--- title: "Co to jest ontologia firmy? Cyfrowy model firmy – poradnik" url: "https://majchrzycki.com/blog/co-to-jest-ontologia-firmy-poradnik-dla-firm" description: "Ontologia firmy, czyli cyfrowy model firmy: pojęcia, relacje, zdarzenia i reguły. Po co przed AI, czym różni się od taksonomii i jak zacząć." --- # Co to jest ontologia firmy? Cyfrowy model firmy – poradnik 6 października 2026· Aktualizacja: 6 października 2026·10 min czytania·[Krzysztof Majchrzycki](https://majchrzycki.com/o-mnie) Temat: [Ontologia firmy](https://majchrzycki.com/blog/filar/ontologia-firmy) **Ontologia firmy to cyfrowy model firmy: spisane pojęcia, z których firma się składa, relacje między nimi, zdarzenia, które je zmieniają, i reguły, które obowiązują.** Na przykładzie zamówienia: klient składa zamówienie, zamówienie dotyczy produktu, płatność je opłaca, a rabat powyżej progu zatwierdza kierownik sprzedaży. To nie jest nowy system ani modne słowo z konferencji. To wspólny słownik, który ludzie, aplikacje i agenci AI czytają tak samo. Przed wdrożeniem AI jest potrzebny z prostego powodu: model językowy nie wie, co w Waszej firmie znaczy „klient aktywny” ani „zamówienie potwierdzone”, dopóki ktoś tego nie zapisze. Poradnik jest dla zarządu i liderów IT firm od 50 osób, którzy słyszą „najpierw ontologia, potem agenci” i chcą wiedzieć, co to znaczy w praktyce i od czego zacząć. Na końcu jest mapa wszystkich wpisów o cyfrowym modelu firmy na blogu. Szerszy kontekst daje [filar Ontologia firmy](https://majchrzycki.com/blog/filar/ontologia-firmy). ## Skąd słowo „ontologia” i co znaczy w firmie W filozofii ontologia to nauka o tym, co istnieje. Informatyka pożyczyła to słowo na początku lat 90. Thomas Gruber w pracy [A Translation Approach to Portable Ontology Specifications](https://tomgruber.org/writing/ontolingua-kaj-1993/) (Knowledge Acquisition, 1993) nazwał ontologią specyfikację słownika dla wspólnej dziedziny: definicje klas, relacji, funkcji i innych obiektów. Chodziło o to, żeby różne systemy mogły dzielić się wiedzą bez tłumaczenia jej za każdym razem od nowa. W firmie znaczy to samo, tylko prościej. Ontologia odpowiada na trzy pytania: jakie rzeczy są dla nas ważne (klient, zamówienie, produkt, faktura), jak są ze sobą powiązane i co wolno z nimi zrobić. W rozmowie z zarządem używam nazwy **cyfrowy model firmy (ontologia)**, bo mówi więcej niż greckie słowo. W dokumentacji vendorów i w ofertach spotkacie oba określenia. Chodzi o tę samą rzecz. W3C opisuje [OWL 2](https://www.w3.org/TR/owl2-overview/) jako język ontologii z formalnie zdefiniowanym znaczeniem. To jeden ze sposobów zapisu, a nie warunek wstępny. Cyfrowy model firmy może zacząć życie jako tabela pojęć i diagram na tablicy. Formalny zapis przychodzi wtedy, gdy model ma czytać maszyna. ## Cztery elementy cyfrowego modelu na przykładzie zamówienia Ontologię najłatwiej zrozumieć na jednym procesie. Weźmy zamówienie w firmie, która sprzedaje urządzenia i je serwisuje. To przykład dydaktyczny, nie opis konkretnego klienta. ### 1\. Pojęcia i ich właściwości Pojęcia (w dokumentacji często: obiekty) to rzeczy, o których firma rozmawia i decyduje: Klient, Zamówienie, Produkt, Płatność, Dostawa. Każde ma właściwości: zamówienie ma numer, datę, wartość i status. Najważniejsza jest jednak