Рекурсивный когнитивный контур модели DIKW в эпоху искусственного интеллекта: обоснование цикличности и синтеза новых переменных

Шикерук Д.А. Калязина Е.Г.

Журнал: Вестник факультета управления СПбГЭУ @vfu-spgeu

Статья в выпуске: 26, 2026 года.

Бесплатный доступ

В статье исследуется концептуальная эволюция классической модели управления знаниями DIKW (Данные – Информация – Знание – Мудрость) Рассела Акоффа под воздействием технологий искусственного интеллекта. Авторами обосновывается теоретическая несостоятельность линейного подхода к трансформации информации и предлагается радикальная модификация схемы – ее закольцовывание в рекурсивный когнитивный контур. В структуру модели, помимо промежуточного уровня «Понимание», впервые вводятся новые переменные: «Контекстный фильтр» и «Этическая обратная связь». В работе описана цель процесса закольцовывания, практический результат в управленческом контексте, трансформация принципов взаимодействия с нейросетями в целях преобразования автономных «черных ящиков» в контур управляемого гибридного интеллекта.

цифровые технологии \ принятие управленческих решений \ модель DIKW \ управление знаниями \ искусственный интеллект \ методы менеджмента \ контекстный фильтр \ малые данные

Короткий адрес: https://sciup.org/148334224

IDS: 148334224   |   УДК: 004.89

The recursive cognitive loop of the DIKW model in the age of artificial intelligence: the rationale for cyclicity and synthesis of new variables

The article explores the conceptual evolution of the classical DIKW (Data – Information – Knowledge – Wisdom) knowledge management model Russell Akoff under the influence of artificial intelligence technologies. The authors substantiate the theoretical inconsistency of the linear approach to information transformation and propose a radical modification of the scheme – its looping into a recursive cognitive contour. In addition to the intermediate level of “Understanding”, new variables are introduced into the model structure for the first time: “Contextual filter” and “Ethical Feedback”. The paper describes the purpose of the looping process, the practical result in a managerial context, and the transformation of the principles of interaction with neural networks in order to transform autonomous “black boxes” into a controlled hybrid intelligence circuit.

Текст научной статьи Рекурсивный когнитивный контур модели DIKW в эпоху искусственного интеллекта: обоснование цикличности и синтеза новых переменных

В эпоху цифровой трансформации и повсеместного внедрения искусственного интеллекта проблема обоснованности управленческих решений приобретает принципиально новое измерение. Классическая иерархическая модель DIKW (Данные – Информация – Знание – Мудрость), предложенная Р. Акко-фом, долгое время служила концептуальной основой для управления знаниями [2, с. 3]. Однако стремительное развитие технологий больших данных и алгоритмов машинного обучения поставило под сомнение линейную трактовку перехода от данных к мудрости. В этих условиях возникает фундаментальный вопрос о том, может ли искусственный интеллект полностью или частично заместить человека в данном процессе, особенно на высших уровнях, таких как знание, понимание и мудрость.

Значение исследуемых научных фактов в теории и практике менеджмента заключается в необходимости преодоления ограничений популярной концепции управления на основе данных. Решения, базирующиеся исключительно на больших массивах, часто игнорируют уровни понимания и мудрости, что неизбежно ведет к серьезным стратегическим ошибкам. Новое решение научной задачи, представленное в данном исследовании, заключается в обосновании концепции полного закольцовывания модели DIKW и введении дополнительных когнитивных переменных. Это позволяет сформировать гибкий рекурсивный контур, оптимизирующий работу с нейросетями и защищающий организацию от рисков слепого доверия алгоритмам.

Материалы и методы

Методологическую основу данной работы составляет глубокий концептуальный и компаративный анализ современных исследований в области теории управления знаниями, эпистемологии и прикладного искусственного интеллекта. Базовым теоретическим ориентиром послужило исследование О. П. Овчинниковой и А. Е. Тюлина, в котором была обоснована необходимость интеграции уровня «понимание» в классическую структуру DIKW [1, с. 30]. Для расширения теоретического базиса были привлечены концепции инвертированной иерархии знаний И. Туоми [10, с. 107], а также современные операционные фреймворки цифровых пространств М. Гривса [5, с. 120].

