Kas yra AI ontologija - ir kodėl tai vienintelis AI pranašumas, kuris priklauso jums

2026 m. liepos 1 d. „Palantir“ vadovas Alexas Karpas atsisėdo CNBC eteryje papasakoti apie bendrovės partnerystę su „Nvidia“ - o vietoj to ištarė frazę, uždegusią visą verslo AI lauką.²

„Mes turime tokį dalyką - ontologiją, kurią dabar visi kopijuoja.“

- Alexas Karpas, „Palantir“ vadovas · CNBC, 2026 07 01

Karpo argumentas, suspaustas į vieną mintį: ontologija - tai, kas didelį kalbos modelį realioje organizacijoje padaro saugų, naudingą ir tikslų; ji neleidžia modeliui susigerti jūsų duomenų ir faktiškai atkartoti jūsų verslo. Įmones jis apibūdino kaip įsiutusias ant pažangiųjų AI laboratorijų: jos moka už tokenus, kurie nekuria vertės, o laboratorijos tuo metu siurbia jų verslų veiklos žinias - jų „alfą“.²³

Klipas išplito todėl, kad įvardijo tai, apie ką daug kas jau sukiojosi iš skirtingų pusių. Pažiūrėkite, kas vyko aplinkiniais mėnesiais:

„Block“. Kovą Jackas Dorsey kartu su „Sequoia“ partneriu Roelofu Botha paskelbė esė „From Hierarchy to Intelligence“: įmonei reikia savo veiklos pasaulio modelio - gyvo atvaizdo, kaip įmonė supranta save, savo rezultatus ir prioritetus. „Block“ ką tik buvo atsisveikinusi su maždaug 4 000 iš daugiau nei 10 000 darbuotojų; esė teigia, kad pakankamai turtingas pasaulio modelis kartu su agentais gali perimti didelę dalį konteksto, kurį anksčiau nešiojo vidurinė vadovybė. Ir jie pasakė tiesiai: vien atvaizdo neužtenka - pasaulio modelis, negalintis veikti pasaulyje, tėra duomenų bazė.⁴⁵

Karpathy. Balandį Andrejus Karpathy paskelbė savo „llm-wiki“ šabloną: užuot kiekvieną klausimą sprendęs iš naujo naršydamas žalius dokumentus, LLM pats palaipsniui rašo ir prižiūri nuolatinę, tarpusavyje susietą wiki apie tai, ką jau išmoko - žinios kaupiasi, o ne atrandamos iš naujo. „GitHub“ platformoje įrašas per kelias dienas perkopė 5 000 žvaigždučių.⁶

Platformos. „Microsoft“ išleido savo „IQ“ šeimą, kurioje Fabric IQ ontologija tiesiogiai apibrėžia esmines verslo esybes, ryšius, savybes, taisykles ir veiksmus kaip įmonės intelekto sluoksnį.⁷ „Databricks“ savo asistentą Genie grindžia valdomais įmonės duomenimis ir šiųmetėje „Data + AI Summit“ konferencijoje stūmė jį link agentinio kolegos vaidmens.⁸ „Salesforce“, „Snowflake“, „dbt“ ir „Databricks“ net paskelbė bendrą standartą, pavadintą Open Semantic Interchange, kad semantiniai sluoksniai galėtų keliauti tarp platformų.⁹ O „ServiceNow“ į savo Workflow Data Fabric įdiegė žinių grafo sluoksnį.¹⁰

Kūrėjų bendruomenėje visą šį vaizdą iš praktiko pusės sudėjo vaizdo esė, paskatinusi ir šį straipsnį, Devino Kearnso („CustomAI Studio“): kad ir kaip tai pavadintum, tai viena kategorija, ir ji elgiasi ne kaip mada, o kaip verslo infrastruktūra.¹

Kai gynybos programinės įrangos milžinas, fintech bendrovė, trys hiperskalės duomenų platformos ir daugiausiai sekamas AI švietėjas internete per metus prieina prie tos pačios abstrakcijos, tai daugiau nei rinkodaros sutapimas. Formuojasi naujas steko sluoksnis.

