Нормативный контур AI-native организации: от онтологии к графу знаний

ИИ-агент может прочитать должностную инструкцию, найти нужный файл и выполнить описанный процесс. Но ни одна организация не действует только по собственным инструкциям. Её рамки задают законы, обязательные требования, стандарты, внутренние политики и локальные нормативные документы.

Для человека эти рамки поддерживает целая среда: профессиональная подготовка, опыт, коллеги, юристы, сложившаяся практика. Агент видит только то, что представлено в данных. Если ему дали папку с законами, это ещё не значит, что он поймёт, какая норма относится к конкретной операции, при каком условии она включается и чем должно подтверждаться её исполнение.

Например, в локальном документе сказано, что забракованный компонент крови относится к медицинским отходам класса Б. Для человека предметной области это не просто описание объекта. Класс Б открывает специальную ветвь требований: как отход должен учитываться, передаваться, обезвреживаться и какими документами сопровождается. Если агент видит только слово «отход», он может найти слишком много случайных совпадений. Если видит объект, его состояние, класс и допустимые действия, он получает основание перейти к нужной части нормативного контура.

Можно ли представить правила организации так, чтобы агент связывал их смысл с конкретной деятельностью и руководствовался этой связью при выборе следующего действия? Эту гипотезу мы проверили в инженерном пилоте: построили нормативный контур как граф знаний и попробовали связать внешний корпус требований с локальным стандартом медицинской организации.

От организации как кода — к её нормативным рамкам

В статье «Организация как код» мы описывали организацию, в которой принципы, процессы, знания и навыки хранятся как версионируемые машиночитаемые артефакты. Это позволяет ИИ-агенту работать не по устным договорённостям, а по явной модели организации.

Следующий опыт, описанный в статье «Экосистема как код», показал предел простого набора файлов. Связь, записанную вручную, можно забыть обновить. Можно сослаться на несуществующий процесс или не заметить косвенную зависимость. Поэтому внутренние сущности и отношения были перенесены в формальную онтологию. В ней каждый объект получает устойчивый идентификатор и тип, а отношение — допустимые начало и конец. Автоматическая проверка обнаруживает отсутствующую цель или связь между несовместимыми типами; запрос по графу показывает цепочки зависимостей, которых не видно в одном файле.

Так агент получил карту внутреннего устройства: какой навык используется в процессе, кто отвечает за результат, какое знание влияет на действие, какие организации получают общий шаблон.

Но у этой карты не хватало важного слоя. Жизнедеятельность организации определяется не только её внутренним устройством. Сначала внешнее законодательство и обязательные требования задают допустимое поле деятельности. Внутри него организация устанавливает собственные политики, процессы и локальные нормативные документы.

AI-native организацией здесь называется организация, в которой ИИ-агенты не только консультируют людей, но и выполняют часть регулярной деятельности по явным полномочиям и правилам. Для такой организации внешние и внутренние рамки тоже должны стать частью машиночитаемой модели. Иначе агент знает, как устроен процесс, но не знает, в каких нормативных границах процесс допустим.

Отсюда возникла практическая задача: сформировать контур нормативного регулирования как граф знаний, в котором внешняя норма связана с деятельностью организации, внутренним документом, ответственным, контролем и подтверждением исполнения.

Что такое SMART Level 4

Теоретической опорой стала линия SMART standards. Аббревиатура SMART в материалах ISO и IEC раскрывается как Standards Machine Applicable, Readable and Transferable — стандарты, пригодные для машинного применения, чтения и передачи.

Здесь важна не сама цифровая форма. PDF уже можно открыть на компьютере, XML — разобрать программой, а хорошо размеченный документ — разделить на пункты и таблицы. Но всё это ещё не гарантирует, что система различает смысл требования.

В открытых материалах инициативы ISO/IEC Level 4 описывается как уровень, на котором машине доступны смысл и связи содержания. В российской линии эту тему развивают ПНСТ 864-2023 «Умные (SMART) стандарты. Общие положения» и ПНСТ 1016-2025 «Умные (SMART) стандарты. Архитектура и форматы данных». В открытых материалах по ПНСТ 1016-2025 SMART-стандарт связан с моделью данных: типами объектов, их свойствами, структурой и отношениями. Отдельно различаются машиночитаемое содержание — то, что система может обработать и показать человеку, — и машиноориентированное содержание, предназначенное для применения информационной системой.

Для нашего пилота это различие было переведено в простой инженерный критерий:

Смысл представлен для машины не тогда, когда поле заполнено, а тогда, когда его значение меняет выбор нормы, тип связи, маршрут подтверждения или решение остановиться.

Какую гипотезу проверял пилот

Объектом стал локальный стандарт трансфузионной терапии обезличенной медицинской организации. В нём описаны действия с компонентами крови, согласие и отказ пациента, хранение, перевозка, контроль, списание и утилизация.

