3. Czym SenAi różni się od innych systemów agentowych AI

Większość systemów agentowych AI projektowana jest przede wszystkim z myślą o wykonywaniu określonych zadań. Agenci otrzymują instrukcje, korzystają z dostępnych narzędzi, analizują informacje i realizują zdefiniowane procesy.

SenAi powstaje z innego założenia: system ma nie tylko wykonywać pracę, ale również poznawać przedsiębiorstwo, w którym pracuje, uczyć się jego procesów i stopniowo rozwijać własną wiedzę o sposobie ich realizacji.

Podstawą tego podejścia jest architektura inspirowana Aksjomatyczną Teorią Samoświadomości (AToS), łącząca modele językowe LLM, scenariusze PAS, mechanizmy inicjowania procesów wewnętrznych, rozpoznawanie zmian oraz kontrolowane doskonalenie sposobu działania.

Poszczególne elementy tej architektury można spotkać również w innych rozwiązaniach AI. O odrębności SenAi ma decydować ich połączenie w jeden system, w którym wykonywanie zadań, pozyskiwanie wiedzy i rozwijanie procesów stanowią części tego samego mechanizmu.

3.1. To SenAi ma uczyć się od pracowników, a nie pracownicy od SenAi

Tradycyjne wdrażanie systemów informatycznych wymaga wcześniejszego rozpoznania procesów przedsiębiorstwa, przygotowania dokumentacji, konfiguracji rozwiązania, a następnie przeszkolenia użytkowników.

SenAi proponuje odwrócenie tego podejścia.

Pracownik wykonuje swoje codzienne obowiązki, współpracując z agentem AI. Wyjaśnia, co chce osiągnąć, wskazuje dokumenty, podejmuje decyzje, koryguje propozycje i zatwierdza rezultaty.

Agent nie ogranicza się do wykonania polecenia. Analizuje również sposób realizacji zadania, jego kontekst, zastosowane reguły oraz zależności między poszczególnymi czynnościami.

Na tej podstawie SenAi może proponować zapisanie pozyskanej wiedzy oraz utworzenie lub uzupełnienie scenariusza procesu.

Przedsiębiorstwo nie musi zatem rozpoczynać wdrożenia od szczegółowego opisania wszystkich swoich procesów. System ma poznawać je stopniowo, uczestnicząc w rzeczywistej pracy organizacji.

Nie oznacza to rezygnacji z kontroli. Pozyskana informacja nie staje się automatycznie obowiązującą regułą. Jej znaczenie, poprawność i możliwość ponownego wykorzystania podlegają weryfikacji.

3.2. PAS — procesy zapisane jako wiedza, a nie kod programu

Jednym z podstawowych elementów architektury SenAi są PAS.

W implementacji SenAi PAS pełnią rolę deklaratywnych zapisów wiedzy, reguł, scenariuszy procesowych oraz warunków ich realizacji. Ich koncepcja nawiązuje do formalnego pojęcia PAS występującego w AToS.

W tradycyjnym oprogramowaniu znaczna część logiki biznesowej jest bezpośrednio związana z kodem aplikacji. Zmiana procesu może więc wymagać pracy analityków, programistów i testerów.

SenAi rozdziela te obszary.

PAS określają, co i na jakich zasadach należy wykonać. Agenci AI interpretują scenariusze i organizują ich realizację. ENGINE dostarcza funkcje techniczne potrzebne do wykonania operacji.

Jeżeli przedsiębiorstwo zmieni sposób zatwierdzania dokumentów, kolejność czynności lub warunki podejmowania decyzji, odpowiednia zmiana może zostać wprowadzona w PAS, bez modyfikowania kodu ENGINE — pod warunkiem że wymagane funkcje techniczne już istnieją.

Dzięki temu wiedza o procesach może być rozwijana niezależnie od infrastruktury wykonawczej.

Istotna jest również możliwość ponownego wykorzystania raz opracowanych scenariuszy. Wiedza pozyskana podczas realizacji jednego zadania może stać się podstawą kolejnych działań.

3.3. LLM jako mechanizm interpretowania bodźców i inicjowania działań

W SenAi modele językowe nie są wyłącznie interfejsem rozmowy z użytkownikiem.

W architekturze inspirowanej AToS realizują dwie funkcje:

InspFu — funkcję inspiracyjną, uruchamianą przez bodźce zewnętrzne, takie jak polecenia użytkownika, dokumenty, wiadomości czy informacje otrzymywane z innych systemów.