definicja, której w tabeli nie widać. „Zamówienie potwierdzone” to takie, w którym cenę i termin zaakceptowały obie strony. Bez tej definicji sprzedaż i magazyn policzą „potwierdzone zamówienia” inaczej, a oba raporty będą „poprawne”. ### 2\. Relacje Relacje mówią, jak pojęcia się łączą: klient **składa** zamówienie, zamówienie **dotyczy** produktu, płatność **opłaca** zamówienie, dostawa **realizuje** zamówienie. Czasownik ma znaczenie. „Klient składa zamówienie” to co innego niż „klient płaci za zamówienie”, bo płatnikiem bywa inna firma niż zamawiający. To rozróżnienie decyduje o tym, komu agent wyśle przypomnienie o płatności. ### 3\. Zdarzenia Zdarzenia zmieniają stan pojęć: zamówienie złożone, płatność zaksięgowana, dostawa wysłana, reklamacja zgłoszona. Każde zdarzenie ma czas i źródło. Dzięki temu wiadomo nie tylko, jaki jest status, ale też kiedy i dlaczego się zmienił. Dla agenta AI to różnica między „zamówienie jest opóźnione” a „zamówienie jest opóźnione, bo hurtownia przesunęła wysyłkę partii towaru”. ### 4\. Reguły i działania Reguły mówią, co musi być prawdą i kto może coś zmienić: rabat powyżej progu zatwierdza kierownik sprzedaży, dostawa nie wychodzi przed zaksięgowaniem przedpłaty, agent może zaproponować nowy termin, ale zatwierdza go człowiek. Palantir w [opisie systemu Ontology](https://www.palantir.com/docs/foundry/architecture-center/ontology-system/) łączy w ontologii cztery rzeczy: dane, logikę, działania i bezpieczeństwo. To dobra lista kontrolna także wtedy, gdy nie używacie żadnej platformy. Cyfrowy model firmy (ontologia) na przykładzie zamówienia. Pojęcia i właściwości: klient, zamówienie, produkt, płatność i dostawa, a „zamówienie potwierdzone” oznacza cenę i termin zaakceptowane przez obie strony. Relacje: klient składa zamówienie, zamówienie dotyczy produktu, płatność opłaca zamówienie, dostawa je realizuje. Zdarzenia: zamówienie złożone, płatność zaksięgowana, dostawa wysłana, każde z czasem i źródłem. Reguły i działania: rabat powyżej progu zatwierdza kierownik sprzedaży, bez przedpłaty dostawa nie wychodzi, agent proponuje nowy termin, a człowiek go zatwierdza. Ludzie, aplikacje i agenci AI czytają ten sam model. Cyfrowy model firmy na przykładzie zamówienia: pojęcia, relacje, zdarzenia i reguły. Uproszczenie autora na podstawie W3C, dokumentacji Palantir i pracy Grubera (1993). Element Pytanie Przykład w zamówieniu Pojęcia i właściwości Co istnieje i co to znaczy? „Zamówienie potwierdzone” = cena i termin zaakceptowane przez obie strony Relacje Jak rzeczy się łączą? Klient składa zamówienie; płatność opłaca zamówienie Zdarzenia Co i kiedy zmieniło stan? Płatność zaksięgowana, dostawa wysłana — z czasem i źródłem Reguły i działania Co musi być prawdą i kto może coś zmienić? Rabat powyżej progu zatwierdza kierownik sprzedaży ## Po co firmie cyfrowy model przed wdrożeniem AI ### Wspólny język zamiast trzech definicji klienta Typowy objaw wygląda tak: w CRM klient to osoba kontaktowa, w systemie księgowym — firma z NIP-em, w sklepie internetowym — konto z adresem e-mail. Każdy dział ma rację w swoim systemie. Kłopot zaczyna się, gdy zarząd pyta o liczbę aktywnych klientów i dostaje trzy różne odpowiedzi. Cyfrowy model firmy rozstrzyga to raz: co nazywamy klientem, jak łączymy rekordy z trzech systemów i kto