Как AI помогает увеличить чистую прибыль бизнеса

Автор:

Андрей Яловенко
Коммерческий директор компании NETAMED

Контактный автор:
Андрей Яловенко, email: andreyyalovenko@yandex.ru

Главный научный вклад статьи в одном абзаце

На основе анализа практических кейсов внедрения искусственного интеллекта в коммерческих компаниях выявлена ключевая зависимость: эффективность AI напрямую определяется уровнем системности бизнес-процессов до его внедрения. AI выступает не как инструмент создания процессов, а как усилитель уже существующих управленческих и операционных моделей. В системных компаниях это приводит к кратному росту производительности и прибыли, в несистемных — к локальным улучшениям без значимого финансового эффекта.

Аннотация

В статье рассматривается влияние уровня структурированности бизнес-процессов на результат внедрения искусственного интеллекта в коммерческих организациях. На основе анализа практических кейсов показано, что AI не является самостоятельным инструментом трансформации бизнеса, а усиливает существующую систему управления. В системных компаниях это приводит к значительному росту производительности, улучшению конверсии и оптимизации затрат. В компаниях с невыстроенными процессами эффект носит локальный характер и не приводит к кратному росту прибыли. Предложен практический подход к оценке готовности бизнеса к внедрению AI и описана последовательность подготовки компании к получению максимального эффекта от технологий.

Аннотация для междисциплинарного автора (до 120 слов)

Искусственный интеллект может значительно увеличить прибыль бизнеса, но только при одном условии — если в компании уже есть порядок. Если процессы понятны и работают стабильно, AI помогает ускорить работу, снизить расходы и увеличить продажи. Если же процессы не выстроены, он не решает проблемы, а лишь делает их более заметными. В статье объясняется, почему одни компании получают кратный рост после внедрения AI, а другие — нет, и что нужно сделать, чтобы технологии действительно начали работать на результат.

Ключевые слова:

искусственный интеллект в бизнесе; автоматизация процессов; цифровая трансформация; управление бизнес-процессами; повышение эффективности; коммерческая аналитика

Почему это важно сейчас: Запросы на внедрение AI в действующий бизнес — один из самых популярных трендов последних лет. Компании рассматривают технологии как способ ускорить рост и сократить издержки. Однако на практике результаты сильно различаются. Понимание причин этой разницы становится ключевым фактором для принятия управленческих решений и эффективного использования AI.

Кому именно будет полезна эта работа?

Собственникам бизнеса, топ-менеджерам, специалистам по цифровой трансформации.

Где её можно применить уже сейчас?

В компаниях с уже работающими процессами, при масштабировании бизнеса, при оптимизации затрат.

Какое исследование логично продолжит эту статью?

Какие бизнес-процессы дают максимальный ROI от AI

Не все зоны бизнеса одинаково реагируют на внедрение AI. Это исследование показывает, где AI быстрее всего даёт рост прибыли и какие процессы стоит автоматизировать в первую очередь.

Почему внедрение AI не даёт результата

Большая часть компаний не получает ожидаемого эффекта от AI не из-за технологий, а из-за внутренних ограничений. Разбор типовых ошибок позволяет понять, на каком этапе теряется результат и что с этим делать.

Как меняется unit-экономика после внедрения AI

AI влияет не на абстрактную «эффективность», а на конкретные метрики бизнеса. Исследование показывает, как меняются CAC, конверсия, LTV и маржинальность после внедрения.

Открытые вопросы к научному сообществу

Какая минимальная степень формализации бизнес-процессов необходима, чтобы внедрение AI начинало давать измеримый рост прибыли?

Можно ли это описать через универсальные критерии или метрики, применимые к разным отраслям?

Как количественно оценить вклад AI в рост чистой прибыли в компаниях с разным уровнем системности?

И где проходит граница, после которой внедрение AI перестаёт давать экономический эффект без изменений в управлении и процессах?

СТАТЬЯ

Введение

Запросы на внедрение AI в действующий бизнес — один из самых популярных в 2026 году. Ключевых причин у этого тренда две: возможность заработать и возможность сэкономить. После внедрения AI-решений у одних компаний производительность взлетает в десятки раз, у других почти ничего не меняется. Как это может быть? Наш опыт показывает, что всё зависит от структуры бизнес-процессов до внедрения AI и готовности команды к изменениям. Десятки кейсов позволяют собрать статистику и подготовить нечто вроде чек-листа для проверки готовности бизнеса к росту при помощи AI.

Как выглядит идеальная ситуация перед внедрением AI?

Представим бизнес, в котором уже отлажена «цепочка создания ценности Портера». Продуктовая линейка собрана под запросы целевой аудитории, каналы продаж в онлайне и офлайне хорошо известны, эффективность работы измеряется в цифрах, команда обучена и каждый сотрудник понимает свою роль в цепочке создания стоимости. Представили? Вот такому бизнесу внедрение AI даст резкий и качественный рост производительности.

Благодаря AI в системном бизнесе можно добиться роста в десятки раз. Вот несколько примеров усиления, которые подтвердили свою эффективность на практике в проекта наших клиентов.

Быстрое тестирование гипотез в маркетинге. AI позволит запускать на тесты в 5-10 раз больше текстов, визуала и офферов. Это позволит быстрее найти новые продающие связки.

Персонализация коммерческих предложений. Понимание ЦА, сегментов и аватаров клиентов и лидов позволит AI предлагать индивидуальные офферы, отыгрывать десятки и сотни сценариев взаимодействия, тестировать новые триггеры. Это приведёт к росту конверсии.

Прогноз спроса. Ориентируясь на накопленную аналитику, цифры и факты AI может предсказать спрос на товары, пиковые периоды продаж и периоды просадки. Реализация прогноза приводит к оптимизации продуктовой линейки и складских запасов, уменьшению неликвида и, как следствие, росту чистой прибыли

Усиление работы отдела продаж и службы клиентского сервиса. AI анализирует диалоги, выявляет ошибки, подсказывает ответы. В результате растёт конверсия продажах, допродажах, LTV клиента.