Важной составной частью методологии является критическое осмысление дуализма больших и малых данных. В этом контексте использовались теоретические выводы Дж. Фарауэя, Н. Августина [3, с. 1] и Р. Китчина [6, с. 463], которые доказывают методологическое превосходство малых данных при решении нестандартных задач в условиях высокой неопределенности. Логическое моделирование и системный подход использовались в качестве основных инструментов для декомпозиции когнических процессов и последующего их синтеза в замкнутый контур управления, что позволило переосмыслить распределение ролей между человеком и автоматизированными алгоритмами.

Результаты исследования

Анализ классической пирамиды DIKW показывает, что ее главная эвристическая ценность традиционно связывалась с идеей последовательного восхождения от сырых фактов к вершинам управленческой мудрости [2, с. 3]. Однако в современной научной дискуссии все громче звучит критика этой жесткой схемы из-за допущения о необратимости трансформаций, размытости границ между ключевыми категориями и игнорирования субъективного контекста. Развивая подход Овчинниковой и Тюлина, авторы соглашаются с тем, что добавление уровня «понимание» между знанием и мудростью выступает важнейшим методологическим уточнением [1, с. 30], ведь способность схватывать причинно-следственные связи не тождественна простому владению информацией. Именно этот уровень становится мостом, превращающим абстрактные модели в целенаправленные действия. Для детального анализа когнитивных ролей на каждом этапе была разработана сводная структура, сопоставляющая уровни иерархии с функциональными возможностями современных технологий и типами данных.

Таблица 1

Трансформация данных в иерархии DIKW

Уровень

Сущность

Роль ИИ

Предпочтительный тип данных

Данные (D)

Серые факты, сигналы, измерения

Сбор, хранение, первичная обработка

Большие данные (высокая скорость)

Информация (I)

Данные + контекст, категоризация

Кластеризация, агрегации, визуализация

Большие данные

Знание (K)

Закономерности, правила, модели

Машинное обучение, выявление корреляций

Большие + малые (зависит от задачи)

Понимание (U)

Смысл, причинность, целостная картина

Ограничен (инструменты объяснимого ИИ)

Малые данные (целенаправленные выборки)

Мудрость (W)

Этичное применение, суждение, дальновидность

Исключительно мала (только поддержка)

Малые данные, кейсы, опыт

В соответствии с табл. 1 искусственный интеллект демонстрирует высочайшую эффективность преимущественно на нижних ступенях. При переходе от данных к информации и знаниям алгоритмы успешно справляются с классификацией, очисткой и поиском скрытых статистических закономерностей. Однако на этапе формирования знаний возникает серьезная проблема «черного ящика» нейросетей, создающая высокие риски необъяснимых решений и алгоритмической предвзятости [7, с. 230]. На уровне понимания поддержка со стороны технологий становится ограниченной и требует привлечения специфических методов объяснимого искусственного интеллекта, тогда как уровень мудрости и вовсе остается недоступным для машин, поскольку предполагает эмпатию, ценностные суждения и полную юридическую и моральную ответственность за последствия.

Ключевой теоретический вклад данного исследования заключается в обосновании возможности и практической необходимости полного закольцовывания модифицированной пирамиды Акоффа в единую рекурсивную систему. Линейная модель характеризуется индуктивным тупиком, предполагая, что управленец просто пассивно ждет, пока накопится критическая масса данных. Закольцовывание радикально меняет этот процесс, превращая статичную структуру в динамический когнитивный цикл. В такой системе мудрость, накопленная на основе предыдущего опыта и малых данных, замыкается обратно на уровень данных. Она позволяет руководителю не просто двигаться снизу вверх, а дедуктивно задавать новые вопросы внешней среде, определять цели и жестко фильтровать входящие информационные потоки, визуальная структура которых отражена в общей топологии информационных потоков организации.

