В условиях перехода к Индустрии 5.0 ключевым фактором конкурентоспособности производственных систем становится не только уровень цифровизации, но и качество интеллектуальной составляющей. На практике предприятия сталкиваются с тем, что даже при наличии современных информационных систем и накопленных компетенций персонала управленческие решения ухудшаются из-за рассогласования терминологии, разрыва между регламентами и цифровыми моделями, а также высокой доли ручных интерпретаций данных. Это приводит к росту транзакционных потерь: увеличению времени согласований, ошибкам в документации и снижению воспроизводимости процессов, особенно в среде высокой изменчивости требований к качеству и срокам. Следовательно, возникает потребность в количественном измерителе, который отражает не отдельные навыки, а интегральную согласованность знаний персонала и цифрового контура в единой отраслевой онтологии. В этой логике актуальной становится разработка методики оценки тезаурусного потенциала производственной системы как метрики интеллектуальной зрелости и управляемости. Получаемый показатель позволяет количественно оценивать интеллектуальную составляющую производственных систем нового поколения, выявлять узкие места в знаниях и цифровой базе и обосновывать приоритеты организационных и цифровых мероприятий по повышению эффективности [6].
Вместе с тем на практике выявляется методическая проблема: отсутствует единый количественный показатель, позволяющий оценить согласованность понятийного аппарата персонала и цифровых инструментов управления в рамках одной производственной системы. В результате диагностика «интеллектуального контура» часто сводится к разрозненным оценкам компетенций или уровню цифровизации без измерения качества их сопряжения. Это ограничивает воспроизводимость управленческих решений и затрудняет приоритезацию мероприятий по развитию.
Цель исследования состоит в разработке и обосновании методики количественной оценки тезаурусного потенциала производственной системы как интегрального измерителя интеллектуального контура в контексте Индустрии 5.0, основанную на динамической отраслевой онтологии и показателях согласованности тезаурусов персонала и искусственного интеллекта.
Для достижения цели были поставлены и выполнены следующие задачи:
- Выполнить обзор и систематизацию научных подходов к формализации производственных знаний (онтологии, графы знаний, цифровые двойники) и к обеспечению согласованности взаимодействия «человек–ИИ» в контексте принципов Индустрии 5.0.
- Сформировать концептуальные положения построения динамической отраслевой онтологии Ω(t) производственной системы, включая принципы актуализации терминологического ядра, задание весов управленческой значимости терминов и требования к воспроизводимости измерений во времени.
- Определить и структурировать составляющие интеллектуального контура производственной системы Индустрии 5.0 (тезаурус персонала, цифровой тезаурус, механизмы их сопряжения), обосновав систему показателей покрытия и согласованности как основу количественной диагностики.
- Разработать управленческую интерпретацию типовых диагностических ситуаций на базе соотношений показателей (Cpers, CAI, SKI), выделив приоритетные направления организационных, кадровых и цифровых мероприятий для устранения «тезаурусных разрывов» и повышения управляемости производственной системы.
Структура статьи включает: обзор научных подходов к формализации производственных знаний и взаимодействию «человек–ИИ»; описание концепции динамической отраслевой онтологии Ω(t) и источников терминологической базы; формализацию показателей покрытия и согласованности (Cpers, CAI, SKI) и интегрального показателя тезаурусного потенциала; интерпретацию типовых диагностических ситуаций и выводы для управленческих решений.
Научная новизна состоит в предложении воспроизводимой методики количественного измерения интеллектуального контура производственной системы на основе динамической отраслевой онтологии, включающей интегральную оценку тезаурусного потенциала, учитывающую вклад персонала и цифровых инструментов c учетом их уровня их согласованности. В отличие от существующих подходов, ориентированных преимущественно на семантическую формализацию или оценку цифровой зрелости, методика обеспечивает одновременную диагностику покрытия предметной области и качества сопряжения тезаурусов «человек–искусственный интеллект» с возможностью управленческой интерпретации. Тем самым проблемное поле исследования формулируется как разрыв между наличием инструментов семантической формализации и отсутствием воспроизводимого количественного измерителя, который одновременно оценивает покрытие предметной области персоналом и цифровым контуром и качество их сопряжения. Предлагаемая методика направлена на закрытие данного разрыва за счёт введения единой шкалы показателей и процедур их управленческой интерпретации.