Terminas atėjo iš informacijos mokslo. Tomo Gruberio 1993 m. apibrėžimas, pagal kurį ontologija yra aiškiai išreikšta konceptualizacijos specifikacija, tebegalioja: jūs formaliai užrašote, kas jūsų srityje egzistuoja ir kaip tie dalykai siejasi, kad programinė įranga galėtų tuo remtis.¹¹ Pasikeitė tik auditorija. Tris dešimtmečius ontologijos buvo statomos duomenų bazėms ir paieškos varikliams; dabar jos statomos kalbos modeliams, nes modelis su jūsų ontologija nustoja spėlioti, kas yra „klientas Meridian“, ir pradeda žinoti.

„Palantir“ - bendrovė, atitempusi šį terminą į valdybų posėdžius - savo Ontologiją apibūdina kaip operacinį sluoksnį virš organizacijos duomenų, jungiantį skaitmeninį turtą su jo atitikmenimis realiame pasaulyje: skaitmeninį dvynį, laikantį ir semantinius elementus (objektus, savybes, ryšius), ir kinetinius (veiksmus, funkcijas).¹² Jų trumpinys - geriausias iš visų: jūsų verslo daiktavardžiai ir veiksmažodžiai.

Struktūra svarbi dėl to, kas nutinka be jos. Išbandykite alternatyvą, kurią vaizdo įraše pademonstruoja Kearnsas: vienas ilgas, nuolat pildomas dokumentas kiekvienam klientui. Veikia - vienam klientui, kurį laiką. Bet kontekstas lieka įkalintas tame faile. Tie patys žmonės figūruoja penkiose klientų sąskaitose; tas pats sprendimų šablonas kartojasi dvidešimtyje projektų; niekas iš to nepersikelia - nes proza neturi briaunų. Ontologija leidžia kontekstą panaudoti pakartotinai: vieną kartą apibrėžiate esybių tipus, apibrėžiate, ką reiškia ryšiai, ir kiekvienas naujas įvykis nusileidžia į tinklą, kuris jau žino, kaip jį laikyti.¹

Ontologija, žinių grafas ir taksonomija - laiptai

Šie trys terminai nuolat maišomi, bet iš tiesų tai vienų laiptų pakopos. Taksonomija - hierarchija: kategorijos ir subkategorijos, „yra rūšis“ medis. Ontologija prideda tipizuotus ryšius, savybes ir taisykles: ne tik „Užduotis priklauso Projektui“, bet „Užduotis blokuoja Užduotį“, „Žmogus tvirtina Sprendimą“ - schema, pakankamai turtinga išvadoms daryti. Žinių grafas - tai užpildyta ontologija: jūsų tikri klientai, tikri sandoriai ir tikri susitikimai, saugomi kaip egzemplioriai ir sujungti apibrėžtais ryšiais. Ontologija - brėžinys; žinių grafas - pastatas.¹³

Ką įrodė „Palantir“ versija

Verta stabtelėti ties tuo, kodėl Karpas gali sau leisti pasididžiuoti. „Palantir“ beveik du dešimtmečius dirbo neblizgantį darbą, kai jų inžinieriai rankomis statė gamyklų, bankų ir mūšio laukų ontologijas, ir, atėjus kalbos modeliams, būtent šis sluoksnis pasirodė esąs tai, kas leidžia juos realiai diegti: modelis jungiasi prie struktūruoto pasaulio, kurį gali užklausti ir kuriame gali veikti, užuot laisvai fantazavęs virš žalių lentelių. Rinka verdiktą jau paskelbė - „Palantir“ 2026 m. II ketvirčio pajamos pasiekė 1,9 mlrd. USD, +93 % per metus, o JAV komercinis segmentas augo 149 % - ir bendrovės laiške akcininkams klientai jau atvirai apibūdinami kaip atsisakantys tapti kalbos laboratorijų vasalais.¹⁴ Jums nereikia „Palantir“ programinės įrangos, kad išmoktumėte „Palantir“ pamoką: ontologija yra tai, kas bendrosios paskirties modelį paverčia jūsų sistema.