Автоматизация рутины. Направление, которое сокращает расходы бизнеса. Отчёты, сводки и другие операционные задачи можно смело делегировать AI.

Выше шла речь о системном бизнесе, у которого была отлаженная структура. К сожалению, такие бизнесы скорее исключение, чем правило.

Как AI работает в бизнесе, где нет пока системного подхода

А теперь представим другой бизнес. Продуктовая линейка есть, но она сформирована скорее как набор товаров и услуг, чем как единая система. Целевая аудитория изучалась, проводились исследования, но в ежедневной работе эти данные используются не всегда

Стандарты для сотрудников разработаны, обучение проводилось, однако система контроля исполнения пока не выстроена до конца.

Цифры и результаты фиксируются, но не на постоянной основе.

AI-модели без дополнительного объяснения не понимают как устроен именно ваш бизнес, какие есть нюансы, где слабые места вашей компании, что вы и ваша команда считаете результатом, на какие цифры ориентируетесь, принимая решения. Если не сформирована система работы — AI самостоятельно её не создаст.

Может показаться, что AI внедряется в бизнес целиком, заменяет неэффективных сотрудников и сам предлагает управленческие решения. В действительности AI усиливает и помогает оперирование внутри текущих бизнес-процессов. Если процесс есть, то за счёт искусственного интеллекта он будет ускорен. Если же процесса нет, то не будет и ускорения

Внедрение AI в бизнесе без системных бизнес-процессов возможно. И на отдельных участках это может дать заметный эффект. Приведем несколько примеров.

Улучшение качества контента. Сотрудники смогут быстро готовить качественные тексты, делать описания, создавать новый визуальный контент. Это улучшит результаты, но без системного подхода не приведет к кратному росту продаж.

Рост клиентского сервиса и качества общения. AI помогает быстрее формулировать и оформлять ответы на вопросы для поддержания вежливого клиентоориентированного диалога.

Общение на различных языках мира. Современные языковые модели поддерживают качественные переводы на большинство популярных языков мира.

Генерация новых идей. AI позволяет быстрее придумывать акции, тестировать офферы, искать новые форматы коммуникации. Появляется движение, но без аналитики сложно отследить его эффективность.

Структурирование информации. AI помогает собрать разрозненные мысли, оформить их в идеи и подготовить к презентации

Где AI действительно даёт результат

Наибольший эффект искусственный интеллект даёт в тех зонах бизнеса, где уже есть порядок и понятная логика работы. К таким зонам, как правило, относятся: маркетинг, продажи, клиентский сервис, типовые, повторяющиеся задачи, аналитика и прочее.

На этапе подготовки к внедрению имеет смысл остановиться и задать себе несколько вопросов:

1. Понятно ли, какие продукты вы продаёте и какую задачу клиента они решают?

2. Понятно ли, кто является вашей целевой аудиторией и какие у неё ожидания?

3. Можно ли описать ключевые бизнес-процессы от первого контакта с клиентом до получения выручки?

4. Назначены ли ответственные за каждый этап?

5. Фиксируются ли результаты в цифрах на постоянной основе?

Если на часть этих вопросов нет однозначного ответа, проблема, как правило, лежит не в технологиях, а на уровне менеджмента и выстраивания бизнес-процессов.

Как подготовить бизнес к внедрению AI

Практика внедрений показывает, что последовательность действий остаётся практически неизменной. Сначала необходимо разобраться в том, как бизнес работает сейчас, разделить деятельность на отдельные процессы, выявить узкие места, которые ограничивают результат, минимизировать такие ограничения, зафиксировать правила и стандарты работы. И только после этого подключать AI-инструменты.

Заключения

AI либо усиливает бизнес, либо усиливает его ограничения. Поэтому рост чистой прибыли определяется не выбором технологии, а уровнем понимания процессов внутри компании.

Если в бизнесе есть система — AI ускоряет её, масштабирует и делает эффективнее. Если системы нет — он лишь добавляет скорости в текущий хаос. Если вы планируете кратно вырасти в 2026 году, AI действительно может стать одним из ключевых драйверов роста. Но только в том случае, если в компании уже есть процессы, которые можно описать, измерить и улучшить. Во всех остальных случаях начинать стоит не с технологий, а с управления.

Список литературы

Porter M., Competitive Advantage: Creating and Sustaining Superior Performance. — New York: Free Press, 1985.

Davenport T., Process Innovation: Reengineering Work through Information Technology. — Boston: Harvard Business School Press, 1993.

King K., AI Strategy for Sales and Marketing: Connecting Marketing, Sales and Customer Experience. — London: Kogan Page, 2019.

Narayanan A., Kapoor S. AI Snake Oil: What Artificial Intelligence Can Do, What It Can’t, and How to Tell the Difference. — Princeton: Princeton University Press, 2024.

Crawford K. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. — New Haven: Yale University Press, 2021.

Проект «АЗА» как модель предиктивной медицины: перспективы масштабирования персонализированного медицинского ИИ на национальную систему здравоохранения

Автор:

Абишев О.А. - доктор философии (PhD) в области информационно-коммуникационных технологий, эксперт в сфере искусственного интеллекта, цифрового здравоохранения и государственной цифровой трансформации.

Главный научный вклад статьи в одном абзаце

В статье обоснована возможность перехода от реактивной модели здравоохранения к предиктивной на основе использования государственных медицинских данных и методов искусственного интеллекта. На базе анализа инфраструктуры цифрового здравоохранения Республики Казахстан и кейса проекта «Аза» предложена концептуальная архитектура национальной системы раннего предупреждения заболеваний. Показано, что интеграция электронных медицинских записей, лабораторных данных и аналитических моделей позволяет выявлять риски заболеваний на ранних стадиях и повышать эффективность клинических решений. Работа вносит вклад в развитие подходов к масштабированию персонализированных AI-систем на уровень государственной системы здравоохранения.