Задача состояла не в том, чтобы «загрузить законы в нейросеть». Мы хотели проверить более конкретную гипотезу:

Если внешние нормы и содержание локального документа представить через одну смысловую модель, агент сможет связать применимые нормативные требования с конкретными операциями локального нормативного документа (ЛНД), определить ожидаемые действия и подтверждения и сохранить эти отношения в проверяемом графе.

У гипотезы было четыре наблюдаемых признака.

1. Агент находит норму по смыслу операции, а не только по совпавшему слову.
2. Может показать, к какому фрагменту ЛНД и почему относится норма.
3. Различает отсутствие требования в ЛНД, внешний источник подтверждения и нехватку данных.
4. Изменение смыслового условия меняет решение или останавливает его.

Входом были три закреплённые группы внешних требований и локальный стандарт. Работа проходила в два этапа. Сначала был собран проверяемый стенд на двенадцати заранее выбранных требованиях. Затем агенту дали всё поле из 2 221 нормативного атома этих групп и поставили уже другой вопрос: какие из них относятся к деятельности, описанной в ЛНД, если определять применимость по смыслу?

Нормативный атом: не строка, а полный эффект

Чтобы строить граф, нужно определить его основные узлы. Одним из них стал нормативный атом.

Нормативный атом — это минимальный полный правовой эффект, для которого можно отдельно установить:

1. кому адресовано правило;
2. какое действие, право или запрет оно задаёт;
3. какого объекта касается;
4. при каких условиях применяется;
5. чем подтверждается исполнение.

Слово «атом» здесь — ограниченная аналогия. Он не является физически неделимой частицей и не совпадает автоматически с предложением или пунктом. Одна обязанность может собираться из вводного условия и нескольких строк списка. В одном предложении, наоборот, могут находиться разные обязанности с разными адресатами.

Поэтому выделить атом — значит восстановить целостный эффект нормы, сохранив точную трассу к исходному тексту.

Вернёмся к примеру с отходами класса Б. В локальном стандарте есть операция: компонент крови признан непригодным, списан и отнесён к медицинским отходам класса Б. Смысловая модель этой операции выглядит так:

объект: компонент крови
состояние: забракован
класс после списания: медицинский отход Б
действия: учесть, списать, передать
подтверждения: акт, запись движения, документ передачи

Теперь это можно сопоставить не с отдельным словом из закона, а с нормативным атомом:

адресат нормы
→ обязательное действие
→ регулируемый объект
→ условие применимости
→ требуемое подтверждение

Связь возникла потому, что совпала причинная конструкция: какой объект, в каком состоянии, к какому классу относится и что с ним нужно сделать. Само слово «отход» было только поводом проверить кандидата.

Как из этого получился граф знаний

Первичный текст нормы оставался источником доказательства. Из него восстанавливались положения и атомы. Для каждого атома создавалась структурированная запись со смысловыми полями и точными ссылками на источник.

Локальный документ разбирался с другой стороны: на операции, объекты, роли, условия, контролирующие действия и ожидаемые документы. Затем обе стороны связывались в одном контуре:

внешний источник
→ нормативный атом
→ объект, условие и обязательное действие
→ операция локального документа
→ ответственная роль
→ контроль
→ подтверждение исполнения

Машиночитаемые записи были источником истины. Граф на языке формальных онтологий OWL 2 строился из них как вычисляемая проекция. Его нельзя было независимо «подправить для красоты»: любую связь следовало воспроизвести от фрагмента внешней нормы до операции ЛНД и дальше до контроля или доказательства.

В такой модели вопрос агента меняется. Вместо «где в документе встречается похожее слово?» он последовательно проверяет:

• относится ли норма к этому типу организации и деятельности;
• совпадает ли регулируемый объект;
• наступило ли условие применимости;
• какое действие требуется;
• где должно появиться подтверждение;
• принадлежит ли это подтверждение самому ЛНД или другому владельцу.

Результатом становится не одна оценка «соответствует / не соответствует», а несколько разных отношений: требование отражено, отражено частично, отсутствует, применимо, но подтверждается во внешнем контуре, либо решение заблокировано из-за нехватки данных.

Что агент смог сделать по смыслу

1. Открыть специальную нормативную ветвь

Связка «забракованный компонент крови → медицинский отход класса Б» активировала требования 52-ФЗ и санитарных правил об обращении с медицинскими отходами. В исходном наборе этой специальной ветви не было.

Здесь сработали два разных фактора. Расширение охвата с двенадцати выбранных требований до поля из 2 221 атома сделало специальную ветвь доступной для проверки. Но само по себе оно не объясняло, какие атомы из этого поля относятся к ЛНД. Смысловые признаки выполнили другую работу: объект, состояние, класс и действие позволили выбрать атомы этой ветви и обосновать их связь с конкретной операцией. Поэтому пилот показал механизм семантического выбора внутри расширенного поля, но не отделил его общий эффект от расширения охвата в контролируемом сравнении.

2. Не приписать ЛНД чужое подтверждение

Для помещения хранения и подготовки крови было найдено применимое санитарное требование. Но параметры помещения подтверждаются планировкой, измерениями и инфраструктурными документами. Сам текст трансфузионного стандарта не может предоставить такое доказательство.