Kiekviena stovykla sąvoką vadina pagal tą jos dalį, kuri jai labiausiai rūpi. Sudėjus apibrėžimus greta matyti: skiriasi akcentai, ne esmė:¹

Sintezė vienu sakiniu: įmonės pasaulio modelis - tai centralizuoti, kontekstualizuoti įmonės duomenys, kuriuos žmonės ir AI sistemos gali užklausti, jais remtis ir iš jų veikti. Turėdami šį apibrėžimą, bet kurio tiekėjo pasiūlymą išsiversite atgal į paprastą kalbą.

Nepatogus pastebėjimas, gulintis po viskuo, yra toks: ta AI steko dalis, dėl kurios visi ginčijasi, strategiškai reiškia mažiausiai.

Claude, ChatGPT ir Gemini struktūriškai tėra apvalkalai aplink modelius - ir modeliai, ir apvalkalai sparčiai supanašėja. Atvirų svorių modeliai toliau traukiasi prie lyderių galimybių; kiekvienas, turintis gerą karkasą, gali susirinkti konkurencingą asistentą iš dalių. Kearnso formuluotė tiesmuka: viršutinis sluoksnis - pakeičiamas. Modelius keisite, kai išeis geresni, įrankius - kai atsiras patogesni, ir jei jūsų verslo kontekstas gyvena už to sluoksnio ribų, pakeitimas jums nekainuoja nieko.¹

Ko negalėsite įsigyti iš jokio tiekėjo už jokius pinigus - kaip iš tiesų veikia jūsų verslas. Kuris klientas jautrus ir kodėl, kaip iš tikrųjų priimami sprendimai tarp konkrečių trijų žmonių, ko pardavimų komandą išmokė paskutinių keturių ketvirčių eksperimentai: viso to kaupimas užtruko metų metus, o be jo kalbos modeliai bejėgiai. Investuotojai tokį pranašumą vadina moat - apsauginiu grioviu, kurio konkurentai negali nukopijuoti.

Pastebėkite, ką laikas daro ekonomikai. Kiekvienas modelių atnaujinimas viršutinį sluoksnį daro pigesnį ir dar lengviau pakeičiamą - o jūsų konteksto sluoksnį vertingesnį, nes stipresnis modelis virš to paties turtingo konteksto dirba tiesiog geriau. Prekės sluoksnis nuvertėja, o konteksto sluoksnis brangsta, ir būtent ši asimetrija, labiau nei bet kuris atskiras produktas, šiemet nukreipė protingus pinigus į duomenų sluoksnį. Statydami tik ant AI sluoksnio, statote svetimą pranašumą - savo rankomis.

Karpo tirada turi aštresnę briauną nei tiekėjų konkurencija. Jo teiginys, kurį kartoja ir jo klientai: numatytoji įmonių AI laikysena - nupirkti visiems pažangaus pokalbių produkto licencijas, perleisti pro jį viską ir apmokyti darbuotojus - faktiškai yra lėtas įmonės veiklos žinių perdavimas modelio tiekėjui.²³ Šio ketvirčio „Palantir“ laiškas akcininkams nuėjo iki to, kad klientus apibūdino kaip maištaujančius prieš tapimą kalbos laboratorijų vasalinėmis valstybėmis.¹⁴

Nubraukus teatrą, lieka tikras architektūrinis klausimas. Vertingiausias kontekstas jūsų įmonėje - kaip tik tai, ko joks pažangus modelis šiandien negali išmokti: neužrašytos taisyklės, sprendimų dinamika tarp konkrečių žmonių, klientų jautrumai, vidinis žargonas - tai, ką Kearnsas vadina „tribal knowledge“, neužrašytomis kolektyvinėmis žiniomis - iki pat neišsakytos „Slack“ normos, kad žinutė nelaikoma perskaityta, kol negavo nykščio.¹ Leisdami visam tam nestruktūruotai ir nepertraukiamai tekėti per vieno tiekėjo produktą, turėtumėte bent paklausti: kas kaupia mano verslo veikimo žemėlapį - aš ar mano tiekėjas?