Аннотация

Развитие цифровых технологий и накопление больших массивов медицинских данных создают новые возможности для трансформации системы здравоохранения. В настоящее время большинство систем здравоохранения функционируют в рамках реактивной модели, при которой диагностика и лечение заболеваний начинаются после появления клинических симптомов. Однако анализ медицинских данных с использованием методов искусственного интеллекта позволяет выявлять закономерности развития заболеваний и прогнозировать риски на ранних стадиях.

В данной работе рассматривается проект «Аза» как пилотная модель применения персонализированного медицинского искусственного интеллекта для анализа состояния пациента и поддержки клинических решений. На основе этого кейса предлагается концепция масштабирования персонализированных аналитических систем на уровень национальной системы здравоохранения с использованием данных государственных медицинских информационных систем.

Показано, что существующие данные электронных медицинских карт, лабораторных исследований и клинических наблюдений могут быть использованы для построения моделей раннего выявления рисков заболеваний и формирования системы предиктивной медицины. Проведён сравнительный анализ международного опыта внедрения предиктивной медицины.

Предложенная архитектура демонстрирует возможность перехода от реактивной модели лечения заболеваний к системе раннего предупреждения и профилактики на уровне всей системы здравоохранения.

Аннотация для междисциплинарного автора

Большинство систем здравоохранения реагируют на заболевание уже после появления симптомов, что ограничивает возможности профилактики. В статье показано, как использование медицинских данных и методов искусственного интеллекта позволяет выявлять риски заболеваний на ранних стадиях. Рассматривается пример проекта «Аза», где персонализированная система ИИ помогала анализировать состояние пациента и поддерживать принятие решений по лечению. На основе этого опыта предложена модель масштабирования подобных решений на уровень всей системы здравоохранения. Такой подход позволяет переходить от лечения заболеваний к их раннему предупреждению, повышать эффективность медицинской помощи и более рационально использовать ресурсы.

Ключевые слова

искусственный интеллект в медицине; предиктивная медицина; медицинские данные; цифровое здравоохранение; персонализированная медицина; система раннего предупреждения заболеваний.

Почему это важно сейчас

Рост хронических заболеваний, старение населения и увеличение нагрузки на системы здравоохранения требуют перехода от лечения последствий к раннему выявлению рисков. При этом в большинстве стран уже накоплены значительные массивы медицинских данных, которые остаются недоиспользованными и применяются преимущественно для отчётности. Развитие методов искусственного интеллекта создаёт возможность анализа этих данных для прогнозирования заболеваний и поддержки клинических решений. В этих условиях формирование систем предиктивной медицины становится необходимым этапом трансформации здравоохранения, позволяющим повысить эффективность медицинской помощи и снизить экономическую нагрузку на систему.

1. Введение

В последние десятилетия системы здравоохранения во многих странах сталкиваются с ростом хронических заболеваний, увеличением продолжительности жизни населения и ростом расходов на медицинскую помощь. По данным Всемирной организации здравоохранения, неинфекционные заболевания, включая сердечно-сосудистые заболевания, диабет и онкологические патологии, являются причиной более 70% всех случаев смертности в мире [1].

Традиционная модель организации медицинской помощи в большинстве стран остаётся реактивной: диагностика и лечение заболеваний начинаются после появления выраженных клинических симптомов. Такой подход ограничивает возможности раннего вмешательства и приводит к значительным экономическим затратам на лечение осложнений хронических заболеваний.

Развитие цифровых технологий и внедрение электронных медицинских записей существенно изменили возможности анализа медицинских данных. Электронные медицинские карты, лабораторные исследования и результаты диагностических процедур формируют большие массивы клинической информации, которые могут использоваться для анализа состояния здоровья пациентов и выявления закономерностей развития заболеваний [3].

Современные методы машинного обучения позволяют анализировать медицинские данные с целью прогнозирования риска заболеваний, госпитализаций и осложнений. Ряд исследований показывает, что алгоритмы искусственного интеллекта способны выявлять сложные взаимосвязи между клиническими показателями и прогнозировать развитие заболеваний на ранних этапах [4; 5].

В Казахстане за последние годы была создана инфраструктура цифрового здравоохранения, включающая медицинские информационные системы, электронные медицинские карты и централизованные базы медицинских данных. Однако основной функцией этих систем остаётся административный учёт медицинских услуг и формирование статистической отчётности.

Одновременно появляются практические примеры использования искусственного интеллекта для анализа медицинских данных и поддержки клинических решений. Один из таких случаев описан в проекте «Аза», где персонализированная система искусственного интеллекта анализировала симптомы пациента и медицинские данные, помогая корректировать терапию и достигнуть устойчивой ремиссии заболевания [6].

Данный опыт показывает потенциал применения аналитических систем искусственного интеллекта в медицине и поднимает вопрос о возможности масштабирования подобных решений на уровень всей системы здравоохранения.

Целью данной работы является анализ возможностей использования государственных медицинских данных для создания системы предиктивной медицины и разработка концептуальной архитектуры национальной системы раннего предупреждения заболеваний.

2. Потенциал данных информационных систем здравоохранения для предиктивной медицины

Развитие цифрового здравоохранения привело к формированию значительных массивов медицинских данных, которые могут использоваться для анализа состояния здоровья населения и прогнозирования развития заболеваний. Электронные паспорта здоровья позволяют фиксировать широкий спектр клинической информации, включая диагнозы, результаты лабораторных исследований, назначения лекарственных препаратов и данные диагностических процедур [3].

