوار بودند دیگر به‌تنهایی پاسخ‌گوی نیازهای کاربران در اکوسیستم دیجیتال نیستند. این تغییر پارادایم، کتابخانه‌ها و مراکز اطلاع‌رسانی را در برابر یک نقطه عطف تاریخی قرار داده است: گذار از «مدیریت اطلاعات ایستا» به «مدیریت دانش هوشمند و پویا».

در این میان، ظهور هوش مصنوعی و به‌ویژه نسل جدید سیستم‌های مبتنی بر عامل‌های هوشمند¹ زمینه‌ساز شکل‌گیری «مدیریت دانش نسل پنجم» (حسن‌زاده، 1405) شده است؛ مدلی که در آن فرایندهای سنتی علم اطلاعات شامل گردآوری، سازمان‌دهی، اشاعه و بازیابی اطلاعات، با قابلیت‌های هوشمند تحلیل، یادگیری ماشینی، پردازش زبان طبیعی و تصمیم‌سازی داده‌محور ترکیب شده‌اند. در این رویکرد، دانش از حالت ایستا خارج شده و به یک موجودیت پویا، تعاملی و قابل یادگیری تبدیل می‌شود.

این تحول، پیامدهای عمیقی برای کتابخانه‌ها، آرشیوها و مراکز اطلاع‌رسانی به‌همراه دارد. کتابخانه‌های نسل جدید دیگر صرفاً مخزن منابع اطلاعاتی نیستند، بلکه به «اکوسیستم‌های هوشمند دانشی» تبدیل شده‌اند که در آن‌ها جست‌وجو، کشف، خلاصه‌سازی و حتی تولید دانش با کمک ابزارهای هوشمند انجام می‌شود. به‌عنوان نمونه، پلتفرم‌هایی مانند اطلسیان² با ابزارهایی نظیر کانفلوئنس³، جیرا⁴ و لایه‌های هوشمند مبتنی بر هوش مصنوعی (مانند Rovo)، نشان داده‌اند که چگونه می‌توان مدیریت دانش را در جریان کار روزمره کاربران ادغام کرد و از یک سامانه مستندسازی به یک سیستم دانش‌محور تعاملی تبدیل شد (Atlassian, 2026a; ikuteam, 2026).

در سطح سازمان‌های پیشرو جهانی نیز، این تحول به‌وضوح قابل مشاهده است. تجربه سازمان‌های پیشرو جهانی نشان می‌دهد که دانش صرفاً یک دارایی پشتیبان نیست، بلکه یکی از مهم‌ترین منابع ارزش‌آفرینی، نوآوری، تاب‌آوری سازمانی و تداوم کسب‌وکار محسوب می‌شود. در سازمان‌های فناوری‌محور و مالی، بخش قابل توجهی از دانش در ذهن خبرگان، معماران سامانه‌ها، مدیران فنی و متخصصان حوزه‌های حیاتی نهفته است و در صورت خروج این افراد، سازمان با ریسک جدی از دست رفتن دانش مواجه خواهد شد.

در بانک‌هایی مانند JPMorgan Chase و DBS Bank، نظام‌های مدیریت دانش مبتنی بر هوش مصنوعی به‌گونه‌ای طراحی شده‌اند که اطلاعات پراکنده در اسناد، داده‌های عملیاتی و تعاملات انسانی را به دانش ساخت‌یافته تبدیل کرده و آن‌را در اختیار سیستم‌های تصمیم‌سازی هوشمند قرار می‌دهند. در بانک JPMorgan Chase، مدیریت دانش مبتنی بر هوش مصنوعی از طریق سیستم‌های تحلیل اسناد چندوجهی، مدل‌سازی سناریوهای مالی و پشتیبانی تصمیم هوشمند، به بخشی جدایی‌ناپذیر از معماری تصمیم‌سازی سازمان تبدیل شده است. در بانک DBS نیز، پلتفرم‌های یکپارچه داده و دانش مبتنی بر هوش مصنوعی، از جمله ADA و ALAN، امکان دسترسی بلادرنگ به دانش سازمانی و استفاده مجدد از آن در تصمیم‌گیری‌های عملیاتی و راهبردی را فراهم کرده‌اند؛ در شرکت NVIDIA نیز، حرکت از سامانه‌های سنتی مستندسازی به سمت عامل‌های هوشمند خودمختار، نشان‌دهنده گذار از «دانش ذخیره‌شده» به «دانش فعال و عملیاتی» است. در شرکت NVIDIA نیز، با گذار از ابزارهای سنتی مستندسازی مانند ویکی‌ها و پلتفرم‌هایی نظیر کانفلوئنس، حرکت به‌سمت عامل‌های هوشمند خودمختار و اکوسیستم‌های عامل‌محور صورت گرفته است؛ جایی که دانش نه‌تنها ذخیره، بلکه به‌صورت فعال در فرآیندهای طراحی، تحلیل، توسعه و تصمیم‌گیری به‌کار گرفته می‌شود.

برای حوزه علم اطلاعات و دانش‌شناسی، این تحولات به معنای بازتعریف نقش‌های سنتی است. کتابدار، متخصص اطلاعات و تحلیل‌گر دانش دیگر صرفاً نقش میانجی اطلاعات را ندارد، بلکه به نقش «معمار اکوسیستم دانشی»، «ناظر کیفیت دانش» و «راهبری تعامل انسان و هوش مصنوعی در چرخه دانش» ارتقا یافته است. در این چارچوب، مهارت‌هایی مانند تحلیل داده، طراحی دانش‌گراف‌ها، مدیریت سیستم‌های هوشمند بازیابی اطلاعات و نظارت بر کیفیت خروجی‌های هوش مصنوعی، مدیریت دارایی‌های دانشی سازمانی به بخش جدایی‌ناپذیر حرفه کتابداری و اطلاع‌رسانی تبدیل می‌شوند.

در نهایت، آنچه از بررسی روندهای جهانی برمی‌آید این است که مدیریت دانش در حال عبور از یک مرحله انتقالی مهم است: گذار از نظام‌های سنتی مبتنی بر ذخیره‌سازی و بازیابی اطلاعات، به سمت اکوسیستم‌های هوشمند مبتنی بر یادگیری، تحلیل و تعامل. این گذار، نه یک انتخاب، بلکه ضرورتی اجتناب‌ناپذیر برای بقای نهادهای اطلاعاتی در عصر دیجیتال است.

بر این اساس، آینده علم اطلاعات و کتابداری در گرو پذیرش این تحول و حرکت به‌سمت مدل‌های نوین مدیریت دانش است؛ مدل‌هایی که در آن‌ها هوش مصنوعی نه جایگزین انسان، بلکه توانمندساز نقش‌های حرفه‌ای، تسهیل‌گر دسترسی به دانش و محرک خلق ارزش در نظام‌های اطلاعاتی خواهد بود.

در نهایت، تجربه سازمان‌های پیشرو جهانی نشان می‌دهد که سرمایه‌گذاری هدفمند در مدیریت دانش، امکان تبدیل دانش از یک دارایی فردی و پراکنده به یک سرمایه سازمانی یکپارچه و پایدار را فراهم کرده است؛ سرمایه‌ای که نه‌تنها زیربنای عملکرد امروز سازمان‌ها، بلکه تضمین‌کننده تاب‌آوری و موفقیت آن‌ها در آینده اقتصاد دیجیتال خواهد بود.