Niekas čia neragina atsisakyti Claude ar ChatGPT. Įmonių sutartys, privatūs diegimai ir duomenų nesaugantys API atsirado būtent todėl, kad pirkėjai to pareikalavo. Argumentas yra architektūrinis: valdykite kontekstą, nuomokitės intelektą. Jei jūsų ontologija gyvena jūsų valdomose sistemose, o pažangūs modeliai kviečiami tik užklausos metu su tiksliai ta konteksto atkarpa, kurios reikia užduočiai - išsaugote perkeliamumą, derybinę galią ir galimybę pakeisti tiekėją ar pereiti prie atvirų svorių modelių neprarasdami dešimtmečio sukaupto konteksto. Nupirkti visiems AI licencijas ir surengti mokymus - ne transformacijos strategija; tai prenumerata su namų darbais.¹ (Būtent todėl mūsų kuriamos sistemos veikia kliento aplinkoje ir kliento paskyrose - konteksto sluoksnio nuosavybė ir yra visas žaidimas.)

Jei ontologijos idėja būtų tik tiekėjų poezija, ją būtų galima ramiai ignoruoti, bet nesėkmių statistika teigia kitaip.

Perskaičius šiuos skaičius kartu, išryškėja šablonas. Daug cituojamas MIT tyrimas „The GenAI Divide“ nustatė, kad, nepaisant 30–40 mlrd. USD įmonių investicijų, 95 % organizacijų nemato jokios išmatuojamos grąžos - ir diagnozė buvo ne silpni modeliai, o tai, kad įdiegtos sistemos neišsaugo grįžtamojo ryšio, neprisitaiko prie konteksto ir laikui bėgant negerėja. Spraga, kurią jis aprašo, yra mokymosi, o ne intelekto.¹⁵ „Gartner“ skaičiai rodo ta pačia kryptimi iš duomenų pusės: iki 2026 m. organizacijos atsisakys daugumos AI projektų, kurių neparems AI paruošti duomenys, o 63 % organizacijų pripažįsta neturinčios AI reikalingų duomenų valdymo praktikų.¹⁶¹⁷ „Salesforce“ 2026 m. tyrimas priduria: 84 % duomenų vadovų sako, kad jų duomenų strategiją reikia perdaryti iš pagrindų, jei AI ambicijos turi pavykti - o apie 90 % įmonių duomenų guli nestruktūruoti ir nepaliesti.¹⁸¹⁹

Praktikai šį žlugimo būdą atpažįsta iš vidaus. Kearnsas jį vadina tyliu puvimu: agentinis procesas paleidžiamas, pusmetį veikia puikiai - o tada verslas truputį pasislenka. Šiek tiek pasikeičia procesas, pareiga pereina kitam žmogui, kitaip suformuluojamas tikslas. Užkoduota išrinkimo logika ir promptai, įkūniję pernykštį kontekstą, dabar subtiliai klysta, niekas negali tiksliai pasakyti, kurios vietos, ir procesas ne taisomas, o metamas.¹ Jungtys neišgelbsti - pokalbių asistento prijungimas prie dešimties įrankių duoda prieigą, ne supratimą. Kuri dokumento versija teisinga? Kuris kontekstas jau pasenęs? Į šiuos klausimus žmonės atsakinėja rankomis (kiekvienas, kada nors įklijavęs transkriptą ranka, nors integracija prijungta, žino, apie ką kalbame), o rankinis kuravimas nesiskaliuoja.

Konteksto inžinerija - įgūdis po madingu žodžiu

Aplink šią problemą išaugęs amatas vardą gavo 2025 m. viduryje, kai „Shopify“ vadovas Tobi Lütke pasiūlė „prompt engineering“ keisti į konteksto inžineriją - meną pateikti viską, ko modeliui reikia, kad užduotis būtų realiai išsprendžiama - o Karpathy pritarė, apibūdindamas subtilų mokslą užpildyti konteksto langą kaskart būtent ta informacija, kurios reikia kitam žingsniui.²⁰²¹ Vėliau „Anthropic“ discipliną formalizavo: optimalaus tokenų rinkinio kuravimas ir palaikymas kiekvienoje užklausoje, sisteminius promptus, įrankius, dokumentus, istoriją ir atmintį traktuojant kaip vieną valdomą biudžetą.²²