В Казахстане с 2016 по 2020 годы была сформирована инфраструктура электронного здравоохранения, включающая медицинские информационные системы, электронные паспорта здоровья пациентов и централизованные базы медицинских данных. Эти системы аккумулируют информацию о медицинских обращениях, госпитализациях, лабораторных исследованиях и результатах скрининговых программ.

К основным категориям данных, которые могут использоваться для предиктивной аналитики, относятся:

• диагнозы пациентов, классифицированные по международной классификации болезней;
• результаты лабораторных анализов;
• данные инструментальной диагностики;
• информация о назначенных лекарственных препаратах;
• сведения о госпитализациях и амбулаторных обращениях;
• результаты скрининговых обследований.

Такие данные формируют долгосрочную медицинскую историю пациента, позволяя анализировать изменения состояния здоровья во времени. Использование электронных паспортов здоровья открывает возможности для выявления скрытых закономерностей между клиническими показателями и развитием заболеваний.

Методы машинного обучения позволяют анализировать большие массивы медицинских данных и выявлять сложные взаимосвязи между различными факторами риска. В международной практике подобные алгоритмы используются для прогнозирования госпитализаций, выявления ранних признаков хронических заболеваний и оценки вероятности осложнений [4].

Одним из ключевых преимуществ государственных медицинских информационных систем является масштаб данных. В отличие от отдельных медицинских организаций, национальные системы здравоохранения аккумулируют данные о значительной части населения, что позволяет анализировать медицинскую информацию на уровне всей страны.

Использование таких данных для построения аналитических моделей открывает возможности для перехода от традиционной реактивной модели медицинской помощи к системе раннего выявления рисков заболеваний. Подобные подходы лежат в основе концепции предиктивной медицины, где ключевую роль играет анализ медицинских данных и прогнозирование развития заболеваний на основе статистических закономерностей [5].

Таким образом, существующие данные информационных систем здравоохранения могут рассматриваться как основа для разработки систем предиктивной медицины, направленных на раннее выявление заболеваний и повышение эффективности медицинской помощи.

3. Проект «Аза» как пилотная модель персонализированной предиктивной медицины

Практическим примером применения аналитических возможностей искусственного интеллекта в медицине может служить проект «Аза», реализованный как эксперимент по созданию персонализированного ИИ-ассистента для анализа состояния пациента с тяжёлой формой эпилепсии и сопутствующими нарушениями сердечного ритма.

В рамках проекта была разработана система искусственного интеллекта, способная анализировать медицинские данные пациента, включая историю заболевания, результаты обследований, симптомы и динамику состояния. Система использовала алгоритмы анализа медицинских данных и научных публикаций для выявления возможных закономерностей между клиническими проявлениями заболевания и проводимой терапией.

Особенностью проекта являлась высокая степень персонализации системы. В отличие от универсальных медицинских алгоритмов, персонализированный ИИ-ассистент был ориентирован на анализ данных конкретного пациента, что позволяло учитывать индивидуальные особенности заболевания и динамику клинических показателей.

В процессе работы система фиксировала симптомы пациента, анализировала историю заболевания и формировала аналитические рекомендации, которые могли использоваться для корректировки терапии. Использование такого подхода позволило своевременно выявлять изменения состояния пациента и принимать решения о корректировке лечения.

По данным опубликованного описания проекта, применение персонализированного ИИ-ассистента позволило стабилизировать состояние пациента и достичь устойчивой ремиссии заболевания [6].

Несмотря на то, что данный проект был реализован на уровне одного пациента, он демонстрирует принципиальную возможность использования аналитических систем искусственного интеллекта для анализа медицинских данных и поддержки клинических решений.

С научной точки зрения проект «Аза» может рассматриваться как пилотная модель персонализированной предиктивной медицины. Полученные результаты показывают, что анализ медицинских данных с использованием алгоритмов искусственного интеллекта способен выявлять закономерности в развитии заболевания и повышать эффективность контроля состояния пациента.

В более широком контексте данный опыт позволяет рассматривать возможность масштабирования подобных систем на уровень национальной системы здравоохранения. Использование государственных медицинских данных в сочетании с аналитическими алгоритмами может создать основу для формирования систем раннего предупреждения заболеваний и перехода к модели предиктивной медицины.

4. Архитектура масштабирования персонализированного медицинского ИИ на национальную систему здравоохранения

Опыт проекта «Аза» демонстрирует, что персонализированные системы искусственного интеллекта способны эффективно анализировать медицинские данные пациента и поддерживать принятие клинических решений. Однако наибольший потенциал подобных технологий проявляется при их масштабировании на уровень всей системы здравоохранения.

Масштабирование персонализированного медицинского ИИ предполагает использование существующих государственных медицинских данных для формирования аналитической инфраструктуры, способной выявлять риски заболеваний на ранних стадиях. Основой такой системы могут стать данные электронных медицинских карт, лабораторных исследований, результатов диагностики, назначений лекарственных препаратов и информации о госпитализациях.

Концептуальная архитектура национальной системы предиктивной медицины может включать несколько взаимосвязанных уровней.

Рисунок 1 — Архитектура системы предиктивной медицины

Рис 1 - Архитектура системы предиктивной медицины

5. Ожидаемые результаты внедрения системы предиктивной медицины

Внедрение систем предиктивной медицины на основе анализа государственных медицинских данных может оказать значительное влияние на эффективность функционирования системы здравоохранения. Использование алгоритмов искусственного интеллекта для анализа клинических данных позволяет выявлять риски заболеваний на ранних стадиях и принимать профилактические меры до развития осложнений.

Одним из наиболее значимых результатов может стать улучшение ранней диагностики хронических заболеваний. Анализ медицинских данных в динамике позволяет выявлять изменения клинических показателей, которые могут свидетельствовать о развитии заболевания задолго до появления выраженных симптомов. Подобные подходы уже применяются в международной практике для прогнозирования сердечно-сосудистых заболеваний, диабета и других хронических патологий [5].