jest właścicielem definicji. ### Agenci rozumieją dane, a nie tylko nazwy kolumn [Agent AI](https://majchrzycki.com/blog/co-to-jest-agent-ai-poradnik-dla-firm) korzysta z systemów firmy przez narzędzia. Widzi tabelę `orders` i kolumnę `status = 3`. Nie wie, że „3” znaczy „wstrzymane do zapłaty” ani że wstrzymanego zamówienia nie wolno wysłać. Model zgadnie, płynnie i pewnym tonem. Agent bez cyfrowego modelu firmy przypomina nowego pracownika po pierwszym dniu: bardzo chętny, bardzo szybki i święcie przekonany, że „status 3” to na pewno coś dobrego. Vendorzy budują produkty właśnie wokół tej potrzeby. Microsoft w [dokumentacji Fabric IQ](https://learn.microsoft.com/en-us/fabric/iq/overview) opisuje ontologię jako wspólną, czytelną dla maszyn reprezentację firmy: typy obiektów, właściwości, relacje, reguły i miary powiązane z danymi, tak żeby ludzie, aplikacje i agenci AI używali tego samego słownika (stan na 6.10.2026: funkcja w wersji preview). Palantir w opisie systemu Ontology pisze o agentach AI budowanych na ontologii, którzy dziedziczą jej uprawnienia. Nazwy się różnią, idea jest ta sama. ### RAG odpowiada lepiej, gdy zna relacje [RAG](https://majchrzycki.com/blog/co-to-jest-rag-poradnik-dla-firm) wyszukuje fragmenty dokumentów podobne do pytania i podaje je modelowi. Dobrze działa przy pytaniu o jedną procedurę. Gorzej, gdy odpowiedź wymaga przejścia po relacjach: klient → umowa → zamówienie → reklamacja → decyzja. Tu pomaga cyfrowy model firmy. Metoda OG-RAG (Ontology-Grounded RAG) prowadzi wyszukiwanie przez pojęcia i relacje opisane w ontologii. Autorzy [pracy o OG-RAG](https://arxiv.org/abs/2412.15235) (Sharma, Kumar, Li, 2024) raportują w swoich testach między innymi o 55% lepsze przypominanie trafnych faktów i o 40% wyższą poprawność odpowiedzi niż metody bazowe. To wynik badaczy na ich danych, nie obietnica dla każdej firmy. Kierunek jest jednak czytelny: model z mapą pojęć szuka celniej niż model z samą wyszukiwarką. ## Ontologia, taksonomia i model danych: trzy różne rzeczy Te pojęcia mieszają się w ofertach i na spotkaniach. W skrócie: - **Taksonomia** porządkuje rzeczy w kategorie: zgłoszenie → serwis → awaria. Mówi, do jakiej grupy coś należy. W3C ma do tego standard [SKOS](https://www.w3.org/TR/skos-reference/) i sam zaznacza, że SKOS nie jest formalnym językiem reprezentacji wiedzy. - **Model danych** mówi, jak zapisać rzeczy w bazie: tabela `orders`, kolumny, klucze. Jest niezbędny dla aplikacji, ale nie wyjaśnia znaczenia. - **Ontologia** mówi, co rzeczy znaczą, jak są powiązane i jakie reguły obowiązują. Może korzystać z taksonomii i być zapisana w modelu danych. - **Graf wiedzy** to konkretne fakty zapisane według ontologii: „klient K17 złożył zamówienie Z52”. Taksonomia Model danych Ontologia Pytanie Do jakiej kategorii to należy? Jak to zapisać? Co to znaczy i z czym się łączy? Przykład Zgłoszenie → serwis → awaria `orders.status`, `orders.customer_id` Zamówienie potwierdzone wymaga ceny i terminu zaakceptowanych przez obie strony Kto korzysta ludzie i wyszukiwarka programiści i aplikacje ludzie, aplikacje i agenci AI Jedno zamówienie w pięciu ujęciach — od słownika po graf — pokazuje wpis [Ontologia, taksonomia i model danych prostym językiem](https://majchrzycki.com/blog/ontologia-taksonomia-model-danych-prosto-dla-msp). Jak przejść od istniejących tabel i diagramu ERD do wspólnych pojęć, opisuje [Modelowanie danych: od ERD do ontologii firmy](https://majchrzycki.com/blog/modelowanie-danych-od-erd-do-ontologii-firmy). ## Jak zacząć: jeden proces, słownik i właściciel definicji Cyfrowy model całej firmy naraz to przepis na diagram, którego nikt nie czyta. Kolejność, którą rekomenduję: 1. **Jeden proces i jedna decyzja.