شواهد مستند و رسمی از مدیریت دانش نسل پنجم مبتنی بر هوش مصنوعی⁵

در صنعت بانکداری،JPMorgan Chase (لینک) با توسعه برنامه‌های تحقیقاتی در حوزه هوش مصنوعی از جمله AI Planning & Knowledge Management و AI Multimodal Document Processing & Analysis به‌عنوان یکی از پیشروترین سازمان‌ها در حرکت بهسمت «سیستم‌های تصمیم‌سازی هوشمند مبتنی بر مدیریت دانش» شناخته می‌شود. این بانک با به‌کارگیری هوش مصنوعی و تحلیل پیشرفته داده‌ها، چرخه مدیریت دانش شامل استخراج دانش از داده‌ها و اسناد غیرساخت‌یافته، ساختاردهی و یکپارچه‌سازی دانش سازمانی، و بهره‌برداری از آن در تصمیم‌گیری‌های مالی را به‌صورت یکپارچه تقویت کرده است. در این رویکرد، تمرکز اصلی بر استفاده از تحلیل هوشمند اسناد و مدل‌های پیش‌بینی و شبیه‌سازی سناریوهای مالی است تا تصمیم‌گیری در حوزه‌هایی مانند مدیریت ریسک، ارزیابی سناریوهای مالی و پشتیبانی تصمیم‌های استراتژیک با دقت و سرعت بیشتری انجام شود. در چارچوب برنامه‌های هوش مصنوعی شرکت فوق، معماری «SKMS ⁶ نسل ۵» را می‌توان به‌صورت یک ساختار لایه‌ای هوشمند و تصمیم‌محور مدل‌سازی کرد که از داده خام تا تصمیم سازمانی را پوشش می‌دهد (JPMorgan Chase, 2026).

1) لایه منابع داده⁷

این لایه ورودی‌های خام دانش را تأمین می‌کند، شامل: اسناد مالی و حقوقی (قراردادها، گزارش‌ها)، داده‌های تراکنشی بانکی، اخبار و داده‌های بیرونی بازار، ایمیل‌ها و مکاتبات سازمانی، سیستم‌های عملیاتی (Core Banking, CRM, Risk Systems).

2) لایه استخراج و درک دانش⁸

در این مرحله داده خام به دانش اولیه تبدیل می‌شود. مانند: پردازش اسناد چندوجهی (NLP + OCR + Vision AI)، استخراج موجودیت‌ها⁹، شناسایی روابط¹⁰ و طبقه‌بندی و برچسب‌گذاری دانش.

این همان محور AI Multimodal Document Processing است.

3) لایه ساختاردهی دانش¹¹

دانش استخراج‌شده سازمان‌دهی می‌شود در قالب Knowledge Graph سازمانی، Ontology مالی و بانکی، مدل‌سازی مفاهیم ریسک، مشتری، بازار و اتصال داده‌ها به کانتکست سازمانی.

این لایه «هسته معنایی سازمان» را شکل می‌دهد.

4) لایه ذخیره‌سازی و یکپارچه‌سازی¹²

دانش ساختاریافته ذخیره و یکپارچه می‌شود: Knowledge Base مرکزی، مخازن اسناد هوشمند، Data Lake / Data Lakehouse و نسخه‌بندی و مدیریت چرخه عمر دانش.

5) لایه تحلیل و هوش مصنوعی¹³

لایه هوشمند تصمیم‌سازی براساس مدل‌های پیش‌بینی مالی، تحلیل ریسک و سناریوسازی¹⁴، کشف تقلب¹⁵، تحلیل روندهای بازار و یادگیری از داده‌های تاریخی.

6) لایه تصمیم‌سازی و کاربرد¹⁶

دانش به اقدام تبدیل می‌شود از طریق پیشنهاد تصمیم به مدیران¹⁷، شبیه‌سازی What-if، بهینه‌سازی پرتفوی و ریسک و هشدارهای هوشمند عملیاتی.

7) لایه تعامل و انتشار دانش¹⁸

دسترسی و استفاده سازمانی از طریق داشبوردهای هوشمند، چت‌بات‌های سازمانی¹⁹، APIهای دانشی برای سیستم‌ها و گزارش‌های خودکار و خلاصه‌سازی فراهم می‌شود.

8) لایه یادگیری و بهبود مستمر²⁰

چرخه بازخورد با یادگیری از تصمیمات گذشته، اصلاح مدل‌ها، به‌روزرسانی Knowledge Graph و بهینه‌سازی فرآیندهای KM صورت می‌پذیرد.

در این مدل، SKMS نسل ۵ در JPMorgan یک سیستم ایستا نیست، بلکه «یک چرخه زنده از داده دانش تصمیم یادگیری» است که در آن AI نقش موتور اصلی تبدیل دانش به تصمیم هوشمند را دارد.

شرکت NVIDIA (لینک) به عنوان یکی از موفق‌ترین شرکت‌های فناوری جهان، بخش عمده‌ای از موفقیت خود را مدیون مدیریت مؤثر دانش مهندسی، مستندسازی معماری محصولات، ثبت تصمیمات طراحی و تسهیم تجربیات پروژه‌های تحقیق و توسعه است. این شرکت در گذشته از کانفلوئنس،SharePoint و Wikiهای سازمانی استفاده می‌کرد و کانفلوئنس در لایه‌های ابتدایی و پشتیبان آن قرار داشت (Atlassian, 2026a; ikuteam, 2026).

جعبه‌ابزار عامل‌های انویدیا²¹ شامل محیط اجرایی متن‌باز NVIDIA OpenShell است که برای ساخت عامل‌های هوشمند خودتکامل‌یاب²² و با قابلیت‌های ایمن‌تر و امن‌تر طراحی شده است. چارچوب متن‌باز NVIDIA AI-Q Blueprint که با استفاده از LangChain ساخته شده، در حوزه جست‌وجوی عامل‌محور²³ در صدر جدول‌های دقت DeepResearch Bench قرار گرفته است. این سیستم از رویکرد ترکیبی مدل‌های پیشرفته و متن‌باز استفاده می‌کند و می‌تواند هزینه پرس‌وجوها را تا ۵۰٪ کاهش دهد.

شرکت‌های بزرگ نرم‌افزاری از جمله Adobe، Atlassian، Amdocs، Box، Cadence، Cisco، Cohesity، CrowdStrike، Dassault Systèmes، IQVIA، Red Hat، SAP، Salesforce، Siemens، ServiceNow و Synopsys در حال توسعه عامل‌های هوشمند سازمانی و صنعتی مبتنی بر این پلتفرم هستند.

در رویداد GTC، شرکت NVIDIA اعلام کرد که با شرکای خود در حال آغاز نسل جدید هوش مصنوعی مبتنی بر عامل‌های خودمختار متن‌باز است؛ عاملی که می‌تواند وظایف را به‌صورت مستقل انجام دهد و بهره‌وری کار دانش را به‌طور چشمگیری افزایش دهد. این تحول، به‌عنوان یک تغییر نسلی در نرم‌افزار و کار دانش توصیف شده است.

• اجزای اصلی NVIDIA Agent Toolkit

این پلتفرم شامل مجموعه‌ای از ابزارها و مدل‌های متن‌باز است، شامل: مدل‌های متن‌باز NVIDIA Nemotron، عامل‌های متن‌باز NVIDIA AI-Q، مهارت‌های هوشمند مانند cuOpt، محیط‌های اجرایی مانند OpenShell. توسعه‌دهندگان می‌توانند با استفاده از این ابزارها عامل‌های هوشمندی بسازند که قادر به انجام خودکار وظایف پیچیده هستند و می‌توانند از سایر نرم‌افزارها برای تکمیل کارها استفاده کنند.