Поэтому агент не назвал требование выполненным и не записал его отсутствие как дефект ЛНД. Связь получила другого владельца подтверждения — владельца инфраструктуры. Смысл изменил не применимость нормы, а маршрут следующего действия.

3. Сохранить неизвестность

Часть требований зависела от специального профиля деятельности площадки. Этот профиль не был доказан входными данными. Вместо удобного положительного или отрицательного ответа агент остановил решение и сохранил причину блокировки.

Так граф показал не только установленные связи, но и границу знания: какой факт отсутствует и почему без него нельзя продолжить.

Что показали числа — и почему они не главный результат

Первый стенд содержал двенадцать выбранных атомов. Для них была построена полная трасса до ЛНД, ролей, контролей и подтверждений. Результат 1 / 8 / 3означал: одно требование отражено полностью, восемь — частично, три — не отражены. Это доказало, что связи внутри заданного набора можно сделать воспроизводимыми.

Во второй итерации агент проверил 2 221 атом трёх групп внешних требований. После независимой перепроверки были приняты не менее пяти дополнительных атомов, минимальная граница выросла с 12 до 17, ещё 20 кандидатов остались заблокированными.

Но первый смысловой проход дал девять дополнительных атомов. Проверка полных правовых эффектов обнаружила ложные включения и один пропуск, после чего результат изменился: +9 → +5.

Эта коррекция важнее самого роста. Она показывает, что семантические поля не делают первый ответ автоматически правильным. Модель может построить очень убедительную ошибочную связь. Поэтому в рабочий контур вошли независимая попытка опровержения, проверка полного эффекта нормы и остановка при незамкнутом условии.

Смог ли агент понять нормативные рамки

Если под «понять» иметь в виду человеческое профессиональное суждение, пилот на этот вопрос не отвечает.

Если использовать операционный критерий — прочитать смысловые различия, связать их с деятельностью и изменить на этом основании действие, — ответ для данного кейса положительный, но ограниченный.

Агент:

• сформировал дополнительные связи между ЛНД и внешними нормативными атомами;
• объяснил их через объект, условие, действие и подтверждение;
• изменил владельца следующего шага там, где доказательство находилось вне ЛНД;
• отказался замыкать связь при недоказанном условии;
• сохранил принятые и заблокированные решения в проверяемом контуре.

То есть нормативный граф стал не справочником, а частью поведения агента.

При этом гипотеза подтверждена только частично. Текущий механизм проверки воспроизводит уже закреплённый набор связей и защищает его от известных искажений, но не строит тот же граф заново для неизвестного ЛНД без модельного анализа и независимого проверяющего. Первый проход содержал ошибки. Полнота применимого законодательства не доказана. Не проводилось слепое сравнение с экспертным эталоном на новом документе.

Следующий эксперимент должен дать двум режимам один неизвестный ЛНД и один нормативный корпус. Первый получит только структуру и текст, второй — проверенные смысловые карточки и связи. Затем результаты нужно сравнить с экспертным набором: какие нормы найдены, сколько ложных связей построено, где агент правильно остановился и какие решения пришлось исправить человеку.

Нормативный контур как рабочая граница организации

Для AI-native организации недостаточно описать собственные процессы как код. Агент действует внутри рамок, которые создаются внешними требованиями и внутренними правилами. Эти рамки должны быть представлены ему в форме, пригодной не только для поиска, но и для выбора действия.

Пилот показал, как может выглядеть такая форма:

текст нормы
→ полный нормативный атом
→ смысл и условия применимости
→ связь с операцией организации
→ действие, контроль и подтверждение
→ принятие, передача владельцу или остановка

В этой цепочке граф знаний нужен не для визуализации. Он удерживает основания решения: почему норма относится к операции, что именно она требует, кто должен действовать и где заканчиваются доступные доказательства.

Агент начинает руководствоваться нормативными рамками не тогда, когда ему дали электронную библиотеку законов, а тогда, когда смысл нормы становится условием его следующего действия. Этот пилот подтвердил возможность такого перехода на ограниченном кейсе. Следующий шаг — проверить, воспроизводится ли он на новом документе без заранее известного ответа.

Источники и границы результата

Исходная рамка продолжает статьи «Организация как код» и «Экосистема как код». Теоретической опорой служат материалы ISO/IEC SMART initiative, ПНСТ 864-2023 «Умные (SMART) стандарты. Общие положения» и ПНСТ 1016-2025 «Умные (SMART) стандарты. Архитектура и форматы данных». Полного официального текста ПНСТ в evidence пилота не было, поэтому российская серия используется здесь как инженерный ориентир, а не как основание юридического толкования.

Числа и предметные решения пилота получены из его машиночитаемых записей и повторной проверки полных правовых эффектов.

Это инженерный пилот представления и применения нормативных знаний. Он не является юридическим или клиническим заключением, не утверждает локальный документ и не предоставляет разрешение на его внедрение.

Команда DiCE

#DiCE #AINative #НормативныйКонтур #Онтология #ГрафЗнаний