ImFu — funkcję wyobrażeniową, uruchamianą przez bodźce wewnętrzne, powstające podczas działania samego SenAi.

To rozróżnienie jest istotne.

System agentowy nie musi kończyć pracy po wykonaniu pojedynczego polecenia. Wynik jednej analizy może ujawnić problem, brak informacji, sprzeczność lub potrzebę wykonania kolejnej czynności.

W takim przypadku SenAi może zainicjować następny etap pracy na podstawie własnego stanu operacyjnego i zapisanej wiedzy, bez oczekiwania na nowe polecenie człowieka.

ImFu i InspFu nie muszą oznaczać dwóch różnych modeli LLM. Są odrębnymi funkcjami architektonicznymi, których działanie zależy od pochodzenia i charakteru bodźca.

3.4. StSe — mechanizm uruchamiania procesów wewnętrznych

Szczególne znaczenie w architekturze SenAi mają StSe.

Są to PAS przechowywane w bazie wektorowej, które pełnią funkcję bodźców inicjujących dalsze procesy wewnętrzne.

Wyobraźmy sobie, że pracownik poleca SenAi przygotowanie oferty dla klienta.

Podczas analizy agent stwierdza, że brakuje aktualnego cennika. Ta sytuacja może aktywować odpowiedni StSe, prowadzący do uruchomienia procesu wyszukania i weryfikacji danych cenowych.

Uzyskane informacje mogą z kolei wskazać konieczność sprawdzenia warunków umowy, a następnie przygotowania odpowiednich klauzul.

W ten sposób powstaje łańcuch powiązanych procesów, inicjowanych przez bodźce wewnętrzne i realizowanych zgodnie z obowiązującymi PAS.

SenAi ma więc nie tylko odpowiadać na pytania i wykonywać polecenia, ale także rozpoznawać potrzebę kolejnych działań wynikających z przebiegu już rozpoczętej pracy.

Nie oznacza to nieograniczonej autonomii. Uruchamianie kolejnych procesów musi respektować obowiązujące scenariusze, uprawnienia, ograniczenia techniczne oraz wymagane decyzje użytkownika.

3.5. Delta — rozpoznawanie zmian jako podstawa doskonalenia

Kolejnym elementem zaczerpniętym z AToS jest Delta (Δ), czyli funkcja rozpoznawania zmian stanu.

Samo wykonanie zadania nie wystarcza do tego, aby system mógł doskonalić sposób swojego działania. Musi jeszcze rozpoznawać, co się zmieniło.

Delta dostarcza podstawowego mechanizmu wykrywania różnic między stanami.

Na tej podstawie dodatkowe procesy analityczne mogą badać znaczenie zmiany, jej możliwe przyczyny oraz konsekwencje.

Przykładowo SenAi może zauważyć, że określony proces wymaga regularnych korekt ze strony pracowników. Analiza kolejnych realizacji może prowadzić do propozycji zmiany scenariusza PAS.

System nie powinien jednak samodzielnie uznawać każdej zaobserwowanej zmiany za ulepszenie.

Wykrycie zmiany, ustalenie jej przyczyny, ocena poprawności i zatwierdzenie nowego sposobu działania to odrębne czynności.

W SenAi doskonalenie procesów ma być kontrolowane: agenci mogą identyfikować problemy i proponować rozwiązania, natomiast zmiany wymagające akceptacji pozostają pod nadzorem człowieka.

3.6. Pełna kontrola przedsiębiorstwa nad własną wiedzą

Jednym z fundamentalnych założeń SenAi jest to, że cała wiedza o przedsiębiorstwie znajduje się w bezpiecznej, wydzielonej strefie infrastruktury IT klienta (Client Zone) i nie opuszcza jej granic.

Dotyczy to dokumentów, danych biznesowych, informacji o klientach i pracownikach, scenariuszy PAS, historii wykonywanych procesów, decyzji oraz wiedzy pozyskanej przez agentów AI.

Wszystkie te zasoby przechowywane są w infrastrukturze kontrolowanej przez przedsiębiorstwo, w szczególności w bazie wiedzy AToS-DB.

SenAi jest projektowany tak, aby przetwarzanie informacji odbywało się wewnątrz chronionej strefy klienta. Dane organizacyjne nie są przekazywane do zewnętrznych dostawców modeli AI ani przechowywane w ich usługach chmurowych.