• قابلیت AI-Q Blueprint

با استفاده از این چارچوب، توسعه‌دهندگان می‌توانند عامل‌هایی بسازند که داده‌ها و زمینه سازمانی را درک می‌کنند، استدلال انجام می‌دهند و اقدام اجرایی انجام می‌دهند. این عامل‌ها به‌طور خودکار منابع داده مناسب و عمق تحلیل را انتخاب می‌کنند تا پاسخ‌های دقیق و متناسب با زمینه ارائه دهند.

• همچنین سیستم ارزیابی داخلی توضیح می‌دهد که هر پاسخ چگونه تولید شده است.
• معماری ترکیبی²⁴

در این معماری مدل‌های پیشرفته برای هماهنگی²⁵ استفاده می‌شوند و مدل‌های متن‌باز Nemotron برای تحقیق و پردازش استفاده می‌شوند. این ترکیب می‌تواند هزینه‌ها را بیش از ۵۰٪ کاهش دهد و در عین حال دقت سطح بالا ارائه دهد.

• NVIDIA OpenShell

OpenShell یک محیط اجرایی متن‌باز است که دسترسی کنترل‌شده به عامل‌ها فراهم می‌کند، سیاست‌های امنیتی، شبکه‌ای و حریم خصوصی را اعمال می‌کند و اجرای ایمن عامل‌های خودمختار را ممکن می‌سازد. این فناوری با شرکت‌های امنیتی مانند Cisco، CrowdStrike، Google و Microsoft Security برای ایجاد چارچوب‌های ایمن همکاری می‌کند.

• همکاری با پلتفرم‌های نرم‌افزاری بزرگ

شرکت‌های بزرگ در حال ادغام این فناوری هستند:

• Adobe: عامل‌های خلاقیت و بازاریابی شخصی‌سازی‌شده
• Amdocs: پایش و حل خودکار مشکلات مشتریان
• Atlassian: توسعه سیستم عامل هوشمند برای جیرا و کانفلوئنس
• Box: اجرای فرآیندهای طولانی سازمانی با عامل‌های امن
• Cadence: طراحی نیمه‌هادی با عامل‌های هوشمند
• Cisco: افزودن امنیت به عامل‌ها
• Salesforce: استفاده در Agentforce برای فروش و خدمات
• SAP: طراحی عامل‌های تجاری در SAP BTP
• Siemens: طراحی و تولید در صنعت نیمه‌هادی
• ServiceNow: توسعه نیروی کار خودمختار مبتنی بر AI
• Synopsys: طراحی سیستم‌های پیچیده نیمه‌هادی

پلتفرم NVIDIA Agent Toolkit و OpenShell نشان‌دهنده یک تحول اساسی در هوش مصنوعی سازمانی است که در آن نرم‌افزارها از ابزارهای منفعل به «عامل‌های هوشمند خودمختار» تبدیل می‌شوند. این تحول، آینده کار دانش را به‌سمت سیستم‌های خودکار، ایمن، مقیاس‌پذیر و مبتنی بر تصمیم‌گیری هوشمند هدایت می‌کند.

مدیریت دانش جدید در این معماری ((NVIDIA (Agentic Knowledge Management) که با NVIDIA Agent Toolkit، AI-Q Blueprint،Nemotron و OpenShell معرفی شده است، مدیریت دانش دیگر صرفاً شامل ذخیره و بازیابی اطلاعات نیست، بلکه یک چرخه هوشمند و خودکار از «دانش تا اقدام» محسوب می‌شود.

ابزارهایی مانند کانفلوئنس از اکوسیستم اطلسیان در این معماری جدید به‌عنوان منبع دانش²⁶ یا مخزن مستندات برای Retrieval توسط Agentها استفاده شوند. جزء هسته Agent Toolkit نیستند در معماری مرجع NVIDIA به‌عنوان جزء اصلی ذکر نشده‌اند در زنجیره اصلی AI-Q / OpenShell قرار ندارند.

Atlassian

امروزه شرکت اطلسیان تمامی قابلیت‌های هوش مصنوعی خود را تحت پلتفرم Rovo ارائه می‌کند. Rovo لایه یکپارچه هوش مصنوعی اطلسیان است که در کانفلوئنس، جیرا و سایر محصولات ابری این شرکت مورد استفاده قرار می‌گیرد. این پلتفرم، زیرساخت هوشمندی را فراهم می‌کند که قابلیت‌هایی نظیر هوش مصنوعی مولد²⁷، درک زمینه‌ای²⁸ و کشف اطلاعات میان محصولات مختلف را در کانفلوئنس امکان‌پذیر می‌سازد. در مستندات قدیمی‌تر، این زیرساخت با عنوان Atlassian Intelligence شناخته می‌شد (دانا، 1402)، اما این اصطلاح به‌تدریج کنار گذاشته شده و جای خود را بهRovo داده است (ikuteam, 2026)

• Confluence AI چیست؟

Confluence AI مجموعه‌ای از قابلیت‌های بومی هوش مصنوعی در Confluence Cloud است که به تیم‌ها کمک می‌کند تا در تمام مراحل ایجاد، به‌روزرسانی، استفاده مجدد و بهره‌برداری از دانش، کارآمدتر عمل کنند.

این قابلیت‌ها روش استفاده از کانفلوئنس را تغییر نمی‌دهند، بلکه اصطکاک موجود در فرآیند مستندسازی را کاهش می‌دهند و باعث می‌شوند نوشتن، درک و یافتن اطلاعات آسان‌تر شود. برخلاف بسیاری از راهکارهای هوش مصنوعی که به‌عنوان یک ابزار یا محیط جداگانه ارائه می‌شوند، هوش مصنوعی در کانفلوئنس مستقیماً در همان بخش‌هایی که کاربران روزانه با دانش سازمانی کار می‌کنند، ادغام شده است؛ از جمله صفحات، دیدگاه‌ها و نظرات، فضاهای کاری و محتوای مشارکتی. این قابلیت‌ها وظایف روزمره‌ای مانند تهیه پیش‌نویس مستندات، خلاصه‌سازی به‌روزرسانی‌ها، جستجوی اطلاعات و سازمان‌دهی دانش در حال رشد را تسهیل می‌کنند. Confluence AI یک قابلیت منفرد نیست؛ بلکه مجموعه‌ای از قابلیت‌های مبتنی بر هوش مصنوعی است که در فرآیندهای روزمره کانفلوئنس تنیده شده‌اند. این قابلیت‌ها به تیم‌ها کمک می‌کنند تا مستندات را شفاف‌تر بنویسند، تغییرات را بهتر دنبال کنند، دانش مرتبط را سریع‌تر بیابند و بدون تغییر در نقش کانفلوئنس به‌عنوان منبع اصلی حقیقت²⁹، مدیریت دانش را کارآمدتر انجام دهند.

در عمل از یادگیری ماشین و مدل‌های زبانی بزرگ³⁰ برای تحلیل صفحات، نظرات کاربران و تاریخچه تغییرات استفاده می‌کند. این فناوری‌ها وظایف متداول مدیریت دانش را پشتیبانی می‌کنند، از جمله:

• تهیه و تکمیل پیش‌نویس مستندات و بازنویسی و بهبود محتوای موجود³¹؛

قابلیت نگارش و ویرایش هوشمند به تیم‌ها کمک می‌کند هنگام ایجاد یا بهبود مستندات با سرعت و کیفیت بیشتری عمل کنند، به‌ویژه زمانی که مستندات تنها به‌صورت پیش‌نویس یا یادداشت‌های اولیه در اختیار هستند. با استفاده از این قابلیت، کاربران می‌توانند:

• صفحات جدید کانفلوئنس را بر اساس یک دستور کوتاه یا پرامپت³²، طرح اولیه یا یادداشت‌های خام ایجاد کنند.
• محتوای موجود را برای افزایش شفافیت، بهبود لحن و اصلاح ساختار بازنویسی کنند.
• متن را متناسب با مخاطبان مختلف، مانند تیم‌های فنی، مدیران یا کل سازمان، تنظیم نمایند.