** Nie „ontologia firmy”, tylko na przykład „które zamówienia są zagrożone opóźnieniem i co możemy z tym zrobić”. Decyzja wyznacza, które pojęcia są potrzebne. 2. **Słownik pojęć.** Dla każdego pojęcia: definicja, przykład, wyjątek i system, z którego pochodzą dane. Kilkanaście dobrze opisanych pojęć daje więcej niż sto nazw bez definicji. 3. **Właściciel każdej definicji.** Osoba, która rozstrzyga spór o znaczenie i zatwierdza zmianę. Zwykle właściciel procesu, nie dział IT. 4. **Model: relacje, zdarzenia, reguły.** Diagram na tablicy wystarczy na start. Narzędzia do formalnego zapisu przydadzą się później. 5. **Połączenie z danymi.** Które pole w CRM i ERP odpowiada pojęciu, jak łączyć rekordy z kilku systemów. Test na prawdziwych rekordach, nie na przykładach z prezentacji. 6. **Agent albo RAG w wąskim zakresie.** Dopiero teraz. Mierzycie, czy odpowiedzi są zgodne z definicjami ze słownika. Cztery kroki w ustalonej kolejności. Krok 1, słownik: definicja, przykład, wyjątek i system źródłowy dla każdego pojęcia; odpowiada właściciel procesu. Krok 2, model: relacje, zdarzenia i reguły; właściciel procesu z analitykiem. Krok 3, dane: mapowanie pól z CRM i ERP na pojęcia i testy na prawdziwych rekordach; IT z właścicielem danych. Krok 4, agent i RAG pracują na pojęciach zamiast na kodach statusów; wynik zatwierdza człowiek. Bez kroku 1 agent zgaduje znaczenie danych. Uproszczenie autora. Od słownika do agenta: słownik, model, dane, a dopiero potem agent i RAG. Uproszczenie autora. Krok Wynik Kto odpowiada 1\. Słownik definicje, przykłady, wyjątki, systemy źródłowe właściciel procesu 2\. Model relacje, zdarzenia, reguły właściciel procesu z analitykiem 3\. Dane mapowanie pól i testy na rekordach IT z właścicielem danych 4\. Agent i RAG odpowiedzi i działania oparte na pojęciach zespół AI; wynik zatwierdza człowiek Kolejność kroków to wniosek autora, nie norma. Szczegółowy plan — od decyzji przez identyfikatory i mapowanie źródeł do kryterium gotowości — opisuje wpis [Jak zbudować ontologię firmy i podłączyć do niej dane?](https://majchrzycki.com/blog/jak-zbudowac-ontologie-firmy-dane-reguly-agenci). Jeśli zarząd nie potrafi dziś wskazać, kto rozstrzyga, co znaczy „klient aktywny” albo „zamówienie zagrożone”, wybór platformy jest przedwczesny. Najpierw warto nazwać proces, pojęcia i ich właścicieli. Po to jest [prezentacja dla zarządu](https://majchrzycki.com/wspolpraca/prezentacja-systemu-ai-dla-zarzadu). ## Katalog ontologii dla MŚP: 17 punktów startu Pustą kartkę łatwo zastąpić gotowym szkicem. Na blogu jest [Katalog ontologii dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-klient-360-dla-msp): 17 autorskich, przykładowych modeli dla typowych obszarów firmy, od klienta 360 i obsługi klienta po faktury, łańcuch dostaw, czas pracy i majątek. Każdy model odpowiada na jedno pytanie biznesowe, na przykład „które zamówienia klientów są zagrożone przez opóźnienie konkretnego dostawcy?”