Вторым важным эффектом может стать снижение количества госпитализаций. Раннее выявление факторов риска позволяет проводить профилактические мероприятия и корректировать терапию на амбулаторном этапе, что уменьшает вероятность развития тяжёлых осложнений.

Использование аналитических систем также может повысить эффективность использования ресурсов системы здравоохранения. Анализ больших медицинских данных позволяет выявлять группы населения с повышенным риском заболеваний и направлять профилактические программы на наиболее уязвимые категории пациентов.

Дополнительным эффектом может стать повышение качества медицинской помощи. Системы искусственного интеллекта способны анализировать медицинские данные пациента и формировать аналитические отчёты о динамике состояния здоровья, что помогает врачам принимать более обоснованные клинические решения [4].

В более широком масштабе внедрение систем предиктивной медицины может привести к переходу системы здравоохранения от модели лечения заболеваний к модели профилактики и раннего предупреждения рисков. Такой подход соответствует современным тенденциям развития цифрового здравоохранения и позволяет повысить эффективность медицинской помощи на уровне всей системы здравоохранения.

5.1. Измеримые эффекты внедрения предиктивной медицины (KPI)

Оценка возможного эффекта внедрения системы предиктивной медицины может быть выполнена на основе международных исследований применения искусственного интеллекта в здравоохранении и статистических показателей системы здравоохранения Казахстана.

Согласно исследованиям применения аналитических моделей в здравоохранении, использование систем раннего предупреждения заболеваний позволяет снижать количество госпитализаций на 10–20% за счёт раннего выявления ухудшения состояния пациентов и своевременной коррекции терапии [4;5].

По данным статистики здравоохранения, в Казахстане ежегодно происходит около 3–3,5 млн госпитализаций. При внедрении предиктивных систем раннего выявления рисков заболеваний потенциальное снижение числа госпитализаций может составить:

300 000 – 600 000 предотвращённых госпитализаций в год.

Наиболее значительный эффект ожидается для следующих групп заболеваний:

• сердечно-сосудистые заболевания
• сахарный диабет
• хронические заболевания дыхательной системы
• осложнения хронических заболеваний.

Другим важным показателем является снижение смертности от хронических неинфекционных заболеваний. По данным Всемирной организации здравоохранения, около 70% смертей связано с хроническими заболеваниями [1]. Использование систем раннего выявления факторов риска позволяет проводить профилактические мероприятия и снижать вероятность развития тяжёлых осложнений.

Международные исследования показывают, что использование аналитических систем в здравоохранении может снизить смертность от хронических заболеваний на 5–10% за счёт более раннего вмешательства [5].

С учётом того, что ежегодное количество смертей в Казахстане составляет около 180–190 тысяч, потенциальный эффект внедрения системы предиктивной медицины может составить:

9 000 – 18 000 предотвращённых смертей ежегодно.

Дополнительным экономическим эффектом может стать снижение расходов системы здравоохранения. Международный опыт показывает, что раннее выявление заболеваний позволяет снизить расходы на лечение хронических заболеваний на 8–15%, поскольку лечение осложнений значительно дороже профилактических мероприятий.

Таким образом, использование аналитических систем искусственного интеллекта на основе государственных медицинских данных может привести к значительному улучшению ключевых показателей эффективности системы здравоохранения.

6. Международный опыт применения предиктивной медицины

Развитие предиктивной медицины является одним из ключевых направлений трансформации систем здравоохранения в различных странах. Использование больших медицинских данных и алгоритмов искусственного интеллекта позволяет анализировать состояние здоровья населения и прогнозировать развитие заболеваний на ранних этапах.

В Соединённых Штатах Америки методы машинного обучения активно применяются для анализа электронных медицинских записей и прогнозирования клинических исходов. Исследования показывают, что алгоритмы искусственного интеллекта могут использоваться для прогнозирования госпитализаций, развития осложнений и оценки риска различных заболеваний на основе анализа больших медицинских датасетов [4].

В Великобритании подобные подходы используются в рамках развития цифровой инфраструктуры Национальной службы здравоохранения (NHS). Аналитические системы позволяют анализировать данные пациентов и выявлять группы высокого риска, что помогает медицинским специалистам проводить профилактические мероприятия и корректировать лечение на ранних стадиях заболевания.

Одним из наиболее известных примеров цифрового здравоохранения является Эстония, где национальная система электронных медицинских записей интегрирует данные о пациентах на уровне всей страны. Такая инфраструктура позволяет использовать медицинские данные для аналитики, поддержки клинических решений и разработки новых цифровых сервисов в здравоохранении.

Южная Корея также активно внедряет технологии искусственного интеллекта в систему здравоохранения. Использование аналитических платформ и медицинских данных позволяет развивать системы раннего выявления заболеваний и оптимизировать управление медицинскими ресурсами.

Сравнительный анализ показывает, что ключевым фактором развития предиктивной медицины является наличие масштабных медицинских данных и развитой цифровой инфраструктуры здравоохранения. В этом контексте Казахстан обладает значительным потенциалом для развития подобных систем благодаря существующим медицинским информационным системам и накопленным данным о состоянии здоровья населения.

Использование этих данных в сочетании с аналитическими алгоритмами может создать условия для формирования национальной системы предиктивной медицины, ориентированной на раннее выявление заболеваний и повышение эффективности медицинской помощи.

7. Ограничения и риски применения предиктивных медицинских систем

Несмотря на значительный потенциал использования искусственного интеллекта и больших медицинских данных для развития предиктивной медицины, внедрение подобных систем связано с рядом ограничений и рисков.

Одним из ключевых факторов является качество и полнота медицинских данных. Электронные паспорта здоровья могут содержать неполные или неоднородные данные, что может влиять на точность аналитических моделей. Различия в практике ведения медицинской документации между медицинскими организациями также могут создавать дополнительные сложности для анализа данных.