هدف اصلی این قابلیت، افزایش خوانایی، یکنواختی و کیفیت مستندات است. هوش مصنوعی با روان‌تر کردن متن، بهبود ساختار و کاهش ابهام، کیفیت اسناد را ارتقا می‌دهد؛ در حالی که مالکیت محتوا، مسئولیت صحت اطلاعات و تصمیم‌گیری نهایی همچنان بر عهده نویسنده باقی می‌ماند.

• خلاصه‌سازی صفحات طولانی و بحث‌ها، وبلاگ‌ها و نظرات³³؛

یکی از کاربردی‌ترین قابلیت‌های Confluence AI، خلاصه‌سازی خودکار محتوا است؛ به‌ویژه در فضاهایی که حجم مستندات و تعاملات بسیار زیاد است. این قابلیت امکان می‌دهد:

• صفحات و مطالب وبلاگی تنها با یک کلیک خلاصه شوند تا کاربران بدون مطالعه کامل متن، با مهم‌ترین مفاهیم آشنا شوند.
• رشته‌های طولانی نظرات³⁴ خلاصه شوند و مهم‌ترین مباحث، تصمیمات و نتایج استخراج گردد.
• تغییرات ایجادشده از آخرین مراجعه کاربر نمایش داده شود تا بدون نیاز به بررسی تاریخچه ویرایش‌ها یا تمامی نظرات، بتواند سریعاً از وضعیت جدید مستندات آگاه شود.

این قابلیت موجب صرفه‌جویی قابل‌توجه در زمان مطالعه و مرور مستندات می‌شود.

• جستجو و پاسخ‌گویی به پرسش‌ها با استفاده از زبان طبیعی³⁵؛

Confluence AI با بهره‌گیری از جستجوی مبتنی بر زبان طبیعی، فرآیند کشف دانش را بهبود می‌بخشد. به‌جای استفاده از کلمات کلیدی دقیق یا اطلاع از محل ذخیره اطلاعات، کاربران می‌توانند پرسش‌های خود را به زبان طبیعی مطرح کنند. این قابلیت امکان می‌دهد:

• صفحات مرتبط در فضاهای مختلف کانفلوئنس به‌راحتی پیدا شوند.
• حتی کاربران ناآشنا با ساختار سایت نیز اطلاعات موردنیاز خود را بازیابی کنند.
• زمان صرف‌شده برای جستجوی اطلاعات کاهش یابد.
• از تولید دوباره مستنداتی که قبلاً ایجاد شده‌اند جلوگیری شود.

هرچه مستندات سازمان شفاف‌تر، استانداردتر و ساختاریافته‌تر باشند، دقت و کیفیت این قابلیت نیز افزایش خواهد یافت. به همین دلیل، این ویژگی به‌طور مستقیم موجب تقویت شیوه‌های صحیح مدیریت دانش در سازمان می‌شود.

• استخراج اقدامات و ساختاردهی دانش³⁶

Confluence AI علاوه بر نگارش و جستجو، در تبدیل اطلاعات غیرساخت‌یافته به دانش قابل اقدام (Actionable Knowledge) نیز نقش مهمی ایفا می‌کند. از جمله کاربردهای این قابلیت می‌توان به موارد زیر اشاره کرد:

• استخراج اقدامات³⁷ از یادداشت‌های جلسات؛
• تبدیل تصمیمات مطرح‌شده در جلسات به وظایف مشخص و قابل پیگیری؛
• کاهش احتمال فراموش شدن اقدامات در میان صفحات طولانی مستندات؛
• بهبود ساختار صفحات و سازمان‌دهی بهتر بخش‌های مختلف محتوا؛
• افزایش قابلیت مرور و پیمایش صفحات برای کاربران.

این قابلیت‌ها به سازمان‌ها کمک می‌کنند تا با رشد حجم مستندات، همچنان استانداردهای مستندسازی و مدیریت دانش را حفظ کنند. هوش مصنوعی جایگزین روش‌های موجود نمی‌شود، بلکه با حفظ شفافیت، انسجام و ساختار مناسب، مدیریت پایگاه‌های دانشی بزرگ و پویا را تسهیل می‌کند.

یکی از ویژگی‌های مهم Confluence AI این است که دقیقاً در همان نقطه‌ای ظاهر می‌شود که کار دانشی انجام می‌شود. کاربران هنگام ایجاد یا ویرایش صفحات، مرور تغییرات اخیر، مطالعه بحث‌ها یا جستجو در فضاهای کاری، به قابلیت‌های هوش مصنوعی دسترسی دارند. بنابراین نیازی به یادگیری یک محیط جدید یا استفاده از ابزار جداگانه نیست.

همچنین باید میان Confluence AI و قابلیت‌های سنتی کانفلوئنس مانند Macroها، قالب‌ها ³⁸و چیدمان‌های ثابت صفحات تفاوت قائل شد. ماکروها و قالب‌ها تنها ساختارهای از پیش تعریف‌شده ارائه می‌کنند، اما قادر به درک مفهوم یا هدف محتوا نیستند. در مقابل،Confluence AI با توجه به زمینه³⁹، محتوای صفحه و هدف کاربر، به‌صورت پویا خلاصه‌ها، پیشنهادها و خروجی‌های ساختاریافته تولید می‌کند.

به‌طور خلاصه،Confluence AI یک لایه کمکی هوشمند در داخل کانفلوئنس است که با افزایش شفافیت، سرعت و قابلیت کشف دانش، بهره‌وری تیم‌ها را افزایش می‌دهد؛ در حالی که مسئولیت صحت اطلاعات، تأیید نهایی و مالکیت محتوا همچنان بر عهده انسان‌ها باقی می‌ماند.

در نتیجه، Confluence AI بدون تغییر در محیط آشنای کانفلوئنس، یک لایه هوشمند پشتیبان مدیریت دانش ایجاد می‌کند که بهره‌وری کاربران را افزایش داده و فرآیندهای خلق، اشتراک‌گذاری، بازیابی و استفاده از دانش را تسهیل می‌کند.

• Rovo

برای درک عملکرد Confluence AI، باید ابتدا با Rovo آشنا شد. Rovo پلتفرم یکپارچه هوش مصنوعی اطلسیان است که زیرساخت اصلی قابلیت‌های هوش مصنوعی در کانفلوئنس را فراهم می‌کند. این پلتفرم با حفظ اصول امنیت، کنترل، اعتماد و حاکمیت داده‌ها، هوش مصنوعی را در جریان‌های کاری روزمره سازمان وارد می‌کند. Rovo قابلیت‌های پایه‌ای مورد نیاز برای اجرای Confluence AI را فراهم می‌کند و مسئول ارائه خدماتی مانند:

• هوش مصنوعی مولد (Generative AI) برای تولید و بهبود محتوا؛
• درک زمینه‌ای (Contextual Understanding) برای تفسیر صحیح اطلاعات؛
• چارچوب اعتماد و امنیت (Trust Framework) برای کنترل نحوه تعامل هوش مصنوعی با داده‌ها و محتوا.

به بیان دیگر، Confluence AI بر بستر Rovo ساخته شده است و از این زیرساخت برای ارتقای مدیریت دانش در همان محیطی که تیم‌ها مستندات را تولید، ویرایش، به اشتراک گذاشته و استفاده می‌کنند بهره می‌گیرد. بنابراین، کانفلوئنس نقش مخزن و مرکز دانش سازمان را ایفا می‌کند، در حالی که Rovo لایه هوشمندی است که قابلیت‌های هوش مصنوعی را به این مخزن اضافه کرده و مدیریت دانش را هوشمندتر، سریع‌تر و کارآمدتر می‌سازد.