. Większość ma 12–13 encji i nazwane relacje, a najszerszy, Klient 360, ma 24 encje i 35 relacji. To nie są modele do wgrania bez zmian. Przed użyciem trzeba uzgodnić definicje z właścicielami procesu i sprawdzić je na rzeczywistych rekordach. Dobrze sprawdzają się jako lista pytań na pierwszy warsztat: które pojęcia u nas istnieją, które nazywamy inaczej, a których brakuje. Pełna lista jest w mapie wpisów poniżej. ## Platformy i standardy: gdzie zapisać cyfrowy model Model można zapisać na trzy sposoby. Wybór zależy od skali, a nie od mody. **Platforma vendora.** Palantir w [dokumentacji Ontology](https://www.palantir.com/docs/foundry/ontology/overview) dzieli ontologię na elementy semantyczne (obiekty, właściwości, powiązania) i kinetyczne (akcje i funkcje), z uprawnieniami na poziomie obiektów. Czym jest Palantir, jak łączą się Foundry, AIP i Ontology i dla kogo ta klasa platformy ma sens, wyjaśnia [poradnik o Palantirze dla firm](https://majchrzycki.com/blog/co-to-jest-palantir-poradnik-dla-firm). Microsoft rozwija ontologię w Fabric IQ, na danych w OneLake; według dokumentacji ontologię można wygenerować z modelu semantycznego Power BI albo zaimportować z RDF lub OWL. **Otwarte standardy W3C.** [RDF](https://www.w3.org/TR/rdf11-concepts/) zapisuje fakty jako trójki: podmiot, predykat, obiekt (RDF 1.1 jest rekomendacją W3C z 2014 roku; [RDF 1.2](https://www.w3.org/TR/rdf12-concepts/) ma od 7.04.2026 status Candidate Recommendation). OWL 2 (rekomendacja, drugie wydanie z 2012 roku) opisuje klasy, właściwości i ich znaczenie. [SHACL](https://www.w3.org/TR/shacl/) (rekomendacja z 2017 roku) sprawdza, czy dane spełniają uzgodnione warunki. SKOS służy do taksonomii i tezaurusów. Na tych standardach działają otwarte narzędzia: edytor Protégé, Apache Jena, Eclipse RDF4J. **Model w istniejących systemach.** Słownik w plikach, widoki SQL, wspólna warstwa metryk. Na pierwszy proces często to wystarcza. Jeśli później przejdziecie na platformę, praca nad pojęciami i właścicielami nie przepada. Zasada autora: najpierw model, potem platforma. Model opisany niezależnie od vendora da się przenieść, a ten sam test — jedna decyzja, prawdziwe dane, te same pytania — pozwala uczciwie porównać platformy. ## Czego cyfrowy model firmy nie zrobi - **Nie rozstrzygnie sporu o definicję.** Rozstrzyga właściciel pojęcia. Model tylko zapisuje wynik. - **Nie naprawi złych danych.** Jeśli w CRM klient występuje trzy razy, model to pokaże, ale nie scali rekordów sam. - **Sama definicja nie egzekwuje reguły.** Regułę musi sprawdzać aplikacja albo walidacja danych, na przykład w SHACL. - **Nie zastąpi uprawnień.** Ontologia mówi, co istnieje. Kto co może zobaczyć i zmienić, trzeba zaprojektować i skonfigurować osobno, nawet jeśli platforma trzyma to w jednym miejscu. - **Starzeje się razem z procesem.