Вторым важным аспектом является необходимость обеспечения конфиденциальности и безопасности медицинской информации. Использование больших массивов персональных медицинских данных требует строгого соблюдения норм защиты информации и разработки механизмов безопасной обработки данных.

Дополнительным фактором является необходимость интеграции аналитических систем в существующие клинические процессы. Эффективность предиктивных систем во многом зависит от того, насколько результаты аналитики могут быть использованы медицинскими специалистами в практической работе.

Также следует учитывать, что алгоритмы искусственного интеллекта должны рассматриваться как инструмент поддержки принятия решений, а не как замена медицинского специалиста. Окончательные клинические решения должны приниматься врачом на основе комплексной оценки состояния пациента.

Таким образом, развитие систем предиктивной медицины требует не только технологических решений, но и организационных изменений в системе здравоохранения, направленных на повышение качества медицинских данных и интеграцию аналитических инструментов в медицинскую практику.

8. Заключение

Развитие цифровых технологий и накопление больших массивов медицинских данных создают новые возможности для трансформации системы здравоохранения. Использование методов искусственного интеллекта позволяет анализировать медицинские данные и выявлять закономерности развития заболеваний, что открывает перспективы перехода к модели предиктивной медицины.

Проведённый анализ показывает, что существующие данные медицинских информационных систем могут служить основой для создания систем раннего предупреждения заболеваний. Использование электронных медицинских записей, лабораторных исследований и других клинических данных позволяет формировать аналитические модели для выявления рисков заболеваний на ранних стадиях.

Проект «Аза» демонстрирует практическую возможность применения персонализированных аналитических систем искусственного интеллекта для анализа состояния пациента и поддержки клинических решений. Полученные результаты показывают потенциал подобных технологий для повышения эффективности контроля состояния пациентов и корректировки терапии.

Масштабирование подобного подхода на уровень национальной системы здравоохранения может создать основу для формирования системы предиктивной медицины, ориентированной на профилактику заболеваний и раннее выявление рисков.

В долгосрочной перспективе интеграция аналитических систем искусственного интеллекта и государственных медицинских данных может способствовать повышению эффективности медицинской помощи, оптимизации использования ресурсов системы здравоохранения и улучшению показателей здоровья населения.

Список литературы

1. World Health Organization.
2. Global Health Estimates: Leading causes of death and disability. — Geneva: WHO, 2022.
3. Topol E.
4. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. — New York: Basic Books, 2019.
5. Jensen P.B., Jensen L.J., Brunak S.
6. Mining electronic health records: towards better research applications and clinical care // Nature Reviews Genetics. — 2012. — Vol. 13. — P. 395–405.
7. Rajkomar A., Dean J., Kohane I.
8. Machine learning in medicine // New England Journal of Medicine. — 2019. — Vol. 380. — P. 1347–1358.
9. Esteva A., Robicquet A., Ramsundar B. et al.
10. A guide to deep learning in healthcare // Nature Medicine. — 2019. — Vol. 25. — P. 24–29.
11. Кутубаева А.
12. Как искусственный интеллект помог подростку из Казахстана выйти в ремиссию и вернуться к нормальной жизни // OrkenLink Media. — URL:
13. https://orkenlink.kz/media/news-and-trends/ai-pomog-podrostku-s-ehpilepsiej (дата обращения: 10.03.2026).

European Commission.

Artificial Intelligence in Healthcare: Applications and Challenges. — Brussels: European Commission, 2020.

Автор:

Айжан Наурзгалиева

Президент Казахстанской ассоциации сахарной, пищевой и перерабатывающей промышленности

Контактный автор:

А. Наурзгалиева, email: info@science-fund.kz

Главный научный вклад статьи в одном абзаце

В статье показано, что ключевой причиной нестабильности сахарной отрасли Казахстана являются не климат и не технологии, а ошибки в модели регулирования рынка. С помощью инструментов искусственного интеллекта доказано, что такие решения, как обязательная биржевая торговля и налоговая нагрузка на сырьё, создают более сильное давление на отрасль, чем аграрные факторы. Предложена практическая модель «цифровой диагностики политики», позволяющая до принятия решений прогнозировать их экономические последствия и предотвращать системные кризисы.

Сахарная отрасль Казахстана демонстрирует устойчивый дисбаланс: при наличии государственной поддержки отрасль остаётся зависимой от импорта, а внутренние производители теряют конкурентоспособность. В статье предлагается иной взгляд на причины кризиса — не через призму сельского хозяйства, а через анализ регуляторных решений. С использованием моделей искусственного интеллекта проведена оценка влияния различных факторов на устойчивость отрасли. Результаты показывают, что регуляторные ограничения оказывают более значимое влияние на рынок, чем природные условия или урожайность. Предложена модель цифровой оценки решений, позволяющая снизить риски и повысить эффективность государственной политики.

Обычно считается, что проблемы сельского хозяйства связаны с погодой или урожаем. Но в случае с сахаром в Казахстане ситуация другая: ключевые трудности создаются правилами работы рынка. Мы использовали искусственный интеллект, чтобы проверить это, и получили неожиданный результат — именно регулирование сильнее всего влияет на цены и устойчивость отрасли. Это значит, что ситуацию можно изменить быстрее, чем кажется.

Ключевые слова: искусственный интеллект; регулирование; сахарная отрасль; продовольственная безопасность; Казахстан; экономическая политика

Почему это важно сейчас: Сахарная отрасль Казахстана оказалась в ситуации, когда ошибки регулирования начинают давать отложенный, но уже необратимый эффект.

Во-первых, усиливается зависимость от импорта. При росте внутреннего потребления значительная часть рынка закрывается внешними поставками, что делает страну уязвимой к ценовым и политическим шокам.