هوش مصنوعی مولد برای کار دانشی⁴⁰

در هسته Confluence AI که بر بستر Rovo اجرا می‌شود، از هوش مصنوعی مولد استفاده شده است؛ هوش مصنوعی‌ای که با هدف پشتیبانی از کار دانشی طراحی شده است، نه جایگزینی انسان. این قابلیت‌ها به تیم‌ها کمک می‌کنند تا با اطلاعات و دانش موجود کارآمدتر کار کنند و از طریق تسریع در تدوین، بیان و تلفیق دانش، بهره‌وری خود را افزایش دهند. در محیط کانفلوئنس، این قابلیت‌ها شامل موارد زیر است:

• ایجاد پیش‌نویس صفحات جدید بر اساس دستورات کوتاه (پرامپت) یا یادداشت‌های اولیه؛
• بهبود و بازنویسی محتوای موجود برای افزایش شفافیت، اصلاح لحن و بهبود ساختار متن؛
• خلاصه‌سازی صفحات طولانی، مطالب وبلاگی و رشته‌های بحث و گفتگو؛
• استخراج نکات کلیدی و تغییرات مهم بدون نیاز به مطالعه مجدد کل محتوا.

هدف این فناوری تولید حقیقت یا ایجاد دانش معتبر جدید نیست؛ بلکه هوش مصنوعی مولد مبتنی بر Rovo به کاربران کمک می‌کند تا دانش موجود را بهتر بیان، سازمان‌دهی و فشرده‌سازی کنند. در نتیجه، زمان صرف‌شده برای بازنویسی یا قالب‌بندی مجدد مستندات کاهش یافته و اعضای تیم می‌توانند به جای تمرکز بر نگهداری مستندات، بر محتوا و ارزش دانشی آن‌ها تمرکز کنند.

هوش مصنوعی مبتنی بر مجوزهای دسترسی و مرزهای داده⁴¹

Confluence AI که بر پایه Rovo توسعه یافته است، از ابتدا بر اساس مدل مجوزهای دسترسی⁴² طراحی شده است. به عبارت دیگر، قابلیت‌های هوش مصنوعی تنها به محتوایی دسترسی دارند که کاربر بر اساس مجوزهای موجود در کانفلوئنس اجازه مشاهده آن را داشته باشد. بنابراین:

• صفحاتی که دسترسی به آن‌ها محدود شده است، برای هوش مصنوعی نیز همچنان محدود باقی می‌مانند.
• فضاهای کاری⁴³ دارای محدودیت دسترسی، برای AI نیز همان محدودیت را حفظ می‌کنند.
• نظرات⁴⁴ و سایر محتواهای دارای محدودیت نیز خارج از دسترس هوش مصنوعی باقی می‌مانند.

در این معماری هیچ لایه دسترسی مستقلی برای هوش مصنوعی وجود ندارد. همان قواعدی که تعیین می‌کنند یک کاربر چه محتوایی را می‌تواند مشاهده کند، مشخص می‌کنند که هوش مصنوعی از چه اطلاعاتی برای خلاصه‌سازی، ارائه پیشنهاد یا پاسخ‌گویی استفاده کند. این ویژگی برای سازمان‌های بزرگ و محیط‌های دارای الزامات قانونی و نظارتی اهمیت ویژه‌ای دارد؛ زیرا آن‌ها می‌توانند بدون تغییر در مدل حاکمیت داده‌ها و امنیت اطلاعات، از قابلیت‌های هوش مصنوعی استفاده کنند. در نتیجه:

• مرزهای داده حفظ می‌شود؛
• کنترل‌های امنیتی موجود دور زده نمی‌شوند؛
• اطلاعات حساس در اختیار افراد فاقد مجوز قرار نمی‌گیرد.

اعتماد، مدل‌های هوش مصنوعی و کنترل‌های مدیریتی⁴⁵

پلتفرم Rovo بر اساس اصول اعتماد، امنیت و استفاده مسئولانه از هوش مصنوعی که توسط اطلسیان تعریف شده است، توسعه یافته است. برای ارائه خدمات هوش مصنوعی، اطلسیان از ترکیبی از: مدل‌های میزبانی‌شده توسط خود اطلسیان؛

و مدل‌های منتخب ارائه‌دهندگان شخص ثالث استفاده می‌کند. بر اساس راهنمای رسمی اطلسیان:

• داده‌های ورودی و خروجی مشتریان برای آموزش مدل‌های هوش مصنوعی استفاده نمی‌شود؛
• ارائه‌دهندگان مدل‌ها نیز داده‌های کاربران را بیش از مدت زمان لازم برای ارائه سرویس ذخیره نمی‌کنند.

این رویکرد به‌گونه‌ای طراحی شده است که امکان استفاده مسئولانه، ایمن و مقیاس‌پذیر از هوش مصنوعی را در سازمان‌ها فراهم کند. مدیریت قابلیت‌های هوش مصنوعی نیز به‌صورت متمرکز انجام می‌شود. مدیران سیستم از طریق Atlassian Administration می‌توانند:

• قابلیت‌های هوش مصنوعی را فعال یا غیرفعال کنند؛
• میزان دسترسی کاربران را مدیریت نمایند؛
• استفاده از AI را با سیاست‌های سازمان، الزامات امنیتی و مقررات انطباق هماهنگ سازند.

مجموعه این قابلیت‌ها نشان می‌دهد که Rovo زیرساخت مشترک هوش مصنوعی در اکوسیستم اطلسیان است و Confluence AI روی این زیرساخت بنا شده است. این معماری امکان ارائه خدمات هوشمند در مدیریت دانش را در داخل کانفلوئنس فراهم می‌کند، در حالی که اعتماد، امنیت، کنترل دسترسی، حاکمیت داده‌ها و مدیریت متمرکز همچنان حفظ می‌شوند. به این ترتیب، هوش مصنوعی نقش یک دستیار هوشمند مدیریت دانش را ایفا می‌کند که بهره‌وری کاربران را افزایش می‌دهد، بدون آنکه کنترل و مالکیت دانش از اختیار انسان خارج شود.

نقش Rovo و عامل‌های هوشمند (AI Agents)

عامل‌های هوشمند مستقیماً در کانفلوئنس اجرا نمی‌شوند، بلکه بخشی از پلتفرم Rovo هستند. در این معماری:

• کانفلوئنس نقش مخزن رسمی دانش (System of Record) را ایفا می‌کند.
• Rovo لایه هوشمند تحلیل، جستجو و استدلال را فراهم می‌کند.
• عامل‌های هوشمند از دانش ذخیره‌شده در کانفلوئنس، جیرا و سایر ابزارهای اطلسیان استفاده می‌کنند.

به بیان ساده، کانفلوئنس دانش را نگهداری می‌کند و Rovo روی آن استدلال می‌کند.

فعالیت‌های عامل‌های هوشمند Rovo بدین شرح است:

• صفحات و مستندات طولانی را خلاصه کنند.
• تغییرات ایجادشده در اسناد را استخراج نمایند.
• صفحات مرتبط را پیشنهاد دهند.
• دانش موردنیاز برای جلسات یا انتقال کار را آماده کنند.
• اطلاعات مرتبط را از چندین ابزار به‌صورت یکپارچه بازیابی کنند.

تمام این فعالیت‌ها با رعایت کامل سطوح دسترسی کاربران انجام می‌شود و عامل‌ها هیچ تغییری در ساختار یا مالکیت دانش ایجاد نمی‌کنند.

