Хватает ли контекста, чтобы сформировать ответ?
TRUSTED CONTEXT METHOD · C01 · ПРАКТИЧЕСКИЙ КУРС
AI: ВЕРИТЬ НЕЛЬЗЯ ПРОВЕРИТЬ
AI дал убедительный ответ.
Теперь докажите.
Практический курс о том, как работать с AI-ответами, когда по ним предстоит принимать реальные решения. Научитесь устанавливать основания существенных выводов, проверять рассуждение и определять границу допустимого действия.
2 ВЕЧЕРА СВОЙ КЕЙС ЗАЩИТА 2 МЕНТОРА ДО 10 УЧАСТНИКОВ
Три разных условия
Ответить, доказать и действовать — не одно и то же
Курс учит разделять три вопроса, которые AI легко смешивает в один уверенный ответ.
Можно ли показать основания существенных утверждений и проверить переход к выводу?
Достаточны ли основания и полномочия для конкретного действия?
Механика курса
Два «Докажите.» — две разные проблемы AI
Сначала вы получаете обычный убедительный AI-ответ. Затем дважды проверяете разные границы доверия: сначала — основания ответа, затем — рассуждение, которое связывает основания с выводом.
Цикл 1 · Answer A
AI ответил по исходным материалам
Ответ выглядит профессионально и может содержать ссылки на источники. Но сможете ли вы восстановить, на каких именно основаниях держится каждый существенный вывод?
«Докажите №1.»
На чём основан этот вывод? Откуда взялись основания? Можно ли восстановить цепочку до источника?
→
Цикл 2 · Answer B
AI получил Trusted Context
Теперь основания, источники, утверждения, связи и их происхождение структурированы. Ответ стал прозрачнее — но это ещё не означает, что сам вывод обоснован.
«Докажите №2.»
Основания найдены. Но почему из них следует именно такой вывод?
Рассуждение · REASONING — правило или шаг, который связывает основания с выводом.
Рассуждение · REASONING — правило или шаг, который связывает основания с выводом.
ANSWER A → ДОКАЖИТЕ №1 → TRUSTED CONTEXT → ANSWER B → ДОКАЖИТЕ №2 → VERIFY → DECIDE
Язык метода
Чтобы проверить ответ, сначала разделим то, что AI соединяет в один связный текст
На первом «Докажите.» нам нужны три простых объекта. Сначала — обычным языком; профессиональные термины TCM идут вторым слоем.
Откуда мы это знаем: система, документ, запись, показатель, сообщение, наблюдение или другой допустимый источник.
Конкретная информация из источника, которая имеет отношение к вопросу и может поддерживать, опровергать или ограничивать утверждение.
Что именно мы утверждаем о ситуации — и собираемся использовать дальше в рассуждении или решении.
Источник → Основание → Утверждение
SOURCE → EVIDENCE → CLAIM
Trusted Context · Доверенный контекст
Это не «набор правильных данных» и не вся доступная информация. Это ограниченный контекст для конкретного вопроса, где явно показано: что мы утверждаем, на чём это основано, откуда получены основания, как объекты связаны и что остаётся неизвестным или противоречивым.
Trusted Context ≠ True ContextTrusted Context Method
Семь действий, которые делают проверку воспроизводимой
После первого «Докажите.» проблема раскладывается на управляемый путь: от проверяемого вопроса и модели контекста до проверки reasoning и допустимого действия.
FRAME · СФОРМУЛИРОВАТЬ
Уточнить вопрос
Какое решение нужно принять, в каких границах и кем?
MODEL · СМОДЕЛИРОВАТЬ
Определить модель
Какие Claims, Sources, Evidence, объекты и отношения действительно нужны?
BUILD · СОБРАТЬ
Создать схему в Onto
Реализовать модель как типы, свойства и связи — без подмены смысла.
GROUND · ОБОСНОВАТЬ
Наполнить основаниями
Связать конкретные Source → Evidence → Claim, provenance и ограничения.
CONNECT · ПОДКЛЮЧИТЬ
Дать контекст AI
Подключить AI к построенному Trusted Context через технологический слой доступа.
VERIFY · ПРОВЕРИТЬ
Проверить reasoning
Почему из этих Evidence следует именно этот Claim? Не придумал ли AI правило перехода?
DECIDE · РЕШИТЬ
Определить действие
ACT, REQUEST EVIDENCE, ESCALATE или STOP — и конкретный NEXT ACTION.
Практика
Сначала наш кейс. Потом — ваша задача
Вы не изучаете TCM в отрыве от работы. Сначала проходите весь путь на одном сквозном кейсе, затем переносите его на собственный бизнес-вопрос.