Во-вторых, текущая модель регулирования фактически вытесняет отечественного производителя. Обязательная биржевая торговля и налоговая нагрузка создают дополнительные издержки, из-за которых производство становится менее выгодным, чем импорт.

В-третьих, накапливается риск структурного кризиса: снижение рентабельности, деградация сырьевой базы и потенциальная остановка производственных мощностей.

Ключевой момент — это не долгосрочная угроза, а уже происходящий процесс.

1. Кому именно будет полезна эта работа?
Эта работа адресована тем, кто реально влияет на состояние отрасли, а не наблюдает за ней со стороны.

Государственным органам (МНЭ, МСХ, МТИ) — как инструмент проверки последствий регуляторных решений до их внедрения. Модель позволяет увидеть, какие меры усиливают рынок, а какие создают скрытые издержки и искажения.

Руководителям сахарных заводов и отраслевых ассоциаций — для аргументированной позиции в диалоге с государством. Работа даёт количественные доказательства того, что проблема отрасли носит не только производственный, но и институциональный характер.

Аналитическим центрам и разработчикам политики — как пример перехода от экспертных оценок к data-driven подходу в агропромышленном секторе.

Инвесторам и финансовым институтам — для понимания реальных рисков отрасли, которые связаны не столько с рынком, сколько с регулированием.

Научному сообществу — как модель применения искусственного интеллекта не в производстве, а в анализе экономической политики.

2. Где её можно применить уже сейчас?

Госрегулирование — для проверки последствий решений (биржи, НДС) до их внедрения.

Сахарные заводы — для прогнозирования рентабельности и загрузки мощностей.

Фермеры и кооперативы — для планирования урожайности и посевов.

Система продбезопасности — для раннего выявления дефицита и ценовых рисков.

Цифровые платформы АПК — как модуль аналитики и прогнозирования.

3. Какое исследование логично продолжит эту статью?

Следующий шаг — переход от диагностики к пилотному внедрению цифровой модели управления отраслью.

Речь идет о создании и тестировании цифрового двойника сахарной отрасли Казахстана, который в реальном времени будет:

Практическая задача такого исследования — доказать на пилоте, что это позволяет снизить ценовую волатильность и зависимость от импорта.

Открытые вопросы к научному сообществу

Введение

Сахарная отрасль Казахстана находится в состоянии устойчивого дисбаланса: при наличии государственной поддержки и курса на импортозамещение сохраняется высокая зависимость от импорта, нестабильность цен и снижение рентабельности производства. Это противоречие указывает на более глубокую проблему — разрыв между целями государственной политики и фактическими механизмами регулирования рынка.

Ключевая гипотеза работы заключается в том, что основным источником нестабильности отрасли являются не климатические или технологические ограничения, а институциональные и регуляторные факторы. Для её проверки применяется подход на основе искусственного интеллекта, позволяющий количественно оценить влияние различных факторов и выявить, какие решения усиливают кризис, а какие — способны его предотвратить.

Методология

Исследование основано на подходе data-driven анализа, в котором проверяется ключевая гипотеза: влияние регуляторных решений на устойчивость сахарной отрасли превышает влияние аграрных и климатических факторов. Для этого объединены отраслевые данные по производству сахара, импорту и экспорту, ценовой динамике, погодным условиям, а также параметрам регулирования (биржевая торговля, налоговая нагрузка, субсидии). Данные приведены к единому временному ряду и использованы для сопоставления влияния различных факторов на ключевые показатели отрасли.

В рамках исследования применена комбинированная модель искусственного интеллекта. Для прогнозирования урожайности сахарной свеклы использовалась рекуррентная нейронная сеть (LSTM), учитывающая погодные и агротехнические параметры. Для оценки влияния рыночных и регуляторных факторов на цену сахара применялась модель градиентного бустинга (XGBoost), позволяющая определить относительный вклад каждого фактора.

Дополнительно использовался сценарный анализ, в котором моделировались изменения регуляторной среды (например, отмена биржевой торговли) и оценивалось их влияние на устойчивость отрасли. Такой подход позволил перейти от качественных оценок к количественному обоснованию роли регуляторных решений.

Формула устойчивости отрасли

S=P−(I+R+C)

где:

S — устойчивость отрасли

P — производство

I — импорт

R — регуляторные потери

C — издержки

Интуитивно эта формула отражает простой, но критически важный баланс: отрасль устойчива тогда, когда внутреннее производство перекрывает давление импорта, регуляторных ограничений и издержек. При этом параметр R (регуляторные потери) является ключевым элементом модели, так как он включает неявные эффекты, которые не фиксируются напрямую в статистике, но существенно влияют на рынок.

К регуляторным потерям относятся:

Особенность модели заключается в том, что в отличие от традиционных подходов параметр R может быть оценен через данные — с использованием моделей машинного обучения, которые позволяют выявить его вклад в изменение цен и объемов рынка.

Эта формула позволяет перейти от качественного понимания проблем к количественной оценке: если вклад R превышает влияние климатических или производственных факторов, это означает, что именно регулирование становится ключевым источником нестабильности отрасли.

Таким образом, формула устойчивости позволяет не только зафиксировать текущий баланс отрасли, но и разложить его на управляемые и неуправляемые компоненты. Это принципиально важно: если производство и климат частично заданы внешними условиями, то регуляторные потери и издержки могут быть изменены через управленческие решения. Однако сама по себе формула не объясняет, как именно формируется влияние каждого фактора и каким образом оно проявляется в динамике рынка. Для этого используется интегрированная модель искусственного интеллекта, которая связывает данные, прогнозы и управленческие решения в единую систему анализа. Логика работы этой модели представлена на рисунке 1.