Ryšys, kurį pražiūri dauguma apžvalgų, paprastas: konteksto inžinerija - praktika; ontologija - turtas, iš kurio ji semia. Geriausias pasaulyje konteksto inžinierius negali kuruoti konteksto, kuris niekada nebuvo užfiksuotas. O struktūros nauda išmatuojama: data.world teste GPT-4, atsakinėdamas į verslo klausimus apie draudimo duomenis, pašoko nuo 16,7 % tikslumo ant žalio SQL iki 54,2 % virš žinių grafo su tais pačiais duomenimis; klausimuose apie metrikas ir KPI žalio SQL tikslumas buvo lygiai nulis.²³ „Microsoft“ GraphRAG tyrimų kryptis rodo tą patį: grafu grįstas išrinkimas atsako į klausimus „sujunk taškus per viską“, kurių vien vektorinė paieška nepasiekia.²⁴

Tad kaip atrodo įmonės smegenys, kai jos tikros, o ne demo ar wiki, kurios niekas neatnaujina? Versija, kurią dėsto Kearnsas ir kurios link su klientais statome mes - grįsta įvykiais.¹

Tiesos vienetas - įvykis: atėjo laiškas, baigėsi skambutis, sandoris perėjo į kitą etapą, apmokėta sąskaita. Užfiksuokite jį šaltinyje, tą pačią akimirką. Kontekstualizuokite vos atėjusį - kas tai, kas dalyvauja, kuriam klientui ir projektui priklauso, ar iš jo gimsta užduotis? Tada padėkite į struktūruotą žinių sluoksnį: žinių grafą, reliacinę saugyklą, vektorinį indeksą arba (dažniausiai) hibridą. Iš ten jis pasiekiamas - žmonėms ir agentams, kurie jį gauna jau kontekstualizuotą, užuot buvę pasiųsti „paieškok po dvylika įrankių ir susigaudyk“.

Nuo pokalbių roboto su priedais tai skiria du projektavimo sprendimai.

Jis veikia kaip ciklas, o ne konvejeris. Sistemos atlikti veiksmai tampa naujais įvykiais, o žmonių sprendimai eskaluotais atvejais įrašomi atgal. Būtent tai sutvarko pusmečio puvimą: konteksto sluoksnis prižiūri save pats, ką Kearnsas vadina savaiminiu atsinaujinimu, tad modelius galite keisti ir net nuiminėti pastolius, modeliams gerėjant, o sistemos logika nesensta.¹ Infrastruktūros pasaulis prie tos pačios išvados priėjo iš savo pusės: „Confluent“ architektai teigia, kad agentai iš esmės yra įvykiais grįstos integracijos problema - agentai turi reaguoti į verslo būsenos pokyčius, o ne sėdėti už pokalbių langelio ir laukti klausimo.²⁵ O agentų atminties kategorijos šuolis - „Mem0“ pritrauktas 24 mln. USD finansavimas ir jos pasirinkimas AWS agentų SDK atminties tiekėja, „Zep“ laiko žinių grafas, „Letta“ iš Berklio MemGPT darbų - rodo, kad rinka jau įkainojo: nuolatinis struktūruotas kontekstas nėra pasirenkamas priedas.²⁶²⁷

Jis taip pat žino, kada neveikti. Tikras pasaulio modelis veikia kaip susilaikymo sluoksnis ne mažiau nei kaip duomenų išrinkimo variklis. Jei užtikrintumas žemas arba veiksmas pagal jūsų taisykles rizikingas, teisingas rezultatas - joks veiksmas: perduoti žmogui, įrašyti, ką žmogus nusprendė, pasimokyti.¹ Tai eina prieš pačių modelių prigimtį: OpenAI tyrimas apie haliucinacijas rodo, kad standartinis mokymas apdovanoja užtikrintą spėjimą, o ne sąžiningą „nežinau“, o „Meta“ AbstentionBench nustatė, kad samprotauti mokyti pažangiausi modeliai neatsakomus klausimus dažnai atpažįsta dar prasčiau.²⁸²⁹ Nuolankumą, kurį iš modelio išmušė treniruotė, turi suteikti jūsų architektūra. Šaką „ne“ projektuokite pirmą, nes būtent ji saugo agentus nuo incidentų gamyboje. (Būtent todėl mūsų diegimai pirmiausia veikia šešėliniu režimu, tada su žmogaus patvirtinimu ir tik tada - prižiūrima autonomija.)