Переход к Индустрии 5.0 трактуется как смещение фокуса от «максимальной автоматизации» к человекоцентричности, устойчивости и резильентности, где цифровые технологии должны усиливать человека и повышать управляемость системы. Методологические основания интеграции принципов Индустрии 5.0 в операционное управление представлены в [5], что задаёт основу для постановки настоящего исследования.
В отчёте Европейской комиссии [1] подчёркивается, что ценность создаётся не только за счёт внедрения цифровых решений, но и за счёт их корректной интеграции в практики принятия решений и обеспечения благополучия работника. В рамках настоящего исследования эта рамка задаёт критерий актуальности: требуется не просто оценка уровня цифровизации, а количественный измеритель интеллектуального контура «человек–ИИ», способный диагностировать качество совместной работы и управленческой интерпретации знаний.
Вопрос формализации производственного знания активно развивается через исследования графов знаний и семантического моделирования в умном производстве [2]. Авторы трактуют графы знаний как семантический каркас, позволяющий связывать сущности производства, поддерживать выводы и масштабировать знания за счёт формальных связей и правил. Эти результаты напрямую поддерживают основу настоящей методики: динамическая отраслевая онтология выступает «эталонным тезаурусом», по которому можно измерять интеллектуальные навыки персонала и цифрового контура в производственных системах нового поколения.
Практический вывод исследования по анализу формализованных знаний [3] состоит в том, что цифровой двойник становится не только «моделью состояния», но и носителем формализованного предметного знания (термины, связи, контекст, правила), что критично для воспроизводимости решений. Таким образом, компонент цифрового тезауруса должен быть семантически структурирован, иначе растёт доля ручных интерпретаций и ошибок согласования, а интеллектуальный контур не даёт ожидаемого эффекта Индустрии 5.0.
Наконец, в работах по совместному взаимодействию человека и искусственного интеллекта усиливается тезис о необходимости онтологической основы для совместимости и объяснимости. В работе [4] предложена онтологическая система для динамичного, объяснимого и человекоцентричного взаимодействия людей и интеллектуальных агентов в киберфизической среде, показывая, что согласованный понятийный аппарат снижает ошибки взаимодействия и повышает управляемость совместной работы. Это концептуально совпадает с акцентом на коэффициент согласованности: даже при наличии знаний у человека и у искусственного интеллекта итоговая эффективность зависит от того, насколько эти знания «стыкуются» в едином языке и регламентах.
Анализ научных источников показывает, что исследования в области графов знаний, онтологий и цифровых двойников формируют инструменты семантической формализации производственных знаний, а работы по взаимодействию человека и искусственного интеллекта подчёркивают значимость согласованного понятийного аппарата.
Таким образом, существующие исследования убедительно показывают следующее:
1) Индустрия 5.0 требует измеримости человекоцентричного цифрового контура;
2) онтологии и цифровые двойники дают инструменты семантической формализации производственного знания;
3) онтологии повышают качество командной работы человек-ИИ за счёт интероперабельности и объяснимости.
Вместе с тем в научной литературе ограниченно представлена количественные индикаторы, которые одновременно: измеряют покрытие отраслевой онтологии персоналом и ИИ, оценивают степень их согласованности, и поддерживают управленческую диагностику качественных характеристик интеллектуальной составляющей. Заполнение этого разрыва и составляет вклад настоящего исследования, предлагающего метрику тезаурусного потенциала как измерителя интеллектуального контура «персонал–ИИ» в производственной системе.
В настоящей работе предлагается методика количественной оценки тезаурусного потенциала производственной системы на основе динамической отраслевой онтологии, показателей покрытия тезауруса персоналом и цифровым контуром, а также коэффициента согласованности «человек–искусственный интеллект». Под интеллектуальным контуром производственной системы далее понимается совокупность: знаний и терминологической компетентности персонала, формализованного предметного знания, встроенного в цифровые инструменты (регламенты, справочники, правила, модели/кейсы), и механизмов их согласования в едином понятийном пространстве. Тезаурусный потенциал трактуется как интегральная количественная характеристика готовности этого контура поддерживать устойчивое и воспроизводимое принятие решений в операционном управлении.