Вечер 1 · Контекст
Answer A → «Докажите.» → Trusted Context
Вы получаете обычный AI-ответ, обнаруживаете разрыв между убедительностью и доказательностью, формулируете вопрос, моделируете контекст, создаёте схему в Onto и связываете её с конкретными основаниями StroyPak.
Самостоятельно
Собственный кейс
2–3 существенных Claim. Вы переносите тот же proof chain на реальную рабочую задачу и собираете единое досье.
Защита
«Докажите своё решение»
Показываете цепочку: вопрос → Claim → Evidence → Reasoning → VERIFY → Decision → NEXT ACTION. Проверяется TCM, а не владение интерфейсом Onto.
Что меняется
Не учим «лучше спрашивать AI», а учим работать с его выводами
Цель курса — дать метод работы с AI-контентом для принятия обоснованных решений. После него меняется контрольная точка перед использованием AI-ответа в работе.
До курса
- «Ответ выглядит разумно».
- «AI привёл источники».
- «Факты вроде совпадают».
- «Давайте использовать вывод».
После курса
- Что именно мы собираемся утверждать или использовать в решении?
- На чём это основано и откуда это известно?
- Почему из этих оснований следует именно такой вывод?
- Что остаётся неизвестным или противоречивым?
- Кто вправе принять решение — то есть у кого есть полномочие на принятие решения (Decision Authority) — и что конкретно делаем дальше?
Результат
Не просто получить ответ AI, а знать, почему по нему допустимо действовать
Воспроизводимый способ проверки AI-ответов перед их использованием в работе и принятии решений.
- сформулировать проверяемый бизнес-вопрос;
- отделить источник, основание и утверждение;
- сохранить неизвестное и противоречивое вместо догадки;
- построить схему Trusted Context и наполнить её основаниями;
- проверить не только контекст, но и reasoning AI;
- определить Decision State и NEXT ACTION.
Что остаётся у участника
ПРОВЕРЯЕМЫЙ ВОПРОС МОДЕЛЬ TRUSTED CONTEXT СХЕМА В ONTO ПАКЕТ ОСНОВАНИЙ ПРОВЕРЕННЫЙ ОТВЕТ / ОБОСНОВАННЫЙ НЕ-ОТВЕТ КАРТА РЕШЕНИЯ И ДЕЙСТВИЯ
Технология и автоматизация
Зачем строить схему руками, если это может сделать LLM?
Потому что автоматизировать имеет смысл только тот процесс, границы которого вы понимаете и можете проверить. На курсе вы один раз сами определяете модель необходимого контекста и реализуете её схему в Onto. После этого часть MODEL / BUILD / GROUND можно осознанно делегировать LLM, retrieval и агентам — сохраняя контроль над семантикой и проверкой.
Предлагает Claims, сущности, связи и reasoning — но не получает право незаметно определять правила доверия.
Находит релевантные фрагменты и кандидатные основания. Найти ≠ обосновать ≠ проверить.
Явно представляет сущности, связи, provenance, конфликты и границы контекста.
Задаёт протокол: что именно утверждается, на чём основан вывод, как проверить рассуждение и где проходит граница допустимого действия.
Onto это лаборатория, а не предмет курса. В C01 вы вручную реализуете схему Trusted Context в Onto; MCP используется позже, чтобы дать AI контролируемый доступ к построенному контексту. Владение Onto/MCP не является целью оценки.
Почему этому можно доверять
Не обещание «AI станет правильным», а воспроизводимый процесс проверки
TCM не гарантирует, что для любого вопроса существует достаточное основание для действия. Корректным результатом может быть запрос дополнительных оснований, передача вопроса уполномоченному лицу или остановка действия.
StroyPak
Один сквозной кейс
Вы проходите весь путь на неоднозначном бизнес-контексте, где источники неполны, версии расходятся, а часть оснований противоречит друг другу.
Own Case
Перенос на свою задачу
После учебного кейса вы собираете собственное досье и показываете, что способны применить proof chain вне StroyPak.
Защита
Метод получает своё «Докажите»
На защите нужно воспроизвести цепочку от источников и оснований через рассуждение к проверке, решению и следующему действию. Проверяется применение метода, а не интерфейс инструмента.
Метод проходил контролируемую валидацию с результатом PASS WITH FINDINGS: выявленные проблемы использовались для доработки версии 1.1. Это не заявление об универсально доказанной эффективности TCM.
Два ментора · две перспективы
Метод × технология
Метод определяет, что и почему нужно проверять. Технология показывает, как представить и получить структурированный контекст.