Kearnso aprašomą galutinę būseną verta laikyti šiaurės žvaigžde: verslas, kuriame rutininis vykdymas (paštas, priminimai, būsenų atnaujinimai) nuo pradžios iki galo atliekamas agentų, dirbančių iš pasaulio modelio, o žmonės laiką leidžia pokalbiuose, vertinimuose ir sprendimuose. Ne todėl, kad taip pasakė demo, o todėl, kad konteksto sluoksnis pagaliau padarė patikimą delegavimą įmanomą.¹

Jums reikia ne tiek „Palantir“ biudžeto ar „Block“ komandos, kiek protingos darbų eilės. Šia darbų eile, kaip AI agentūra Lietuvoje, einame su vidutinio dydžio įmonėmis, ir jis pirmiausia stato tai, kas atsparu ateičiai:

1. Surašykite, kur gimsta duomenys

   Išvardykite savo įrašų sistemas - CRM, el. paštą, „Slack“, dokumentus, skambučių įrašus, užklausas, skaičiuokles. Prie kiekvienos: kokius įvykius ji generuoja ir koks kritinis kontekstas gyvena tik žmonių galvose? Tas antras sąrašas - jūsų neužrašytų žinių eilė.

2. Nubraižykite ontologiją viename lape

   Aštuoni–dvylika esybių tipų (klientas, sandoris, projektas, užduotis, žmogus, susitikimas, sprendimas, dokumentas…), ryšiai tarp jų ir juos keičiantys įvykiai. Pirmiausia daiktavardžiai ir veiksmažodžiai; įrankiai - vėliau. Jei netelpa į vieną lapą - tai dar ne pirmoji versija.

3. Saugyklą rinkitės pagal savo klausimus

   Reliacinė - skaičiavimams ir ataskaitoms, vektorinė - „surask panašų“, grafas - „kaip tai susiję“. Hibridas yra norma, ne kompromisas. Jūsų nubraižyta schema svarbesnė už pasirinktą variklį - variklį galima migruoti, prarasto konteksto - ne.

4. Fiksuokite įvykius šaltinyje

   Webhook'ai ir API iš jūsų įrankių į vieną priėmimo srautą. Kontekstualizuokite vos atėjus: kas tai, kas dalyvauja, kuris klientas, ar gimsta užduotis. Įvykis, suklasifikuotas tą pačią akimirką - pigus; atgaline data klasifikuojamas duomenų ežeras - atskiras projektas.

5. Duokite agentams vieną išrinkimo sąsają

   Agentai klausia pasaulio modelio - ne dvylikos įrankių su dvylika teisių modelių. Paruoštas kontekstas „eik, paieškok visur ir spėk“ paverčia į „štai kliento istorija, atviri įsipareigojimai ir paskutinis sprendimas; renk atsakymą pagal tai“.

6. Susilaikymo taisykles rašykite prieš suteikdami autonomiją

   Užtikrintumo slenksčius ir rizikos klases kiekvienam veiksmui apibrėžkite prieš agentui leidžiant veikti. Žemas užtikrintumas ar aukšta rizika keliauja žmogui; žmogaus sprendimas įrašomas ir tampa mokymosi kontekstu. Autonomija plečiama remiantis įrodymais, po vieną veiksmų klasę.

Pradėkite nuo vieno proceso - gaunamų laiškų skirstymo, atsakymų klientams su užsakymų istorija, susitikimų fiksavimo į CRM - įrodykite ciklą iki galo, tada plėskite. Pirmasis procesas - sunkiausias ir pamokančiausias; dešimtasis paveldi ontologiją, kurią pastatė pirmieji devyni. Šis kaupimasis ir yra pats pranašumas: po metų priekyje bus ne tos įmonės, kurių modeliai geresni už jūsų. O tos, kurių kontekstas geresnis. Modelius galima išsinuomoti iš bet ko, o jūsų verslo žemėlapio išsinuomoti neįmanoma, ir kas jį valdo, tas valdo ir verslą, kurį jis aprašo.

Aurelijus Jakas

Įkūrėjas · Vertara

Projektuoja ir kuria individualias AI sistemas vidutinėms gamybos, logistikos, eksporto ir profesinių paslaugų įmonėms Lietuvoje ir Europoje. Medžiaga rinkta ir su AI įrankiais; straipsnį parašė ir patikrino autorius. Visi straipsniai