Терминологическая база исследования формируется на основе регламентов и технологической документации предприятия (технологические карты, инструкции, требования к качеству, классификаторы дефектов), а также данных корпоративных систем управления и мониторинга производственных процессов.
Формирование Ω(t) целесообразно выполнять по унифицированной процедуре:
(1) извлечение кандидатов терминов из регламентов/справочников/журналов дефектов;
(2) нормализация (синонимы, аббревиатуры, единицы измерения, варианты написания);
(3) устранение дублей и омонимии по контексту применения;
(4) привязка терминов к операциям/изделиям/параметрам качества;
(5) утверждение терминологического ядра экспертной группой и фиксация версии Ω(t).
Такая процедура снижает «шум» терминов и повышает устойчивость метрик покрытия. Воспроизводимость расчётов и возможность автоматизации диагностики обеспечиваются программным комплексом, зарегистрированным в [7].
Оценка владения терминами персоналом выполняется по материалам аттестации и тестирования, матрицам компетенций и результатам наблюдения выполнения операций, что позволяет задать долевые значения 
в интервале [0;1]. Использование долевой шкалы [0;1] обеспечивает сопоставимость разнородных источников данных и позволяет агрегировать результаты по терминам, подразделениям и периодам наблюдения.
В практической реализации значения могут формироваться, например, по нормированным баллам аттестации, доле корректных действий по чек-листам операций, результатам наставничества или статистике ошибок, связанных с терминологическими несоответствиями. Оценка представленности терминов в цифровом контуре задаётся по онтологии и справочникам информационных систем, правилам и базе кейсов, а также по структуре обученных сущностей моделей, что формирует 
∈ [0;1] и обеспечивает сопоставимость расчётов во времени.
Предлагаемая методика применима для диагностики интеллектуального контура на уровне как отдельного структурного подразделения, так и целого предприятия и ориентирована на задачи операционного управления (диспетчеризация, технологическая дисциплина, качество, выпуск и сроки). Расчёт показателей рекомендуется проводить регулярно (например, ежемесячно или ежеквартально) с возможностью сравнения динамики во времени. В рамках настоящей статьи под производственной системой понимается организационно-технологический контур «ресурсы–операции–качество–логистика–энергия», ограниченный выбранным уровнем декомпозиции (участок/цех/предприятие) и единым набором регламентов, справочников и цифровых моделей. Уровень применения фиксируется в паспорте расчёта, что обеспечивает сопоставимость показателей при динамическом мониторинге и при сравнении подразделений внутри предприятия.
Предполагается, что динамическая отраслевая онтология (Ω(t)) актуализируется при изменении технологий, регламентов и требований к качеству, а веса значимости терминов wj могут пересматриваться при изменении управленческой критичности или структуры рисков.
Долевые оценки формируются в шкале [0;1] на основе верифицируемых источников (аттестация/наблюдение и данные цифрового контура), что обеспечивает воспроизводимость расчётов и управленческую интерпретируемость результатов.
Для обеспечения воспроизводимости рекомендуется оформлять паспорт расчёта, включающий: версию онтологии Ω(t) и дату актуализации; перечень источников терминов (регламенты, справочники, базы дефектов, модели); правила нормирования и ; процедуру задания весов wj; значения параметров kpers, kAI и γ; пороговые зоны (нормативы) для Cpers, CAI и SKI. Наличие паспорта расчёта позволяет повторять измерение в последующих периодах и корректно интерпретировать динамику показателя T(t).
Пусть Ω(t) = 
— множество терминов предметной области конкретной производственной системы (отраслевая онтология) в момент времени t, где
Каждому термину присваивается вес значимости wj≥0, 
, отражающий управленческую критичность термина (например, связь с частотой использования в документации, влиянием на безопасность или стоимость ошибок). Веса wj целесообразно определять по комбинированной процедуре: экспертная оценка критичности дополняется эмпирическими данными. При необходимости веса могут уточняться по итогам ретроспективного анализа потерь и корректироваться при изменении технологий и требований к качеству. Методологические положения информационного подхода к оценке уровня развития производственной системы, используемые в настоящей работе, изложены в [8].