** Nowy produkt, nowy kanał sprzedaży albo zmiana regulaminu to zmiana modelu. Potrzebny jest cykl zmian, nie jednorazowy diagram. ## Mapa wpisów o ontologii firmy Wszystkie wpisy o cyfrowym modelu firmy w sześciu grupach. Zacznijcie od grupy, która odpowiada Waszemu pytaniu. ### A. Podstawy: pojęcia, budowa i wybór realizacji - [Ontologia, taksonomia i model danych prostym językiem](https://majchrzycki.com/blog/ontologia-taksonomia-model-danych-prosto-dla-msp) — jedno zamówienie w pięciu ujęciach. - [Modelowanie danych: od ERD do ontologii firmy](https://majchrzycki.com/blog/modelowanie-danych-od-erd-do-ontologii-firmy) — przejście od tabel do wspólnych pojęć. - [Jak zbudować ontologię firmy i podłączyć do niej dane?](https://majchrzycki.com/blog/jak-zbudowac-ontologie-firmy-dane-reguly-agenci) — plan od decyzji do kryterium gotowości. - [Ontologia i bazy grafowe w AI: co jest potrzebne MŚP?](https://majchrzycki.com/blog/ontologia-i-bazy-grafowe-w-ai-dla-msp) — kiedy baza grafowa, a kiedy wystarczy SQL. - [Ontologia AI OS: semantyka, działania i decyzje](https://majchrzycki.com/blog/ontologia-ai-os-warstwy-semantyczna-kinetyczna-dynamiczna) — warstwy semantyczna, kinetyczna i dynamiczna. - [Excalidraw: szkic architektury AI, który uruchamia rozmowę](https://majchrzycki.com/blog/excalidraw-diagramy-systemow-ai-i-ontologii) — wspólny szkic przed formalnym modelem. ### B. Katalog ontologii dla MŚP Siedemnaście przykładowych modeli z interaktywnym grafem. - [Klient 360: ontologia dla MŚP krok po kroku](https://majchrzycki.com/blog/katalog-ontologii-klient-360-dla-msp) - [Obsługa klienta: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-obsluga-klienta-dla-msp) - [Handel internetowy: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-handel-internetowy-dla-msp) - [Operacje sklepu detalicznego: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-operacje-sklepu-dla-msp) - [Łańcuch dostaw: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-lancuch-dostaw-dla-msp) - [Faktury ustrukturyzowane i sygnały nadużyć: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-faktury-ksef-sygnaly-dla-msp) - [Finanse międzynarodowe: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-finanse-miedzynarodowe-dla-msp) - [Projekty usługowe: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-projekty-uslugowe-dla-msp) - [Kadry i kompetencje: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-kadry-i-kompetencje-dla-msp) - [Czas pracy i pracownicy: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-czas-pracy-dla-msp) - [Komunikacja w firmie: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-komunikacja-w-firmie-dla-msp) - [Kampanie marketingowe: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-kampanie-marketingowe-dla-msp) - [Ruch na stronie i konwersje: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-ruch-na-stronie-dla-msp) - [Sieć relacji i poleceń: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-siec-polecen-dla-msp) - [Majątek firmy: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-majatek-firmy-dla-msp) - [Media i zużycie energii: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-media-i-energia-dla-msp) - [Wypadki i szkody pojazdów: ontologia dla MŚP](https://majchrzycki.com/blog/katalog-ontologii-wypadki-pojazdow-dla-msp) ### C. Ontologia, RAG i wiedza dla agentów - [OG-RAG: ontologia jako mapa dla wyszukiwania wiedzy](https://majchrzycki.com/blog/og-rag-ontologia-w-retrieval-augmented-generation) — wyszukiwanie prowadzone przez pojęcia i relacje. - [Open Knowledge Format: wiedza firmy w plikach](https://majchrzycki.com/blog/open-knowledge-format-okf-ontologia-ai-os) — definicje pojęć w Markdown z metadanymi. - [pgvector