Resumen


El término Gestión del Conocimiento abarca una amplia gama de procesos, tecnologías y comportamientos que sustentan un enfoque de colaboración para gestionar el “conocimiento” en el seno de las instituciones y empresas. En muchos aspectos es sinónimo del concepto de laboratorio inteligente. Desde entonces ha surgido un sector que suministra formación, soſtware y servicios de consultoría destinados a lograr los objetivos de la institución o empresa. A pesar de ello, los principios básicos son simples y giran en torno a la cultura corporativa y la conducta individual. Los cinco nodos de la Figura 9 representan


una generalización de los principales procesos del conocimiento, y salta a la vista que la tecnología, bajo la forma de herramientas informáticas del laboratorio, tiene un papel instrumental en el ecosistema de conocimiento del laboratorio. Pero es el elemento humano el que desempeña el trabajo de gestión del conocimiento. Los sistemas facilitan la gestión de los datos y de la información, pero el conocimiento es una cualidad netamente humana y se requiere el tipo adecuado de cultura, formación y experiencia para sacar el máximo partido de la tecnología. Lo mismo ocurre con el laboratorio inteligente. Desde la informática de laboratorio hasta la


gestión del conocimiento, la tecnología depende de procesos lógicos y sistemáticos. No obstante, los hallazgos fortuitos siempre han tenido un papel destacado en la ciencia. Numerosos avances científicos son fruto de reflexiones del tipo “¿Qué pasaría si...?”, de observaciones fortuitas y de experimentos que salieron mal. ¡A menudo de los fracasos se aprende más que de los aciertos! Con el énfasis creciente en acertar a la primera, en la reducción de errores y la mejora de la productividad, la revisión y valoración de los aciertos y los fracasos plantea un reto para la gerencia. El papel de las herramientas informáticas


Fig. 9: Procesos del conocimiento


en el laboratorio inteligente, o en el “ecosistema de conocimiento” (Figura 9) es importante. Son robustas en cuanto a la captura, el registro y la organización de los datos y, cada vez más, proveen funciones para el intercambio de información. Aunque surgen más oportunidades con respecto a la evaluación y el aprendizaje (análisis de datos) y el diseño experimental. Y más allá, contribuirán a la ciencia predictiva.


“ Desde la informática de laboratorio hasta la gestión del conocimiento, la tecnología depende de procesos lógicos y sistemáticos”


Sin embargo aparte de las estrategias


sistemáticas y estructuradas destinadas a mejorar la eficiencia y la productividad es preciso dar cabida al pensamiento “acertado”. La innovación depende del conocimiento y de la razón. Por mucho que la tecnología recopile y vele por los datos, hallar su sentido corresponde a la razón y al juicio humano. En el fondo, las llamadas “soluciones” para la gestión del conocimiento no son más que soluciones para la gestión de la información o de los datos. La gestión del conocimiento solo puede florecer si se le añade el componente humano, e incluso así, precisa del entorno adecuado – de ahí el concepto de “ecosistema del laboratorio”, o laboratorio inteligente. Aunque la gestión desee ver ese ecosistema, solo puede adquirir las herramientas necesarias para crear el entorno apropiado que nutra y cultive el ecosistema de conocimiento. El ecosistema depende de una cultura abierta y colaborativa y de un liderazgo propicio, sin secretismos, disciplina o una gestión inflexible.


Intuir/explorar/descubrir


En su mayor parte se trata de una actividad individual: personas que buscan o encuentran nuevos conocimientos.


Evaluar/aprender


Integrar, organizar y cotejar con otro conocimiento previo (tácito o explícito) para generar nuevos datos, ideas, conocimientos y conceptos.


Captación/registro


Guardar el “conocimiento” en alguna parte; p. ej. En el cuaderno de laboratorio, en un informe técnico, etc.


Los participantes han de tener la opción, no verse obligados. Un temor es que la revolución digital tal vez esté inclinando el pensamiento hacia el ser “digital”, con el riesgo de dejar arrinconado el modo de pensar analógico, aleatorio y los presentimientos por considerarlos irrelevantes o discordantes con los conceptos modernos de la ciencia. David Snowden, fundador del Cynefin Centre,


escribió un artículo titulado Multi-ontology sense making – a new simplicity in decision making [18]. En el mismo, Snowden plantea incógnitas interesantes sobre los procesos comerciales y la medida en que son adecuados para los fines previstos en diversos dominios. El modelo es genérico, pero fácilmente aplicable al laboratorio.


Fig. 10: El panorama de la gestión No orden Orden


Complejidad matemática


Ingeniería de procesos


Reglas


Complejidad social


Pensamiento sobre sistemas


Heurística Epistemología Por ejemplo, el recuadro inferior de la


izquierda (ingeniería de procesos) concierne a las funciones del laboratorio propias de un entorno ordenado y regulado – normalmente un laboratorio altamente automatizado, de garantía de calidad, o donde se efectúan análisis sistemáticos, en los que predomina un flujo de trabajo metódico. Por otra parte, el recuadro superior de la derecha (Complejidad social) concierne a la función clásica de investigación e innovación basada en complejidad, caos, creatividad e innovación. Los dos recuadros restantes representan entornos mixtos: uno en el que se pueden aplicar normas novedosas a entornos complejos o caóticos, y otro en el que un enfoque ordenado y planificado puede exigir pensamiento innovador para generar conocimiento. Un temor que suscita la ingeniería de


Compartir


Comunicar al prójimo (conocimiento explícito o tácito). Esto impone estructura (organización) y mayor integración


40 Organizar


Codificar, indexar, hacer fácilmente accesible. Pueden ser ejecutadas por otros o con su ayuda, o bien mediante automatización.


procesos es el riesgo de que pueda deshumanizar demasiado las labores del laboratorio y rebajar la exigencia de trabajo intelectual, hasta el punto de prescindir de todo conocimiento fundamental sobre la ciencia y la tecnología en uso. No obstante, son muy pocos los argumentos contra las ventajas adquiridas en productividad y eficiencia que las mejoras de la automatización y de los procesos (Lean, Six-Sigma) consiguen en los laboratorios de análisis y de control de calidad. Resta por ver si la incipiente automatización acarrea otras consecuencias a largo plazo, como la pérdida de atractivo del trabajo de laboratorio.


www.scientific-computing.com/BASL2015


Ontología


Vitaly Korovin/Shutterstock.com


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44