Las bases de conocimiento organizacionales se crean para reutilizar juicios, procedimientos, éxitos y fracasos del pasado. A medida que crece la acumulación, las organizaciones no necesitan reconsiderar el mismo problema desde cero cada vez, lo que aumenta la velocidad y la coherencia de la toma de decisiones. Sin embargo, cuanto más se reutiliza un conocimiento, más puede pasar de ser un registro de que «esto se juzgó así en el pasado» a convertirse en una norma según la cual «esto debería seguir juzgándose así ahora». Existe una paradoja: cuanto más valioso se vuelve el conocimiento, más débil se hace la motivación para reexaminar las condiciones bajo las cuales se estableció.
Cuando la IA utiliza una base de conocimiento, esta fijación puede hacerse aún más fuerte. Si documentos anteriores e historiales de decisiones se recuperan y se presentan repetidamente como fundamento de las respuestas, esa información puede adquirir autoridad de facto por su frecuencia de uso. Incluso cuando después aparecen casos diferentes, si se los margina porque encajan mal con el conocimiento existente, la base de conocimiento reproduce únicamente el mundo que ya conoce. Esto no es falta de información, sino un cierre sobre sí misma causado por la falta de vías de actualización.
Para evitar este problema, el conocimiento debe conservar no solo el contenido, sino también las condiciones bajo las cuales ese conocimiento era válido. ¿En qué período, para qué objeto, propósito y bajo qué restricciones era válido? ¿Qué pruebas lo respaldaban y qué excepciones se conocen? Si esas condiciones se conservan, pueden compararse con la situación presente. Cuando se pierden las condiciones y solo se almacenan las conclusiones, los juicios locales del pasado pueden reutilizarse fácilmente como reglas universales.
También es importante no situar las objeciones fuera del conocimiento. Cuando aparece un caso que no encaja en una regla existente, en lugar de descartarlo como una mera excepción, hay que registrar «qué condición cambió para que el conocimiento existente ya no sea aplicable». Una objeción no es información que destruya el conocimiento; es información que hace más preciso su ámbito de aplicación. Una base de conocimiento madura no es la que tiene menos información contraria, sino la que puede actualizar sus propios límites mediante esa información contraria.
En esta estructura, el historial de actualizaciones se convierte también en conocimiento importante. Si solo se conserva la conclusión actual, no podemos saber por qué cambió un juicio anterior. Si se vinculan los juicios antiguos, las nuevas pruebas, las razones del cambio y las condiciones actuales de aplicación, cuando más adelante surja otra situación podremos reutilizar no solo la información más reciente, sino también la lógica del cambio. El conocimiento se amplía desde una colección de respuestas hasta una historia que incluye cómo han cambiado las respuestas.
Los propios resultados de la IA deben tratarse según el mismo principio. Si los resúmenes y juicios generados por la IA en el pasado se consideran fiables sin condiciones en procesos posteriores, el contenido generado puede adquirir con el tiempo el estatus de información primaria. Por tanto, el conocimiento derivado de la IA debe permanecer conectado con sus fundamentos, el momento de generación, las partes no verificadas y las correcciones posteriores. No aumentar la autoridad de un contenido simplemente porque la propia IA lo generó antes es la versión, en una base de conocimiento, de la distancia reflexiva.
En las organizaciones, la fijación del conocimiento también está vinculada a las estructuras de responsabilidad. La razón «este siempre ha sido el procedimiento» reduce la carga de explicar los juicios presentes. Pero cuando el entorno ha cambiado, esa estabilidad puede retrasar el descubrimiento de problemas. Si una base de conocimiento está diseñada para recibir excepciones y objeciones presentes, puede priorizar la coherencia con la realidad actual por encima de preservar la coherencia con el pasado.
Desde el punto de vista técnico, gestionar los elementos de conocimiento como oraciones aisladas es menos adecuado para la autocorrección que vincular fundamentos, condiciones de aplicación, objeciones relacionadas, historial de actualizaciones y estado actual. Lo importante no es aumentar el volumen de información, sino poder rastrear qué información respalda qué afirmación y bajo qué condiciones esa afirmación se debilita. Cuando las relaciones entre los elementos de conocimiento son visibles, resulta más fácil identificar el alcance afectado por nuevas pruebas.
Los indicadores de evaluación también deben cambiar. La precisión de la búsqueda y la velocidad de respuesta por sí solas no permiten medir si una base de conocimiento es rígida. Es necesario examinar si el conocimiento relacionado se actualizó cuando llegaron nuevas pruebas refutatorias, si las conclusiones antiguas fueron degradadas adecuadamente, si las excepciones se reflejaron en las condiciones de aplicación y si pueden rastrearse las razones de los cambios. La calidad del conocimiento no reside solo en poseer información correcta, sino también en poder corregirse ante errores y cambios de condiciones.
Para Sai＊aus, acumular conocimiento no tiene como finalidad comprender a los seres humanos como entidades fijas. Lo importante es poder utilizar diálogos y comprensiones pasados, permitiendo al mismo tiempo que las afirmaciones presentes pongan en cuestión comprensiones anteriores. El mismo principio puede aplicarse al conocimiento organizacional. A medida que crece la acumulación, la certeza no debería simplemente hacerse más fuerte; más bien, el sistema debería volverse más preciso acerca de qué cambió y bajo qué condiciones. Es un diseño que combina cantidad de conocimiento con contención epistémica.
Que una base de conocimiento siga cuestionándose a sí misma no significa volver inestable todo el conocimiento. Significa utilizar de manera estable el conocimiento bien establecido sin perder nunca sus condiciones de aplicación ni sus vías de actualización. Cuando una nueva realidad entra en conflicto con el conocimiento existente, el sistema debería poder comprobar qué lado necesita revisión, en lugar de excluir la realidad como una excepción. Con esa capacidad, una base de conocimiento pasa de ser un almacén que protege las respuestas correctas del pasado a un mecanismo que actualiza continuamente su relación con la realidad.
Cuanto más crece el conocimiento, más necesaria se vuelve la capacidad de tomar distancia respecto de ese conocimiento. Un sistema no debe conceder autoridad incondicional a su propia acumulación, sino conservar las condiciones de validez, las objeciones, las correcciones y los cambios dentro de la misma estructura de conocimiento. La autocorrección pasa entonces de ser un tratamiento de excepciones a una función normal necesaria para que el conocimiento siga siendo conocimiento. La comprensión que busca Sai＊aus no consiste ni en olvidar el pasado ni en obedecerlo. Consiste en mantener una relación en la que el pasado pueda utilizarse mientras la realidad presente lo cuestiona una y otra vez.
No respuestas. Comprensión.