Почему организационная память — это не просто система знаний на базе ИИ.

Author: Yauheni Kurbayeu
Published: Mar 11, 2026
LinkedIn

После публикации первой версии Provenance Manifesto я начал изучать, соответствуют ли существующие на рынке решения принципам, изложенным в нём.

Вопрос был простым: существуют ли сегодня инструменты, которые способны эффективно сохранять и управлять решениями, влияющими на развитие наших систем?

Довольно быстро я заметил интересную закономерность. Многие решения называют себя платформами организационной памяти, однако на практике они предлагают нечто немного иное. В большинстве случаев речь идёт о том, что можно назвать современной системой знаний на базе ИИ.

Такие платформы подключают корпоративные инструменты, такие как Slack, Jira, GitHub, Notion, CRM-системы и репозитории документации. Они поглощают данные, создают эмбеддинги и позволяют ИИ-агентам извлекать контекст во время выполнения задач.
По сути, они превращают данные организации в поисковый слой знаний.

С технической точки зрения большинство таких систем построено вокруг Retrieval Augmented Generation (RAG). Документы, тикеты, разговоры и код индексируются и преобразуются в семантическое пространство поиска. Когда ИИ-ассистенту требуется контекст, он извлекает релевантные фрагменты и включает их в своё рассуждение.

Это мощная возможность.

Впервые ИИ-агенты могут ориентироваться в фрагментированном информационном ландшафте внутри организаций.

Но называть это организационной памятью несколько вводит в заблуждение.

На самом деле такие системы предоставляют поиск организационных знаний.

• Они могут сказать нам, какая информация существует.
• Они могут показать документацию, тикеты и разговоры, связанные с вопросом.
• Они могут даже суммировать обсуждения или объяснять части кодовой базы.

Однако организации формируются не в первую очередь документами.

Они формируются решениями.

Каждая архитектура, каждое поведение продукта и каждое операционное обходное решение существуют потому, что кто-то принял решение в определённый момент времени. Эти решения формировались под влиянием ограничений, предположений, рисков и компромиссов, которые часто были задокументированы лишь частично.

Когда система знаний находит документ, где сказано «мы используем Kafka для потоковой обработки событий», она сообщает нам результат.

Но она не говорит, почему была выбрана Kafka.

• Был ли выбор сделан из-за масштабируемости?
• Была ли она принята потому, что у команды уже был опыт её эксплуатации?
• Была ли другая технология отклонена из-за опасений по поводу надёжности?

Без этого рассуждения организация помнит результат, но забывает логику, которая к нему привела.

Именно здесь становится критически важной идея decision provenance.

Если системы знаний представляют информационный слой организационной памяти, то decision provenance представляет слой рассуждений.

Системы знаний отвечают на такие вопросы, как:

• Что делает система?
• Где находится документация?
• Какой сервис реализует это поведение?

Decision provenance отвечает на другой набор вопросов:

• Почему система работает именно так?
• Какие альтернативы рассматривались?
• Какие предположения сформировали архитектуру?
• Кто владеет этим решением и когда его может потребоваться пересмотреть?

Эти два слоя дополняют друг друга.

Системы знаний на базе RAG позволяют ИИ извлекать существующие артефакты.

Decision provenance связывает эти артефакты с решениями, которые их породили, и контекстом, который их обосновывал.

Вместе они образуют нечто гораздо более близкое к настоящей организационной памяти.

Слой знаний рассказывает историю того, что существует.

Слой provenance объясняет почему это существует.

По мере того как ИИ всё глубже интегрируется в разработку программного обеспечения и операционные процессы, это различие становится всё более важным. ИИ-агенты, способные читать документы, помогут командам ориентироваться в информации. Но ИИ-агенты, способные понимать логику, стоящую за системами, смогут участвовать в их эволюции.

Другими словами, следующий шаг за пределами управления знаниями на базе ИИ — это не просто более качественный поиск.

Это организационная память, осознающая решения.

Именно это направление исследуется в Provenance Manifesto, которое предлагает рассматривать решения как артефакты первого класса, чей контекст, обоснование и эволюция должны сохраняться вместе с системами, которые они формируют.

Потому что в конечном итоге организации работают не только на документах.

Они работают на решениях, встроенных в них.