2030 Firma natywna dla Provenance.

Author: Yauheni Kurbayeu
Published: March 13, 2026
LinkedIn

Wyobraźmy sobie „firmę natywną dla Provenance” w roku 2030 — organizację zbudowaną od samego początku wokół linii pochodzenia decyzji, pamięci SDLC oraz śledzenia wykonania AI, zamiast próbować dodawać to później.

1. Pamięć organizacyjna jest podstawową infrastrukturą.

W firmie natywnej dla provenance pamięć organizacyjna traktowana jest jako infrastruktura, a nie dokumentacja.

Zamiast rozproszenia wiedzy w narzędziach takich jak Jira, Slack, GitHub czy Notion, wszystkie zdarzenia pracy automatycznie generują ustrukturyzowane rekordy provenance.

Każde istotne działanie tworzy węzły w grafie decyzji:

-   Decision
-   Assumption
-   Constraint
-   Risk
-   Experiment
-   Artifact
-   Agent execution

Te węzły są automatycznie ze sobą powiązane.

Rezultatem jest żywy graf przyczynowo‑skutkowy organizacji.

Nie jest to dokumentacja tworzona po fakcie, lecz pamięć powstająca jako efekt uboczny pracy.

2. Agenci AI muszą generować provenance.

W 2030 roku większość pracy angażuje agentów AI.

W firmie natywnej dla provenance agenci AI nie mogą wykonywać działań bez tworzenia rekordów śledzenia.

Każde wykonanie zapisuje:

-   Agent identity
-   Model version
-   Inputs
-   Reasoning chain
-   Tools used
-   Decision references
-   Output artifacts
-   Confidence / risk notes

Staje się to standardową telemetrią operacyjną, podobnie jak dzisiejsza obserwowalność systemów.

Ale zamiast obserwować systemy, firma obserwuje przepływy decyzji.

3. Architektura staje się żywym grafem decyzji.

Diagramy architektury stają się drugorzędne.

Zamiast tego architektura reprezentowana jest jako graf decyzji w czasie.

Przykład:

Decision: Split EU infrastructure
  ├── Assumption: GDPR enforcement risk
  ├── Constraint: Data residency
  ├── Risk: Deployment complexity
  └── Resulting artifacts:
          - AWS EU cluster
          - Separate pipelines

Sześć miesięcy później pojawia się kolejny węzeł:

Decision: Merge EU & US services
Reason: Regulatory change
Supersedes: Decision #231

Architektura staje się rozumowaniem osadzonym w czasie, a nie statycznym diagramem.

4. Spotkania stają się systemami rejestrowania decyzji.

Spotkania nadal istnieją, ale ich rola się zmienia.

Zamiast tego, by dyskusje znikały w notatkach, systemy wyodrębniają:

-   Proposed decisions
-   Risks
-   Assumptions
-   Disagreements
-   Action items

Elementy te są zapisywane jako ustrukturyzowane węzły.

System automatycznie łączy je z:

• zmianami w kodzie
• funkcjami produktu
• incydentami
• eksperymentami

Z czasem firma gromadzi przyczynową historię tego, dlaczego rzeczy się wydarzyły.

5. Incydenty analizuje się poprzez linię pochodzenia decyzji.

Dzisiaj analiza incydentów zazwyczaj koncentruje się na:

• logach
• metrykach
• kodzie

W firmie natywnej dla provenance dochodzenie zaczyna się inaczej:

Jaki łańcuch decyzji doprowadził do awarii?

Przykład:

Incident: Payment outage

Trace:
    Code change
    ↓
    Decision: switch payment provider
    ↓
    Assumption: fallback system ready
    ↓
    Assumption invalid

Przyczyną źródłową stają się błędne założenia, a nie tylko wadliwy kod.

6. Wiedza instytucjonalna staje się zapytaniowa.

Pracownicy mogą pytać:

• Dlaczego używamy tej architektury?
• Jakie założenia uzasadniają to ograniczenie?
• Od jakich decyzji zależy ten komponent?

System rekonstruuje odpowiedzi przy użyciu grafu decyzji.

To zasadniczo różni się od RAG opartego na dokumentacji.

Odpowiedzi powstają na podstawie linii przyczynowej, a nie podobieństwa tekstu.

7. Strategia jest śledzona jako ewolucja decyzji.

Nawet decyzje strategiczne kierownictwa są zapisywane w grafie provenance.

Przykład:

Strategic Decision: Enter EU market
Assumptions: 
    - EU demand growing 
    - compliance manageable

Constraints: 
    - data residency 
    - local legal frameworks

Dwa lata później:

Decision: Expand EU infrastructure
Supersedes: initial EU strategy
Reason: adoption exceeded forecast

Strategia staje się rozumowaniem możliwym do prześledzenia w czasie.

8. Firma rozwija „kapitał decyzji”.

To najciekawszy rezultat.

Dziś firmy gromadzą:

• kod
• dane
• dokumenty

Firma natywna dla provenance gromadzi kapitał decyzji.

Oznacza to historyczny graf:

• kompromisów
• nieudanych pomysłów
• zweryfikowanych założeń
• ewolucji architektury
• rozumowania strategicznego

Nowi pracownicy i systemy AI mogą natychmiast zrozumieć sposób myślenia organizacji.

Znacząco przyspiesza to onboarding i strategiczne dopasowanie.

9. AI staje się bezpieczniejsze w użyciu.

Jednym z największych problemów współczesnych systemów AI jest odpowiedzialność.

W firmie natywnej dla provenance każde działanie AI można prześledzić do:

• osoby, która zatwierdziła cel
• założeń użytych w procesie
• modelu, który wygenerował wynik
• łańcucha decyzji autoryzującego wykonanie

Dzięki temu AI staje się audytowalne i zarządzalne.

10. Kultura przesuwa się w stronę myślenia decyzjami.

Inżynierowie przestają pytać:

„Jaki kod powinniśmy napisać?”

Zaczynają pytać:

„Jaką decyzję podejmujemy?”

Artefakty takie jak kod, dokumenty czy eksperymenty stają się konsekwencją decyzji.

Ironia

Najciekawszym aspektem tej wizji przyszłości jest to, że nie wymaga ona rewolucyjnej technologii.

Wszystko, co potrzebne, już istnieje:

• bazy danych grafowych
• embeddingi wektorowe
• agenci AI
• pipeline’y zdarzeń
• stosy obserwowalności

Brakuje jedynie modelu mentalnego.

Właśnie to wprowadza Provenance Manifesto.