СТАНИСЛАВ · МЕТОД × АРТЁМ · ТЕХНОЛОГИЯ
Автор Trusted Context Method · ведущий курса
СТАНИСЛАВ КАРАМУШКО
Бизнес-архитектор и методолог Data & AI Governance с более чем 20-летним опытом в ИТ, управлении информацией и организационных трансформациях.
Основатель Центра информационного менеджмента и Data Adventurers, разработчик методики ежегодного исследования «Управление данными в России», соавтор «Руководства CDO» и разработчик #DataTrustMaker.
На курсе: проверяемый вопрос, утверждение → основания → рассуждение, VERIFY и DECIDE, перенос метода на бизнес-задачу.
Основатель Онто · технологический ментор
АРТЁМ ВАРКУЛЕВИЧ
Архитектор информационных систем и технологический предприниматель с 30-летним опытом в ИТ. Около 20 лет занимается архитектурой информационных систем крупных компаний.
Основатель Онто — платформы для моделирования сложных систем и работы со структурированным знанием с использованием AI.
На курсе: схема Trusted Context в Onto, объекты, свойства и связи, технологическое подключение контекста к AI.
Для кого
Для тех, у кого AI-выводы имеют цену решения
Вы принимаете решения
И хотите понимать, на каких основаниях AI предлагает вывод или действие.
CDO · CIO · руководители data, AI, digital, аналитики и трансформацииВы отвечаете за данные и контекст
И должны понимать происхождение информации, её связи, ограничения и интерпретацию.
Data Owners · Data Stewards · бизнес- и enterprise-архитекторыВы проверяете и контролируете
И должны воспроизводить основания выводов, видеть пробелы и противоречия.
Аудит · риск · compliance · внутренний контрольВы внедряете AI в процессы
И вам важно отделить retrieval от grounding, verification и права на действие.
AI / Product Managers · консультанты · владельцы AI-процессовФормат
Два вечера + собственный кейс + защита
Камерная группа, два ментора и один сквозной учебный эксперимент. Основное время — работа участника, а не лекция.
2
ВЕЧЕРА
6 часов
СИНХРОННОЙ РАБОТЫ
4–6 часов
СВОЙ КЕЙС
15 мин
ЗАЩИТА
2
МЕНТОРА
до 10
УЧАСТНИКОВ
Вопросы до курса
Что TCM делает — и чего не обещает
Это курс по Onto?
Нет. Onto используется как среда, в которой вы вручную реализуете и проверяете схему Trusted Context. Цель курса — TCM и доказуемость AI-выводов.
Нужно ли программировать?
Программирование не является учебной целью C01. Работа строится вокруг бизнес-вопроса, модели контекста, Evidence, reasoning и решения.
Почему недостаточно хорошего RAG?
RAG помогает найти релевантные фрагменты и основания. TCM отвечает на следующий вопрос: достаточно ли найденного, почему из этих оснований следует вывод и можно ли на его основании действовать.
Почему просто не попросить AI показать источники?
Источник отвечает на вопрос «откуда это взялось». Но ссылка сама по себе ещё не показывает, какое именно основание поддерживает вывод и почему использованное рассуждение допустимо.
Зачем строить схему вручную?
Чтобы один раз увидеть и проверить семантику процесса, который затем можно частично автоматизировать через LLM, retrieval, граф и агентов. Без такой границы AI может оказаться системой, которая сама предлагает структуру, сама интерпретирует основания и сама подтверждает собственное рассуждение.
TCM работает только с документами?
Нет. Документы — удобная форма учебного Evidence Pack. Документы — лишь учебная форма StroyPak. Основания могут поступать из разных допустимых источников: систем, записей, показателей, наблюдений и других данных, если их происхождение и роль в выводе можно установить.
Зачем нужен собственный кейс?
Чтобы проверить перенос: можете ли вы применить метод к своей рабочей задаче, а не только повторить действия на учебном StroyPak.
Что если доказательств недостаточно?
Это нормальный результат. DECIDE допускает ACT, REQUEST EVIDENCE, ESCALATE или STOP. TCM не требует от AI обязательно выдать положительный ответ.
ОСТАВЬТЕ ЗАЯВКУ И МЫ С ВАМИ СВЯЖЕМСЯ
E-mail: contact@im-center.ru
AI: верить нельзя проверить
AI уже умеет отвечать на вопросы. Научитесь требовать доказательство
Пройдите путь от убедительного AI-ответа до прослеживаемых оснований, проверенного рассуждения и обоснованного следующего действия.