3) هوش مصنوعی مولد در Confluence؛ قابلیت‌ها، محدودیت‌ها و نقش Rovo در مدیریت دانش

هوش مصنوعی مولد در کانفلوئنس زمانی بیشترین ارزش را ایجاد می‌کند که به‌عنوان دستیار مدیریت دانش و نه جایگزین انسان مورد استفاده قرار گیرد. این فناوری با هدف تسهیل تولید، سازمان‌دهی، بازیابی و استفاده مجدد از دانش طراحی شده است و به کاربران کمک می‌کند تا سریع‌تر و با کیفیت بالاتر با مستندات سازمانی کار کنند. کاربردهای اصلی هوش مصنوعی مولد در مدیریت دانش:

۱. بهبود کیفیت و بازاستفاده از دانش: هوش مصنوعی مولد به سازمان کمک می‌کند تا دانش موجود را شفاف‌تر، منسجم‌تر و قابل استفاده‌تر کند. مهم‌ترین قابلیت‌های آن عبارت‌اند از:

• بازنویسی مستندات پیچیده یا غیررسمی به متنی روان و قابل فهم
• یکپارچه‌سازی لحن، ساختار و سبک نگارش مستندات تولیدشده توسط تیم‌های مختلف
• سازمان‌دهی بهتر محتوا برای افزایش قابلیت جستجو، ارجاع و استفاده مجدد
• خلاصه‌سازی و تلفیق اطلاعات موجود بدون تغییر محتوای اصلی

این قابلیت‌ها به‌ویژه در مستندسازی فرآیندها، دستورالعمل‌های داخلی، اسناد آموزشی، مستندات پروژه و دانش سازمانی بسیار مؤثر هستند.

محدودیت‌های هوش مصنوعی مولد این است که Confluence AI دانش جدید تولید نمی‌کند و جایگزین خبرگان سازمان نیست.

این سامانه:

• قادر به استنتاج تصمیماتی که هرگز مستندسازی نشده‌اند نیست.
• نمی‌تواند شکاف‌های دانشی موجود در جلسات، مکاتبات یا ابزارهای دیگر را پر کند.
• اگر مستندات ناقص، قدیمی یا نادرست باشند، خروجی هوش مصنوعی نیز همان ضعف‌ها را منعکس خواهد کرد.

بنابراین، هوش مصنوعی نباید به‌عنوان مرجع نهایی حقیقت سازمانی تلقی شود؛ بلکه تنها بر اساس اطلاعات ثبت‌شده عمل می‌کند.

اهمیت حکمیت دانش: حتی در حضور هوش مصنوعی، مسئولیت اصلی مدیریت دانش همچنان بر عهده انسان است.

کیفیت خروجی‌ها وابسته به وجود موارد زیر است:

• مالک مشخص برای هر سند
• استانداردهای مستندسازی
• فرآیندهای بازبینی و تأیید محتوا
• به‌روزرسانی مستمر پایگاه دانش

هرچه کیفیت مستندات سازمان بیشتر باشد، دقت و اثربخشی هوش مصنوعی نیز افزایش خواهد یافت.

4) تفاوت Confluence AI و Rovo

این دو فناوری مکمل یکدیگر هستند اما نقش‌های متفاوتی دارند. Confluence AI، یک دستیار هوشمند درون کانفلوئنس است که برای تولید و ویرایش محتوا، خلاصه‌سازی مستندات، جستجوی مبتنی بر زبان طبیعی و سازمان‌دهی صفحات استفاده می‌شود.

Rovo یک لایه هوشمند سازمانی⁴⁶ است که اطلاعات را از کانفلوئنس، جیرا و سایر ابزارها یکپارچه می‌کند.

• جستجوی سراسری سازمان را فراهم می‌سازد.
• عامل‌های هوشمند⁴⁷ را اجرا می‌کند.
• تحلیل و استدلال میان منابع مختلف دانش را انجام می‌دهد.

در نتیجه، Confluence AI بر بهبود کار با دانش داخل کانفلوئنس تمرکز دارد، در حالی که Rovo دانش پراکنده در کل اکوسیستم اطلسیان را به یک دانش یکپارچه تبدیل می‌کند.

ارزش افزوده Rovo نسبت به Confluence AI

5) Rovo قابلیت‌هایی فراتر از Confluence AI ارائه می‌دهد، از جمله:

• جستجوی سازمانی در کانفلوئنس، جیرا و سایر ابزارها
• پاسخ‌گویی به پرسش‌ها بر اساس اطلاعات چندین سامانه
• گفت‌وگوی هوشمند⁴⁸ برای کاوش دانش
• ایجاد و اجرای عامل‌های هوشمند برای خودکارسازی گردش‌های مدیریت دانش
• ترکیب و تحلیل اطلاعات از منابع مختلف به‌صورت یکپارچه
• محدودیت‌های Confluence AI

با وجود قابلیت‌های متعدد، Confluence AI محدودیت‌هایی نیز دارد:

• درک محدودی از فایل‌های خارجی مانند PDF، Word، Excel و PowerPoint دارد.
• بیشتر بر متن صفحات کانفلوئنس متکی است.
• در صورت پراکندگی دانش میان سامانه‌های مختلف، ممکن است پاسخ‌ها ناقص باشند.
• کیفیت خروجی کاملاً وابسته به کیفیت و به‌روز بودن مستندات است.

6) آینده Confluence AI

براساس نقشه راه اطلسیان، آینده مدیریت دانش مبتنی بر هوش مصنوعی شامل موارد زیر خواهد بود:

• توسعه عامل‌های هوشمند Rovo برای انجام گردش‌های دانشی پیچیده‌تر
• استدلال میان چندین ابزار سازمانی⁴⁹
• افزایش درک هوش مصنوعی از فایل‌ها و اسناد ضمیمه
• یکپارچه‌سازی کامل دانش میان کانفلوئنس، جیرا و سایر سامانه‌ها

با این حال، اصل اساسی معماری اطلسیان بدون تغییر باقی می‌ماند. هوش مصنوعی مسئول کمک به درک، خلاصه‌سازی، سازمان‌دهی و بازیابی دانش است؛ اما تصمیم‌گیری، مالکیت محتوا، تأیید نهایی و حاکمیت دانش همچنان در اختیار انسان باقی می‌ماند.

بررسی منابع رسمی بانک DBS سنگاپور نشان می‌دهد که این بانک مدیریت دانش مبتنی بر هوش مصنوعی را به‌عنوان یکی از ارکان اصلی تحول دیجیتال خود توسعه داده است. بر اساس گزارش رسمی DBS AI-Powered Digital Transformation، این بانک با ایجاد سکوی داده سازمانی ADA (Advancing DBS with AI) و چارچوب ALAN (AI protocol and knowledge repository)، زیرساختی یکپارچه برای مدیریت، اشتراک و بهره‌برداری از دانش سازمانی فراهم کرده است. در این معماری، ALAN به‌عنوان یک مخزن دانش (Knowledge Repository) و چارچوب مدیریت چرخه عمر مدل‌های هوش مصنوعی عمل می‌کند، در حالی که ADA به‌عنوان «منبع واحد حقیقت» (Single Source of Truth) برای داده‌ها و دانش سازمانی، زمینه را برای حاکمیت داده، کشف دانش، استفاده مجدد از دانش، تصمیم‌گیری هوشمند و استقرار سریع مدل‌های هوش مصنوعی فراهم می‌سازد. این رویکرد نشان می‌دهد که DBS با تلفیق زیرساخت‌های داده، مخازن دانش و سامانه‌های هوش مصنوعی، مدیریت دانش را از یک فعالیت صرفاً مستندسازی به یک قابلیت هوشمند، پویا و ارزش‌آفرین در سطح سازمان ارتقا داده است (DBS, 2026a).

بر اساس DBS Bank AI Playbook، مدیریت دانش مبتنی بر هوش مصنوعی یکی از اجزای کلیدی معماری هوش مصنوعی سازمانی این بانک محسوب می‌شود. در این معماری، مجموعه‌ای از مؤلفه‌های مکمل شامل DBS-GPT، Enterprise AI Gateway، ADA (Advancing DBS with AI) و ALAN (AI Protocol and Knowledge Repository) برای مدیریت، حاکمیت، بازیابی و استفاده مجدد از دانش سازمانی به‌کار گرفته شده‌اند. ALAN به‌عنوان مخزن دانش و پروتکل هوش مصنوعی بانک، نقش هسته مرکزی در ذخیره، سازماندهی و مدیریت دانش مرتبط با مدل‌های هوش مصنوعی و فرآیندهای سازمانی ایفا می‌کند، در حالی که ADA زیرساخت داده و دانش سازمان را فراهم می‌سازد. همچنین، DBS-GPT با فراهم کردن دسترسی مبتنی بر نقش (Role-Based Access) به دانش داخلی سازمان، امکان بازیابی هوشمند اطلاعات، پاسخ‌گویی به پرسش‌های کارکنان و استفاده مؤثر از دانش تخصصی را فراهم می‌کند. این معماری با بهره‌گیری از سازوکارهایی نظیر Knowledge Retrieval، Knowledge Governance و Knowledge Reuse، چرخه کامل مدیریت دانش را از ایجاد و سازماندهی تا اشتراک‌گذاری و بهره‌برداری مجدد پوشش می‌دهد و نشان می‌دهد که بانک DBS مدیریت دانش را به‌عنوان یکی از ارکان اصلی تحول دیجیتال و توسعه سامانه‌های هوش مصنوعی سازمانی در نظر گرفته است (DBS, 2026b).

گزارش «DBIL’s GenAI Efforts Enhance Productivity, Decision Support» نشان می‌دهد که بانک DBS از هوش مصنوعی مولد به‌عنوان ابزاری برای ارتقای مدیریت دانش، افزایش بهره‌وری کارکنان و بهبود تصمیم‌گیری سازمانی بهره می‌برد. در این گزارش، DBS-GPT به‌عنوان دستیار هوش مصنوعی داخلی بانک معرفی شده است که بر روی پایگاه‌های دانش سازمانی⁵⁰ شامل دانش محصولات، سیاست‌ها، مقررات و پژوهش‌های بازار استقرار یافته و امکان دسترسی هوشمند به این منابع را برای کارکنان فراهم می‌کند. این سامانه در انجام وظایفی نظیر بازیابی اطلاعات⁵¹، ترکیب و سنتز دانش⁵² و پشتیبانی از تصمیم‌گیری (Decision Support) نقش مؤثری ایفا می‌کند و به کاربران کمک می‌کند تا در کوتاه‌ترین زمان به دانش مرتبط دست یافته و از آن در فعالیت‌های تخصصی خود استفاده کنند. همچنین، گزارش بیان می‌کند که حدود دو سوم کارکنان بانک از DBS-GPT که بر روی پایگاه‌های دانش داخلی محصولات، سیاست‌ها و تحقیقات بازار مستقر شده است، به‌صورت روزانه استفاده می‌کنند. این موضوع نشان می‌دهد که مدیریت دانش در DBS از مرحله ذخیره‌سازی صرف اطلاعات فراتر رفته و به یک سامانه هوشمند و تعاملی مبتنی بر هوش مصنوعی تبدیل شده است که دسترسی، ترکیب، استفاده مجدد و به‌کارگیری دانش سازمانی را در فرآیندهای تصمیم‌گیری و عملیات روزمره تسهیل می‌کند (DBS, 2026c).

بر اساس گزارش رسمی «DBS Empowers its Customer Service Officers with Gen AI-powered Virtual Assistant»، بانک DBS از یک دستیار مجازی مبتنی بر هوش مصنوعی مولد برای توانمندسازی کارشناسان خدمات مشتری استفاده می‌کند که نمونه‌ای عملی از به‌کارگیری مدیریت دانش هوشمند در فرآیندهای عملیاتی است. این دستیار هوشمند مکالمات مشتریان را به‌صورت بلادرنگ به متن تبدیل کرده، هم‌زمان در پایگاه دانش داخلی بانک⁵³ جستجو می‌کند و با بازیابی مرتبط‌ترین اطلاعات، پاسخ‌ها و راهکارهای مناسب را به کارشناسان پیشنهاد می‌دهد. این معماری، ترکیبی از بازیابی دانش، استفاده مجدد از دانش⁵⁴ و دستیار هوشمند مبتنی بر هوش مصنوعی⁵⁵ را در قالب یک سامانه یکپارچه ارائه می‌دهد و موجب می‌شود کارکنان بدون نیاز به جستجوی دستی در مستندات، در کوتاه‌ترین زمان به دانش معتبر و به‌روز سازمان دسترسی پیدا کنند. در نتیجه، این رویکرد علاوه بر افزایش سرعت و دقت پاسخ‌گویی، کیفیت تصمیم‌گیری، یکنواختی خدمات، بهره‌وری کارکنان و تجربه مشتری را نیز بهبود می‌بخشد و نشان می‌دهد که در بانکDBS ، مدیریت دانش از یک مخزن ایستا به یک سامانه هوشمند، پویا و تعاملی مبتنی بر هوش مصنوعی تبدیل شده است. این دقیقاً نمونه‌ای از Knowledge Retrieval + Knowledge Reuse + AI Assistant است. جستجوی دانش در این بانک از طریق DBS-GPT و CSO Assistant انجام می‌پذیرد.

شواهد نشان می‌دهد که DBS نیز همانند دو JPMorgan Chase و NVIDIA، مدیریت دانش را از یک مخزن سنتی اسناد به یک سامانه هوشمند مبتنی بر هوش مصنوعی، بازیابی معنایی دانش و پشتیبانی از تصمیم‌گیری ارتقا داده است.

بررسی تجربه این سازمان‌ها نشان می‌دهد که مدیریت دانش از نسل‌های اولیه مبتنی بر فناوری و مخازن اطلاعاتی عبور کرده و به سمت مدیریت دانش هوشمند حرکت کرده است. در همین راستا، حسن‌زاده (۱۴۰۴) نسل پنجم مدیریت دانش (لینک) را با عنوان «مدیریت دانش هوشمند» معرفی می‌کند و آن را «مجموعه فرایندهای هوشمند شناخت، کسب، ممیزی، سازماندهی، اشاعه، ارزش‌آفرینی، کاربست و خلق دانش برای دستیابی به توسعه اهداف کسب‌وکار با راهبری انسان و محوریت عامل‌های هوشمند مولد» تعریف می‌نماید. بر اساس این دیدگاه، نقش عامل‌های هوشمند از سطح جستجو و بازیابی اطلاعات فراتر رفته و به عنوان دستیاران دانشی، تحلیلگران دانش، تسهیل‌گران انتقال دانش و حتی مشارکت‌کنندگان در خلق دانش ایفای نقش می‌کنند.

