| title | Корпоративная память, пригодная для AI | |
|---|---|---|
| record_kind | report | |
| status | active | |
| derived_from |
|
|
| generation_mode | human_authored | |
| audience | humans_and_agents |
Компании годами накапливают письма, чаты, презентации и документы, но не обязательно накапливают знания. Когда факт существует в пяти копиях, вывод не отделён от источника, а решение живёт только в переписке, люди получают противоречивые ответы.
Появление AI не меняет природу этой проблемы. Оно лишь делает её заметнее: у корпоративной памяти появляется новый, быстрый и буквальный потребитель, который не умеет сам отличить устаревшую копию от канонической записи. Выход не в том, чтобы «загрузить всё в AI». Сначала нужно устроить память так, чтобы у каждого утверждения были canonical owner, происхождение, lifecycle и адрес.
В разработке исходный код не пересылают целиком в чат. Его кладут в репозиторий, меняют через понятный diff, оставляют историю и дают ссылку на конкретную версию. Для знаний работает тот же принцип.
Репозиторий — не обязательно Git. Это может быть система документов, база данных или профильная операционная система. Важно, чтобы у записи были канонический адрес, история, контекст и понятный владелец. Код владеет реализацией, операционные системы — транзакционными фактами, документация — intent, rationale и contracts. Git особенно хорош для правил, решений, runbook-ов и проектной документации, потому что делает изменения проверяемыми.
Практическое правило для команды: если из сообщения следует решение, факт, договорённость или рабочая инструкция, его нужно перенести в каноническую запись. После этого в чат отправляется ссылка, а не пересказ. Так обсуждение остаётся быстрым, но память — общей и проверяемой.
- Источник сохраняет то, что произошло или было сказано: письмо, запись, договор, таблицу, первичную выгрузку.
- Каноническое утверждение фиксирует, что организация сейчас принимает в объявленном scope.
- Производное преобразует upstream-материал: расчёт, расшифровка, выдержка, summary или отчёт.
- Решение и действие опираются на утверждения, ограничения и свидетельства, но не заменяют их.
Это не строгий конвейер. Реальная модель — ациклический граф типизированных связей: у решения может быть несколько upstream-источников, а один источник может породить несколько производных. Summary полезен, но он не становится источником только потому, что написан убедительно.
Слова «мы знаем» часто скрывают разные вещи: прямое свидетельство, чью-то оценку, расчёт, предположение или принятое решение. Но их нельзя кодировать одной меткой. Достоверность, роль записи, способ создания и lifecycle — независимые оси.
Например, письмо подтверждает факт коммуникации: «клиент написал, что бюджет подтверждён». Оно не обязательно доказывает наличие денег или полномочия отправителя. Поэтому исходное утверждение остаётся claim, пока не выполнен названный критерий проверки. «Вероятность сделки 70%» — hypothesis; «работаем с этим сегментом до конца квартала» — decision с собственным lifecycle.
Полная нотация и двенадцать правил находятся в каноническом реестре и его русском представлении.
Хороший ответ человека или AI не только сообщает результат. Он показывает границы знания:
По договору от 14 августа срок поставки — 30 сентября (
verified). Риск переноса на октябрь — гипотеза менеджера из статуса от 20 августа (hypothesis). Подтверждённого изменения срока нет (unknown).
Такой ответ можно проверить и использовать для решения. Он полезнее гладкого текста, который скрывает неуверенность.
Не нужно сначала строить AI-поиск, векторную базу или корпоративный граф знаний. Достаточно:
- Определить canonical owner для каждого вида существенных знаний проекта.
- Завести шаблоны для решений, встреч, инструкций и ключевых сущностей.
- Разделить
evidence,canonical_for,stewardиderived_from. - Отправлять в чатах и письмах ссылки на записи, а не новые копии знания.
- Когда появится AI, настроить его на поиск в этой памяти и обязательные ссылки на свидетельства в ответах.
Эта дисциплина делает память одновременно человеческой, аудируемой и машинно-пригодной. AI затем не заменяет её, а ускоряет поиск, сопоставление и объяснение.
Эта дисциплина нужна командам и без AI: она уменьшает потерю контекста, повторную работу и споры о текущей версии. AI становится ещё одним читателем такой памяти — он может быстро находить, сопоставлять и объяснять знания, если они уже имеют ясную структуру и происхождение.
Нормы происхождения знаний опираются на W3C PROV, машинную пригодность — на FAIR Principles, а историю изменений — на практику version control.