Общая логика предлагаемой методики, включающая источники данных, построение динамической отраслевой онтологии Ω(t), расчёт показателей покрытия и согласованности и последующую управленческую интерпретацию результатов, представлена на рис. 1.
Рис. 1. Концептуальная схема методики количественной оценки тезаурусного потенциала производственной системы
Далее, опираясь на представленную схему (рис. 1), введём показатели покрытия и согласованности, позволяющие перейти от качественного описания интеллектуального контура к воспроизводимому количественному измерению тезаурусного потенциала.
Для измерения тезаурусного потенциала вводятся показатели покрытия отраслевой онтологии лексикой персонала и терминологией, «закодированной» в искусственном интеллекте.
Определим долевые индикаторы освоения термина:
∊ [0; 1] — степень владения термином персоналом (по тестам, аттестации, наблюдению выполнения операций, результатам наставничества, выгрузка из ERP);
∊ [0; 1] — степень представленности термина в цифровом контуре (в онтологии модели, справочниках, правилах, обученных сущностях, базе кейсов).
Тогда показатели покрытия определяются как взвешенные суммы:
В рамках адаптации настоящей методики к условиям конкретной производственной системы целесообразно задать пороговые нормативные зоны для Cpers и CAI на основе калибровки данных. Они позволяют диагностировать терминологическую готовность персонала и зрелость отраслево-ориентированных ИИ-модулей для поддержки решений.
Даже при высоких значениях Cpers и CAI качество решений может снижаться из-за рассогласования понятийных аппаратов. Поэтому вводится коэффициент синергетической согласованности SKI(t), отражающий долю совпадающих знаний в едином контуре. Управленческий смысл SKI(t) состоит в диагностике «семантических разрывов»: ситуация, когда персонал и цифровой контур по отдельности демонстрируют высокое покрытие, но используют различные термины, что приводит к росту согласований, ручным корректировкам и ошибкам коммуникации. Поэтому SKI выступает индикатором качества сопряжения, критичным для воспроизводимости решений в операционном управлении.
Практично использовать взвешенную меру пересечения тезаурусов:
Следует подчеркнуть, что SKI(t) отражает не просто наличие одинаковых терминов, а степень «стыковки» терминов в управленческом контуре: одинаковые термины должны иметь согласованные определения, атрибуты и правила применения в регламентах и цифровых моделях. Поэтому при внедрении методики рекомендуется дополнять расчёт SKI процедурами семантической валидации (проверка определений и связей термина в Ω(t) и в цифровом контуре), что снижает риск «ложной согласованности».
Суммарный тезаурусный потенциал трактуется как взвешенная результирующая человеческой и машинной составляющих с учетом их долевого участия в управленческих решениях, а его эффективное значение корректируется коэффициентом согласованности SKI.
Введём коэффициенты вклада человека и ИИ: kpers,kAI≥0,
kpers+kAI=1
Тогда базовая результирующая:
Для учета синергии вводится параметр γ∈[0,1] — вес влияния согласованности на итоговую оценку (для практических управленческих задач часто принимается γ=0,5 как компромисс). Значения kpers и kAI рекомендуется задавать исходя из фактической доли участия человека и цифровых инструментов в контуре решений (например, по регламентам принятия решений, маршрутам согласований, доле операций, где применяются подсказки ИИ). Параметр γ может определяться по процедуре валидации: выбирается набор контрольных периодов, и γ подбирается так, чтобы интегральный показатель лучше объяснял динамику целевых результатов (сроки, дефектность, количество переделок, объём ручных корректировок).
Валидация показателя T(t) может выполняться через сопоставление его динамики с операционными KPI: долей дефектов, объёмом переделок, временем согласования технологических отклонений, долей ручных корректировок в документации и задержками диспетчеризации.
Практически рекомендуется рассчитывать корреляционные зависимости «T(t) → KPI» на ретроспективных периодах и проверять, что снижение SKI сопровождается ростом транзакционных потерь, а рост Cpers/CAI — улучшением воспроизводимости решений. Это обеспечивает доказательность управленческой интерпретации метрики.