w suwerennym AI OS](https://majchrzycki.com/blog/pgvector-postgresql-ai-os) — wektory obok danych i uprawnień w PostgreSQL. Pokrewny wpis z poradnika o RAG: [GraphRAG: kiedy graf wiedzy pomaga RAG odpowiadać lepiej?](https://majchrzycki.com/blog/graphrag-graf-wiedzy-a-klasyczny-rag) ### D. Standardy i otwarte narzędzia - [RDF, OWL 2 i SHACL: standardy ontologii AI OS](https://majchrzycki.com/blog/owl2-rdf-shacl-ai-os) — znaczenie i walidacja grafu. - [Protégé Desktop i WebProtégé: ontologia dla AI OS](https://majchrzycki.com/blog/protege-ontologia-ai-os) — edytor modelu dla autora i zespołu. - [Apache Jena TDB2 w suwerennym AI OS](https://majchrzycki.com/blog/apache-jena-tdb2-ontologia) — RDF, SPARQL i magazyn grafowy. - [Eclipse RDF4J ShaclSail w suwerennym AI OS](https://majchrzycki.com/blog/eclipse-rdf4j-shaclsail) — walidacja SHACL przy zapisie. - [Apache AGE w suwerennym AI OS](https://majchrzycki.com/blog/apache-age-postgresql-graf) — graf w PostgreSQL. ### E. Warstwy semantyczne i metryki - [dbt Semantic Layer w suwerennym AI OS](https://majchrzycki.com/blog/dbt-semantic-layer-metrics) — jedna definicja przychodu dla BI i agenta. - [Cube Core w suwerennym AI OS](https://majchrzycki.com/blog/cube-core-warstwa-semantyczna) — spójne miary dla dashboardów i aplikacji AI. - [Apache Ossie w suwerennym AI OS](https://majchrzycki.com/blog/apache-ossie-semantyka) — wymiana semantyki między narzędziami. ### F. Platformy vendorów - [Co to jest Palantir? Foundry, AIP i Ontology — poradnik](https://majchrzycki.com/blog/co-to-jest-palantir-poradnik-dla-firm) — dla kogo ta klasa platformy ma sens. - [Palantir Ontology System: jak modelować decyzje firmy](https://majchrzycki.com/blog/palantir-ontology-system-jak-modelowac-decyzje-firmy) — obiekty, powiązania, akcje i funkcje. - [Ontologia Palantira w Enterprise OS: od danych do działania](https://majchrzycki.com/blog/palantir-ontologia-enterprise-os-decyzje-i-dzialania) — role, granice i odbiór pilota. - [Microsoft Fabric IQ: wspólny język danych biznesowych](https://majchrzycki.com/blog/microsoft-fabric-iq-semantyka-danych-biznesowych) — ontologia na danych w OneLake. ## Najważniejsze w skrócie - Ontologia firmy to cyfrowy model firmy: pojęcia, relacje, zdarzenia i reguły, zapisane tak, żeby czytali je ludzie, aplikacje i agenci AI. - Przed AI jest potrzebna, bo model językowy nie zna znaczenia Waszych danych. Bez modelu agent zgaduje, a RAG szuka po podobieństwie tekstu. - Taksonomia porządkuje kategorie, model danych mówi, jak zapisać, ontologia — co to znaczy i z czym się łączy. - Zaczyna się od jednego procesu, słownika pojęć i właściciela każdej definicji, a nie od platformy. - Katalog 17 modeli dla MŚP daje szkic na pierwszy warsztat; definicje i tak trzeba uzgodnić u siebie. - Platforma (Palantir, Fabric IQ) albo otwarte standardy W3C to miejsce zapisu. Praca nad pojęciami zostaje w firmie niezależnie od wyboru. - Dane i analityka - Agenci AI - Zarząd ## Ustalmy, co w Waszej firmie znaczą najważniejsze pojęcia Prezentacja dla zarządu: wybierzemy jeden proces, nazwiemy pojęcia, od których zależą decyzje, i osoby, które rozstrzygają ich znaczenie — zanim agent AI zacznie zgadywać. Niezależnie od vendora i partnera. [Umów prezentację dla zarządu](https://majchrzycki.com/wspolpraca/prezentacja-systemu-ai-dla-zarzadu) FAQ ## Najczęstsze pytania Czy firma od 50 osób potrzebuje ontologii? Potrzebuje cyfrowego modelu przynajmniej dla procesów, które chce oddać AI. Nie musi to być formalna ontologia w OWL ani nowa platforma. Na start wystarczy słownik pojęć z właścicielami, opis relacji i reguł dla jednego procesu oraz sprawdzenie go na prawdziwych danych. Formalny zapis przychodzi później, gdy model ma czytać maszyna. Czy ontologia to to samo co graf wiedzy? Nie. Ontologia opisuje zasady: jakie rodzaje rzeczy istnieją, jak mogą się łączyć i jakie reguły obowiązują. Graf wiedzy zawiera konkretne fakty zapisane według tych zasad, na przykład: klient K17 złożył zamówienie Z52. Ontologia jest mapą pojęć, graf — wypełnioną mapą. Czy do ontologii trzeba kupić bazę grafową albo platformę typu Palantir? Nie na start. Pierwszy model można opisać w dokumencie i sprawdzić w obecnych systemach, na widokach SQL. Baza grafowa ma sens, gdy pytania wielokrotnie przechodzą przez sieć relacji. Platforma vendora, na przykład Palantir Foundry albo Microsoft Fabric IQ, ma sens, gdy wiele zespołów i systemów pracuje na tych samych obiektach, a decyzje trzeba wykonać i rozliczyć. Kto w firmie powinien być właścicielem ontologii? Każde pojęcie ma właściciela biznesowego — zwykle właściciela procesu, w którym to pojęcie żyje. Definicję „zamówienia potwierdzonego” zatwierdza szef sprzedaży, nie dział IT. IT odpowiada za zapis modelu, połączenie z danymi i uprawnienia. Bez właściciela definicji spór o znaczenie wraca przy każdym raporcie. Czy AI może samo zbudować ontologię z danych firmy? Może przygotować szkic: zaproponować pojęcia z nazw tabel, relacje z kluczy i definicje z dokumentów. Microsoft opisuje w Fabric IQ agenta ontologii, który generuje definicje i proponuje zmiany do przeglądu. Znaczenie pojęć zatwierdza jednak człowiek, bo model nie wie, która z trzech definicji klienta obowiązuje w Waszej firmie. Czy muszę znać OWL, RDF i SHACL? Zarząd nie musi. To standardy W3C do formalnego zapisu: RDF zapisuje fakty jako trójki, OWL 2 opisuje znaczenie pojęć, SHACL sprawdza, czy dane spełniają uzgodnione warunki. Przydają się zespołowi, który ma przenosić model między narzędziami albo walidować dane automatycznie. Decyzja zarządu dotyczy pojęć, właścicieli i procesu, nie formatu pliku. Czym ontologia pomaga w RAG? Klasyczny RAG szuka fragmentów dokumentów podobnych do pytania. Gdy odpowiedź wymaga przejścia po relacjach, na przykład klient, umowa, zamówienie, reklamacja, sama podobność tekstu nie wystarcza. Metoda OG-RAG prowadzi wyszukiwanie przez pojęcia i relacje z ontologii; jej autorzy raportują w swoich testach wyraźnie lepsze przypominanie faktów i poprawność odpowiedzi niż metody bazowe. ## Czytaj dalej - [Ontologia, taksonomia i model danych prostym językiem](https://majchrzycki.com/blog/ontologia-taksonomia-model-danych-prosto-dla-msp) - [Jak zbudować ontologię firmy i podłączyć do niej dane?](https://majchrzycki.com/blog/jak-zbudowac-ontologie-firmy-dane-reguly-agenci) - [Modelowanie danych: od ERD do ontologii firmy](https://majchrzycki.com/blog/modelowanie-danych-od-erd-do-ontologii-firmy) - [Ontologia AI OS: semantyka, działania i decyzje](https://majchrzycki.com/blog/ontologia-ai-os-warstwy-semantyczna-kinetyczna-dynamiczna)