جدول 1. تطبیق فرآیندهای 8 گانه مدیریت دانش نسل 5 با فرآیندهای شرکت‌های NVIDIA، JPMorgan و DBS

جدول حاضر، چارچوبی تلفیقی از فرآیندهای مدیریت دانش نسل پنجم را در کنار نمونه‌های واقعی پیاده‌سازی آن در سه سازمان پیشرو شامل NVIDIA، JPMorgan Chase و DBS ارائه می‌کند. در این جدول، هشت فرآیند اصلی مدیریت دانش شامل شناخت، کسب، ممیزی، سازماندهی، اشاعه، کاربست، خلق و ارزش‌آفرینی دانش با مؤلفه‌های کلیدی مدیریت دانش نسل پنجم متناظر شده‌اند و برای هر فرآیند، نمونه‌هایی از کاربردهای عملی در سازمان‌های منتخب بیان شده است.

همچنین، جدول نقش مکمل هوش مصنوعی و انسان را در هر فرآیند نشان می‌دهد. نتایج بیانگر آن است که در مدیریت دانش نسل پنجم، هوش مصنوعی وظایفی نظیر تحلیل داده‌ها، استخراج و سازماندهی دانش، ایجاد دانش‌گراف، جستجوی هوشمند، پشتیبانی تصمیم و تولید محتوای دانشی را بر عهده دارد، در حالی که انسان همچنان مسئولیت هدایت راهبردی، قضاوت تخصصی، اعتبارسنجی، تصمیم‌گیری نهایی، نوآوری و حاکمیت دانش را ایفا می‌کند. بنابراین، مدیریت دانش نسل پنجم بر پایه همکاری هم‌افزای «انسان و هوش مصنوعی»⁵⁶ استوار است؛ به‌گونه‌ای که هوش مصنوعی نقش توانمندساز و تسریع‌کننده فرآیندهای دانشی را بر عهده دارد و انسان مسئول خلق ارزش، تفسیر دانش و تضمین کیفیت و صحت آن باقی می‌ماند. مقایسه سه سازمان منتخب نیز نشان می‌دهد که اگرچه حوزه فعالیت آن‌ها متفاوت است، اما همگی از فناوری‌هایی مانند عامل‌های هوشمند، دانش‌گراف، جستجوی معنایی، دستیارهای مبتنی بر هوش مصنوعی و بسترهای مشارکت دانشی برای بهبود چرخه مدیریت دانش استفاده می‌کنند. این همگرایی نشان می‌دهد که مدیریت دانش نسل پنجم، مستقل از نوع صنعت، به سمت ایجاد اکوسیستم‌های دانشی هوشمند حرکت کرده است که در آن انسان و هوش مصنوعی به‌صورت یکپارچه در خلق، اشتراک، کاربرد و ارزش‌آفرینی دانش مشارکت دارند.

این سازمان‌ها به‌عنوان الگوهای جهانی نشان داده‌اند که آینده مدیریت دانش، مبتنی بر ترکیب «عامل‌های هوشمند، دانش‌گراف، جستجوی معنایی و پلتفرم‌های همکاری دیجیتال» شکل می‌گیرد.

نتیجه‌گیری

تحولات شتابان عصر دیجیتال و گسترش هوش مصنوعی نشان می‌دهد که مدیریت دانش در حال ورود به مرحله‌ای نوین و تعیین‌کننده است؛ مرحله‌ای که در آن رویکردهای سنتی دیگر پاسخگوی پیچیدگی‌های تولید، سازمان‌دهی و بهره‌برداری از دانش نیستند. تجربه سازمان‌های پیشرو جهانی نیز تأیید می‌کند که آینده مدیریت دانش در گرو گذار به مدل‌های هوشمند، پویا و مبتنی بر عامل‌های هوش مصنوعی است. در این میان، علم اطلاعات و دانش‌شناسی و نهادهایی همچون کتابخانه‌ها و مراکز اطلاع‌رسانی با یک بازتعریف اساسی نقش مواجه‌اند؛ به‌گونه‌ای که از مراکز صرفاً ذخیره‌سازی اطلاعات به اکوسیستم‌های هوشمند تولید، تحلیل و تسهیم دانش تبدیل می‌شوند. بنابراین، پذیرش مدیریت دانش نسل پنجم نه یک انتخاب، بلکه ضرورتی راهبردی برای بقا و اثرگذاری این نهادها در زیست‌بوم دیجیتال آینده محسوب می‌شود.

ارجاع به این متن: قویدل، سمیه (1405). از مخازن ایستا تا اکوسیستم‌های هوشمند؛ انقلاب هوش مصنوعی در مدیریت دانش سازمانی.

منابع

دانا (1402). مدیریت دانش در بانک‌ها. قابل دسترس در: https://www.danakm.com(تیر 1405).

حسن‌زاده، (1405). نسل پنجم مدیریت دانش: مدیریت دانش هوشمند. قابل دسترس در: https://prof-hassanzadeh.com// (تیر 1405)

Atlassian (2026a). Meet Rovo: AI that knows your business .Available at: https://www.atlassian.com/software/rovo (30 June 2026).

ikuteam (2026). Understanding Confluence AI: Enhancing Knowledge Management with Rovo. Available at: https://ikuteam.com/blog/understanding-confluence-ai-enhancing-knowledge-management-with-rovo (29 June 2026).

DBS (2026a). DBS’ AI-powered digital transformation .Available at: https://www.dbs.com/artificial-intelligence-machine-learning/artificial-intelligence/dbs-ai-powered-digital-transformation.html?utm_source=chatgpt.com (29 June 2026)

DBS (2026b). DBS Bank’s AI Playbook. Available at: https://www.dbs.com/india/newsroom_media/dbs-banks-ai-playbook.page?utm_source=chatgpt.com. (29 June 2026)

DBS (2026c). DBIL’s GenAI Efforts Enhance Productivity, Decision Support. Available at: https://www.dbs.com/india/newsroom_media/dbs-banks-genai-initiatives-enhance-productivity-decision-support.page. (29 June 2026)

JPMorgan Chase (2026). Artificial Intelligence Research. .Available at: https://www.jpmorganchase.com/about/technology/research/ai. (29 June 2026).

Rovo (2026). Meet Rovo: AI that knows your business. Available at: https://www.atlassian.com/software/rovo (30 June 2026)

پاورقی‌ها

1. AI Agents
2. Atlassian
3. Confluence
4. Jira
5. AI-driven Knowledge Management
6. سیستم مدیریت دانش سرویس (SKMS)
7. Data & Knowledge Sources
8. Knowledge Extraction Layer
9. Entity Extraction
10. Relation Extraction
11. Knowledge Structuring Layer
12. SKMS Repository Layer
13. AI & Analytics Layer
14. AI Planning
15. Fraud Detection
16. Decision Intelligence Layer
17. Decision Support
18. Knowledge Delivery Layer
19. AI Assistants
20. Continuous Learning Layer
21. NVIDIA Agent Toolkit
22. self-evolving agents
23. agentic search
24. Hybrid Architecture
25. Orchestration
26. Knowledge Source
27. Generative AI
28. Contextual Understanding
29. Single Source of Truth
30. Large Language Models - LLMs
31. AI Writing and Editing Assistance
32. Prompt
33. Page, Blog, and Comment Summaries
34. Comment Threads
35. Natural Language Search and Answers
36. Action Items and Knowledge Structuring
37. Action Items
38. Templates
39. Context
40. Generative AI for Knowledge Work
41. Permissions-Aware AI and Data Boundaries
42. Permission Model
43. Spaces
44. Comments
45. Trust, Models, and Admin Controls
46. Enterprise AI Layer
47. AI Agents
48. AI Chat
49. Cross-tool Reasoning
50. Internal Knowledge Bases
51. Information Retrieval
52. Knowledge Synthesis
53. Knowledge Base
54. Knowledge Reuse
55. AI Assistant
56. Human–AI Collaboration