Тогда эффективный тезаурусный потенциал:
Предложенная форма обеспечивает принципиально важный для Индустрии 5.0 эффект: согласованность контура «человек–ИИ» не просто добавляется, а масштабирует результативность имеющегося знания, снижая потери на интерпретацию, несоответствие терминов, ручные корректировки и ошибки коммуникации.
Методика предполагает сопоставление фактических значений {Cpers, CAI, SKI} с нормативными зонами и проведение анализа для оценки разрыва между текущим и требуемым уровнем.
Для практического использования методики результаты расчётов интерпретируются не по одному показателю, а по их сочетаниям, что позволяет различать дефицит знаний персонала, недостаточность цифрового тезауруса и проблему терминологического рассогласования. Ниже приведены типовые конфигурации показателей и соответствующие приоритеты управленческих воздействий.
Управленческая интерпретация типовых ситуаций:
- Cpers↓, CAI↑: приоритет — обучение персонала и микро-курсы по «выпадающим» терминам;
- Cpers↑, CAI↓: приоритет — расширение/аудит онтологии ИИ и дообучение моделей;
- Cpers↓, CAI↓: стандартизация терминологии, ревизия документации, пересборка баз знаний;
- Cpers↑, CAI↑, SKI↓C: согласование глоссариев, терминологический реинжиниринг, интеграция языков человека и ИИ в ERP/MES.
Примеры управленческих мер:
- введение единого глоссария терминов в ERP/MES как «источника истины» с привязкой к операциям и параметрам качества;
- пересборка чек-листов и инструкций с унификацией формулировок терминов, используемых в цифровых формах и на рабочих местах;
- разработка микро-модулей обучения по терминам с максимальным вкладом wj и высоким разрывом терминологии персонала и искусственного интеллекта;
- настройка подсказок ИИ так, чтобы они использовали утверждённые определения и атрибуты терминов из Ω(t).
Следует отметить ограничения методики: точность оценки зависит от полноты и актуальности онтологии Ω(t), качества процедур аттестации, а также корректности извлечения терминов из цифрового контура. При существенных изменениях технологии, номенклатуры или регламентов требуется актуализация онтологии и пересмотр весов wj, а при сравнении разных предприятий — согласование принципов построения Ω(t) и правил калибровки нормативных зон.
При межфирменных сравнениях показатель корректен только при сопоставимых принципах построения Ω(t): одинаковых правилах нормализации терминов, единых классах сущностей (операции/дефекты/параметры качества), согласованных процедурах задания весов wj и одинаковом подходе к фиксации «частичной формализации» в . В противном случае различия могут отражать не реальную интеллектуальную зрелость, а различия в методике разметки и наполнения онтологии.
В рамках статьи показано, что в логике Индустрии 5.0 конкурентоспособность производственной системы определяется не только уровнем цифровизации, но и качеством интеллектуального контура, то есть согласованностью знаний персонала и цифровых инструментов управления в единой отраслевой онтологии.
Разработана методика количественной оценки тезаурусного потенциала на основе динамической онтологии Ω(t), включающая задание весов значимости терминов, получение долевых оценок владения терминами персоналом и их представленности в цифровом контуре, а также расчёт показателей покрытия Cpers и CAI.
Для учёта эффекта совместной работы «человек–ИИ» введён коэффициент согласованности SKI(t), позволяющий выявлять случаи, когда при высоком покрытии итоговая эффективность снижается из-за терминологического рассогласования.
Предложен интегральный показатель тезаурусного потенциала T(t) и его эффективная форма, корректируемая согласованностью, что обеспечивает управленчески интерпретируемую диагностику интеллектуальной зрелости и управляемости системы.
Показано, что результаты оценки интеллектуального уровня развития производственной системы нового поколения позволяют обосновывать приоритеты мер (обучение персонала, аудит или расширение онтологии и дообучение моделей, стандартизация терминологии и ревизия документации, интеграция языков человека и ИИ в ERP-контур).
Практическая значимость работы состоит в возможности регулярного мониторинга тезаурусных разрывов и целевого планирования организационных и цифровых улучшений, направленных на снижение транзакционных потерь и повышение воспроизводимости управленческих решений.
