Return to search

Accelerera kunskapsspiralen – lärande om generativ AI i kunskapsarbete : En kvalitativ fallstudie om hur kunskap uppstår genom lärande på individnivå och kunskapsdelning på gruppnivå i en kunskapsarbetande organisation / Accelerating the Knowledge Spiral – Learning about Generative AI in Knowledge Work : A case study on how knowledge emerges through individual learning and knowledge sharing in a knowledge-working organization

Artificiell intelligens (AI) har blivit en central del av utvecklingen hos moderna organisationer, med potential att förändra arbetssätt och öka effektivitet och konkurrenskraft. Generativ AI, som skapar innehåll baserat på mönster i befintliga data, har snabbt utvecklats och väckt stor uppmärksamhet i olika branscher. Trots dess potential för kunskapsarbete används det fortfarande inte i stor utsträckning inom organisationer. Med fokus på individuellt lärande och kunskapsdelning, strävar denna fallstudie efter att bidra med insikter om hur kunskap om generativ AI uppstår och sprids för att främja innovationens integrering i kunskapsarbete. Den teoretiska referensramen baseras på relevanta artiklar om generativ AI i kunskapsarbete och traditionell litteratur om lärande och kunskapsdelning i organisationer. Som ram för analysen används en modell för kunskapsomvandling, som utgår från fyra processer genom vilka kunskap utvecklas: socialisering, externalisering, kombinering och internalisering. Dessa skapar en dynamisk kunskapsspiral där individer inom organisationen interagerar, reflekterar, tar del av och tillämpar kunskap. Studien undersöker hur denna kunskapsspiral drivs framåt och hur generativ AI som kunskapsområde skiljer sig från andra innovationer. För att utforska detta används en interpretativ forskningsfilosofi och kvalitativ ansats. Genom semistrukturerade intervjuer, observationer och enkätundersökning, samlades data in för att bilda en förståelse. Med en iterativ process mellan litteratur och empiri strävar studien efter att bidra till vidare teoriutveckling inom området och praktisk tillämpning i kunskapsarbete. Studien bidrar till en fördjupad förståelse för hur olika initiativ kring kunskap om generativ AI bidrar till lärande och användning av tekniken. Den konstaterar att lärande om generativ AI främst sker på individnivå och är drivet av inre motivation och nyfikenhet att experimentera. Organisationen stödjer lärandet genom viss möjliggörande styrning, men brist på möjligheter att tillämpa kunskapen i det dagliga arbetet kan hindra individens deltagande och därigenom begränsa kunskapsspridningen. Sammantaget är experimenterande centralt för lärandet om generativ AI, dels på grund av dess breda användningsområden och arbetssätt och hur de utvecklas med tiden, dels på grund av variationen i kunskapsarbete. Det finns därmed ett behov av fokus på att främja kombinering, där experimenterandet börjar, och internalisering, där kontinuerligt experimenterande bildar tyst kunskap. Vidare ger studien rika exempel på hur generativ AI används i praktiken, vilket kan inspirera andra kunskapsintensiva verksamheter att utnyttja tekniken. / Artificial intelligence (AI) has become a central part of development in modern organizations, with the potential to change workflows and increase efficiency and competitiveness. Generative AI, which generates content based on patterns in existing data, has rapidly evolved and gained significant attention across industries. Despite its potential for knowledge work, it is not yet widely utilized within organizations. Focusing on workplace learning and knowledge sharing, this case study aims to provide insights into how knowledge about generative AI emerges to promote its adoption in knowledge work. The theoretical framework is based on relevant articles on generative AI in knowledge work and traditional literature on workplace learning and knowledge management. The analysis is based on a model of knowledge creation consisting of four processes through which knowledge develops: socialization, externalization, combination, and internalization. These processes create a dynamic knowledge spiral representing how members of the organization interact, reflect, share, and apply knowledge. The study investigates how the knowledge spiral is driven forward and how knowledge about generative AI differs from other innovations. An interpretative research philosophy and qualitative approach are employed, using semi- structured interviews, observations, and a survey to gather data and form an understanding. Through iterating between literature and empirical data, the study aims to contribute to further theory development and practical application in knowledge work. The study contributes to a deeper understanding of how various initiatives regarding knowledge about generative AI contribute to learning and use of the technology. It suggests that learning about generative AI primarily occurs at the individual level and is driven by internal motivation and curiosity to experiment. The organization supports learning through certain enabling governance, but a lack of opportunities to apply the knowledge in daily work can hinder participation and limit knowledge dissemination. Overall, experimentation is central to learning about generative AI, partly due to its broad applications and approaches and how they evolve over time, and partly due to the variation in knowledge work. Therefore, there is a need to focus on promoting combination, where experimentation begins, and internalization, where continuous experimentation forms tacit knowledge. The study also provides rich examples of how generative AI is used in practice, which can inspire other knowledge- intensive organizations to leverage the technology.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-201274
Date January 2024
CreatorsLewén, Fredrik
PublisherLinköpings universitet, Institutionen för ekonomisk och industriell utveckling
Source SetsDiVA Archive at Upsalla University
LanguageSwedish
Detected LanguageEnglish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0029 seconds