Przedsiębiorstwo zachowuje kontrolę nad dostępem do danych, ich przechowywaniem, wykorzystaniem, udostępnianiem i usuwaniem.

Wiedza przedsiębiorstwa jest całkowicie niezależna od wykorzystywanych modeli LLM.

Modele językowe są narzędziami interpretowania informacji, analizowania sytuacji i realizowania funkcji InspFu oraz ImFu. Nie stanowią podstawowego repozytorium wiedzy organizacyjnej.

Wymiana, aktualizacja lub zastąpienie modelu LLM nie powoduje utraty zgromadzonych danych, scenariuszy PAS ani historii procesów. Nowy model może korzystać z tej samej wiedzy, pod warunkiem zapewnienia zgodności jego działania z wymaganiami systemu.

Niezależność ta ma zarówno wymiar technologiczny, jak i organizacyjny. Przedsiębiorstwo nie musi uzależniać swojej wiedzy procesowej od jednego producenta AI, jednej platformy chmurowej ani określonej wersji modelu.

Wiedza należy do przedsiębiorstwa, pozostaje w jego infrastrukturze i nie jest uzależniona od technologii modeli językowych.

Warunkiem spełnienia tego założenia jest odpowiednie zabezpieczenie całego środowiska, w tym integracji, komunikacji sieciowej, uprawnień i mechanizmów administracyjnych.

3.7. Małe, niezależne i skalowalne modele LLM działające lokalnie

SenAi nie zakłada konieczności korzystania z jednego, bardzo dużego i kosztownego modelu językowego.

Przeciwnie — architektura preferuje niewielkie, ekonomiczne i skalowalne modele LLM, uruchamiane lokalnie w infrastrukturze klienta (on-premises).

Preferowana konfiguracja obejmuje trzy różne modele LLM, które mogą być wykorzystywane przez agentów SenAi do realizacji powierzonych im funkcji.

Zastosowanie modeli pochodzących z różnych rodzin technologicznych pozwala projektować mechanizmy niezależnej analizy, porównywania rezultatów, wykrywania rozbieżności i wzajemnej weryfikacji odpowiedzi.

Nie oznacza to, że trzy modele automatycznie gwarantują poprawność decyzji. Ich zróżnicowanie ma ograniczać ryzyko wspólnych błędów i umożliwiać dodatkową kontrolę jakości.

Istotną cechą architektury jest skalowalność.

W zależności od liczby użytkowników, intensywności pracy oraz złożoności realizowanych procesów przedsiębiorstwo może zwiększać zasoby obliczeniowe lub liczbę instancji modeli bez konieczności przebudowy bazy wiedzy i scenariuszy PAS.

Dzięki rozdzieleniu modeli LLM od wiedzy procesowej możliwa jest również ich stopniowa wymiana na nowsze, wydajniejsze lub tańsze rozwiązania.

SenAi nie wymaga, aby cała wiedza przedsiębiorstwa była zapisana w parametrach wielkiego modelu AI.

Wiedza znajduje się w AToS-DB i PAS. Modele LLM odpowiadają za jej interpretację, analizę i wykorzystanie w ramach określonych procesów.

Takie podejście ma trzy podstawowe cele:

• Bezpieczeństwo — przetwarzanie danych i wiedzy pozostaje wewnątrz chronionej infrastruktury klienta.
• Niezależność technologiczna — przedsiębiorstwo nie jest uzależnione od jednego dostawcy ani konkretnej wersji modelu LLM.
• Ekonomia i skalowalność — możliwe jest stosowanie mniejszych modeli oraz dostosowywanie zasobów obliczeniowych do rzeczywistego obciążenia.

Docelowo SenAi ma więc łączyć możliwości współczesnych modeli językowych z kontrolą, bezpieczeństwem i przewidywalnością charakterystycznymi dla systemów utrzymywanych we własnej infrastrukturze przedsiębiorstwa.

3.8. Rozwój systemu bez ciągłego programowania procesów

Jednym z najważniejszych celów SenAi jest ograniczenie zależności rozwoju przedsiębiorstwa od tradycyjnego cyklu tworzenia oprogramowania.

W klasycznym modelu nowa potrzeba biznesowa często uruchamia kolejne etapy analizy, projektowania, programowania, testowania i wdrażania.