Рис. 1. Общая топология рекурсивного закольцованного контура модели DIKW

Для раскрытия потенциала закольцованного контура необходимо детально рассмотреть, как в нем функционирует переменная «Понимание» и какие новые когнитивные переменные могут быть синтезированы для оптимизации управления. Понимание в циклической модели берет на себя роль главного транслятора управленческих импульсов «Мудрости» вниз к базису данных. Оно переводит абстрактные ценностные ориентиры в каузальные гипотезы и четко определяет, какие именно малые данные необходимо собрать для решения конкретной проблемы, полностью отсекая лишний информационный шум.

Наряду с «Пониманием», в структуру рекурсивного контура представляется целесообразным ввести еще две новые переменные, первая из которых – «Контекстный фильтр». Данная переменная располагается на стыке нисходящего потока человеческого понимания и восходящего потока машинного знания. Ее роль заключается в мгновенном блокировании математических корреляций, выдаваемых нейросетями, если они противоречат текущим географическим, отраслевым или временным ограничениям бизнеса. Вторая предлагаемая переменная – «Этическая обратная связь», которая связывает уровень первичных данных напрямую с блоком «Мудрости». Она действует как контур экстренного торможения: если собираемые данные или логика работы алгоритмов начинают демонстрировать скрытые искажения, ущемляющие права людей или нарушающие безопасность, эта переменная мгновенно сигнализирует высшему руководству для перезапуска и корректировки всей системы, определяя пошаговую логику прохождения сигналов сквозь фильтры контроля.

Рис. 2. Алгоритм пошаговой фильтрации и этического контроля в гибридной системе

Такое глубокое переосмысление структуры DIKW оказывает фундаментальное влияние на методологию практической работы с современными нейросетями, включая большие лингвистические модели. Поскольку нейросети функционируют исключительно в границах извлечения знаний из массивов данных, они принципиально лишены каузального понимания и мудрости. Применяя закольцованную модель, менеджер отказывается от слепого доверия ИИ и начинает управлять им через нисходящие промпт-контексты, сформированные собственным пониманием. Человек целенаправленно вводит ограничения в виде контекстных фильтров и подкрепляет запросы репрезентативными малыми данными, превращая нейросеть из автономного генератора вероятностных решений в строго контролируемый элемент гибридного интеллекта организации.

Рис. 3. Обновленный контур системы

Заключение

Критическое осмысление эволюции систем управления знаниями позволяет прийти к выводу, что традиционная линейная модель DIKW полностью исчерпала свою методологическую применимость в условиях экспансии интел- лектуальных технологий. Переход к закольцованному когнитивному контуру является необходимым шагом для преодоления кризиса избыточности информации при остром дефиците управленческих смыслов. Внедрение в этот цикл переменной «Понимание» в сочетании с контекстными фильтрами и этической обратной связью позволяет трансформировать принятие решений в гармоничный гибридный процесс, где искусственный интеллект эффективно снижает неопределенность на нижних уровнях, а человек осуществляет каузальный аудит и ценностный контроль. В итоге организация защищает себя от скрытых смещений алгоритмов «черного ящика» [7, с. 230], а работа с нейросетями переводится на рельсы строгого целеполагания, исключающего хаотичное накопление цифрового мусора.

На основе полученных результатов руководителям современных предприятий рекомендуется полностью отказаться от концепции сквозного автоматического управления процессами без участия человека, особенно в сферах, затрагивающих долгосрочное планирование и этическую оценку. При проектировании корпоративных систем поддержки принятия решений нового поколения необходимо переходить к циклическим архитектурам, в которых экспертные суждения сотрудников и качественные малые данные служат определяющими фильтрами для настройки поисковых алгоритмов искусственного интеллекта. Любые аналитические сценарии, генерируемые нейросетями, должны восприниматься менеджментом исключительно как вероятностные гипотезы, требующие обязательной проверки на уровне каузального понимания причинноследственных связей. Наконец, компаниям следует сбалансировать свои ИТ-бюджеты и начать активно инвестировать в технологии сбора и долгосрочного культивирования уникального опыта, глубоких интервью и прецедентных кейсов, поскольку именно эти малые данные обеспечивают устойчивость бизнеса в периоды масштабных рыночных кризисов.