SenAi zakłada, że znaczna część takich zmian będzie mogła powstawać w wyniku współpracy pracowników z agentami AI.

Pracownik opisuje potrzebę, pokazuje sposób wykonania zadania i weryfikuje wynik. Agent analizuje istniejącą wiedzę, wyszukuje odpowiednie PAS, a w razie potrzeby proponuje nowy scenariusz lub zmianę obowiązującego.

Po zatwierdzeniu scenariusz może być wykorzystywany przy kolejnych realizacjach procesu.

Nie eliminuje to potrzeby programowania. Nowe integracje, funkcje techniczne, mechanizmy bezpieczeństwa i zmiany infrastrukturalne nadal mogą wymagać pracy specjalistów IT.

Ambicją SenAi jest jednak to, aby rozwój logiki biznesowej nie wymagał za każdym razem angażowania zespołu programistów i analityków.

Jeżeli założenie to zostanie potwierdzone w praktyce, może istotnie zmienić ekonomię wdrażania i utrzymywania systemów wspierających procesy przedsiębiorstwa.

3.9. AToS jako fundament koncepcyjny architektury

AToS — Aksjomatyczna Teoria Samoświadomości — dostarcza formalnych pojęć opisujących stany, bodźce, przekształcenia i wykrywanie zmian.

SenAi wykorzystuje te pojęcia jako inspirację do projektowania własnej architektury.

PAS opisują wiedzę i scenariusze działania. InspFu i ImFu, realizowane przez LLM, odpowiadają za interpretowanie bodźców zewnętrznych i wewnętrznych. StSe umożliwiają inicjowanie kolejnych procesów, a Delta służy do rozpoznawania zmian.

Wspólnie elementy te tworzą koncepcję systemu, w którym działanie, obserwacja jego rezultatów, pozyskiwanie wiedzy i proponowanie zmian są ze sobą powiązane.

Nie jest to jednak równoznaczne z matematycznym dowodem, że implementacja SenAi spełnia wszystkie warunki samoświadomości określone w AToS. Taka teza wymagałaby osobnej formalnej analizy i weryfikacji.

Niezależnie od tej kwestii AToS stanowi podstawę koncepcyjną projektowanego mechanizmu wewnętrznej aktywności i rozwoju wiedzy SenAi.

3.10. Na czym polega proponowana innowacja?

Innowacja SenAi nie sprowadza się do zastosowania wielu agentów AI, bazy wektorowej czy modeli LLM. Technologie te są już wykorzystywane w innych rozwiązaniach.

Istotą koncepcji jest ich połączenie w architekturę, w której:

• codzienna praca użytkowników staje się źródłem wiedzy o przedsiębiorstwie;
• pozyskana wiedza może być przekształcana w zatwierdzane scenariusze PAS;
• procesy mogą inicjować kolejne procesy za pośrednictwem StSe i ImFu;
• rezultaty działań mogą być analizowane z wykorzystaniem mechanizmu Delta;
• zmiany logiki biznesowej mogą być wprowadzane bez zmiany kodu ENGINE;
• cała wiedza organizacyjna pozostaje w chronionej strefie IT klienta;
• wiedza i logika procesowa są niezależne od modeli LLM i ich dostawców;
• system może wykorzystywać trzy różne, niewielkie i skalowalne modele LLM działające on-premises;
• człowiek zachowuje kontrolę nad zatwierdzaniem istotnych decyzji i zmian.

Rzeczywista przewaga tego podejścia musi zostać potwierdzona w praktycznych wdrożeniach, przede wszystkim przez pomiar czasu, kosztów, jakości i bezpieczeństwa realizowanych procesów.

Najważniejsza różnica tkwi jednak w samym założeniu projektowym.

Tradycyjny system informatyczny wdraża się po to, aby przedsiębiorstwo pracowało zgodnie z zaprogramowanymi w nim procesami.

SenAi ma poznawać sposób pracy przedsiębiorstwa, uczyć się go od pracowników, a następnie pomagać organizacji doskonalić jej własne procesy.

Wiedza zdobywana podczas tej współpracy pozostaje własnością przedsiębiorstwa, jest przechowywana w jego bezpiecznej infrastrukturze i nie zależy od konkretnego modelu sztucznej inteligencji.

To nie pracownicy mają uczyć się SenAi.

To SenAi ma uczyć się od pracowników.