Рисунок 1– Архитектура модели

Таким образом, предложенная архитектура модели позволяет не только интегрировать разнородные данные, но и количественно оценить вклад каждого фактора в формирование устойчивости отрасли. Ключевая задача на данном этапе — перейти от теоретической конструкции к проверке гипотезы о доминирующем влиянии регуляторных решений.

В результате моделирования становится возможным ответить на ключевой вопрос исследования: какой фактор в действительности определяет динамику отрасли — климат, рынок или регулирование.

Итоги этого анализа представлены в разделе 3, где приведены количественные оценки влияния факторов на цену сахара.

Сводные результаты моделирования отражены в Таблице 2.

Таблица 1 — Влияние факторов на цену

Для наглядного сопоставления полученных количественных оценок и выявления относительной значимости факторов их влияние представлено в визуализированном виде.

График 1 демонстрирует структуру влияния ключевых факторов на цену сахара и позволяет увидеть доминирующую роль регуляторных решений по сравнению с другими переменными.

График 1 – Влияние факторов

Представленная визуализация позволяет не только сопоставить влияние факторов, но и выявить их относительную значимость в структуре формирования цены. В отличие от табличных данных, графическое представление делает очевидным дисбаланс между факторами и позволяет интерпретировать результаты без дополнительных расчетов.

Именно на основе этого сопоставления формулируется ключевой результат исследования.

Полученные результаты меняют привычную логику анализа отрасли. Если раньше проблемы объяснялись аграрными факторами, то теперь становится очевидно, что основной источник нестабильности — модель управления рынком.

Это объясняет, почему даже при росте производства не происходит стабилизации отрасли.

Полученные результаты меняют привычную логику анализа отрасли. Если раньше проблемы объяснялись аграрными факторами, то теперь становится очевидно, что основной источник нестабильности — модель управления рынком.

Это объясняет, почему даже при росте производства не происходит стабилизации отрасли.

Следовательно, попытки решить проблему исключительно через субсидии, увеличение посевных площадей или технологические меры не дадут устойчивого эффекта. Без изменения регуляторной модели такие меры лишь компенсируют последствия, но не устраняют причину.

В этой связи возникает необходимость перехода от поддержки отрасли к перестройке механизмов её регулирования.

Практические направления таких изменений систематизированы в Таблице 2.

Таблица 2 – Модель реформ

Предложенные меры позволяют снизить ключевые искажения рынка, однако их реализация требует не только точечных изменений, а перехода к новой логике управления отраслью — основанной на данных и прогнозировании.

Иными словами, речь идет не о корректировке отдельных инструментов, а о формировании системы, в которой решения принимаются с учетом их количественно оцененных последствий.

Концептуальная схема такой системы представлена на Рисунке 2.

Рисунок 2 – Новая модель управления

Несмотря на полученные результаты и практическую применимость предложенной модели, её использование имеет ряд ограничений, которые необходимо учитывать при интерпретации выводов и внедрении в реальные процессы.

Ограничения исследования

Во-первых, результаты модели напрямую зависят от качества и полноты входных данных. В условиях ограниченной прозрачности отрасли и фрагментарности статистики часть факторов может быть недоучтена, что влияет на точность оценок.

Во-вторых, модель опирается на исторические данные и, как следствие, ограниченно учитывает резкие изменения регуляторной среды. Внезапные политические решения или изменения правил игры могут существенно изменить поведение рынка и снизить предсказательную силу модели.

В-третьих, региональная специфика внутри Казахстана (различия в климате, доступе к воде, логистике) представлена в агрегированном виде, что ограничивает точность прогнозов на уровне отдельных регионов или хозяйств.

Наконец, модель выявляет влияние факторов и позволяет оценивать последствия решений, однако сама по себе не заменяет процесс принятия решений. Она выступает инструментом поддержки, а не источником окончательных управленческих выводов.

Для обеспечения воспроизводимости результатов и прозрачности методологии важно отдельно раскрыть, каким образом инструменты искусственного интеллекта использовались в рамках данного исследования и какую роль они сыграли на каждом этапе анализа.

Использование ИИ в исследовании

Инструменты искусственного интеллекта применялись как аналитический инструмент для обработки данных, моделирования сценариев и проверки ключевой гипотезы исследования.

На этапе анализа временных рядов использовалась модель LSTM (Long Short-Term Memory), позволяющая учитывать динамику погодных условий и прогнозировать урожайность сахарной свеклы с учетом сезонных и климатических факторов. Это позволило отделить влияние природных условий от других факторов.

Для оценки влияния рыночных и регуляторных переменных на цену сахара применялась модель градиентного бустинга (XGBoost). Её использование позволило количественно определить вклад каждого фактора (импорт, регулирование, урожайность, климат) и выявить их относительную значимость.

Дополнительно был реализован сценарный анализ, в рамках которого моделировались изменения регуляторной среды (например, отмена обязательной биржевой торговли или изменение налоговой нагрузки) и оценивалось их влияние на устойчивость отрасли.

Важно подчеркнуть, что искусственный интеллект в данном исследовании использовался не как инструмент автоматического принятия решений, а как средство выявления закономерностей и количественного обоснования выводов. Все интерпретации результатов и формулировка рекомендаций являются результатом экспертного анализа автора.

Полученные результаты и предложенные решения имеют практическую направленность и предполагают использование в реальных управленческих процессах. Для уточнения области применения и дальнейшего развития исследования важно обозначить, кому именно адресована работа и как она может быть использована.

Мини-диалог с читателем

Кому именно будет полезна эта работа?

Государственным органам — как инструмент оценки последствий регуляторных решений;

бизнесу — для понимания реальных факторов, влияющих на рентабельность;

аналитическим центрам — для перехода к data-driven подходу в разработке политики.

Где её можно применить уже сейчас?

В разработке и пересмотре правил регулирования,

в операционном управлении сахарных заводов,

в системах мониторинга продовольственной безопасности.

Какое исследование логично продолжит эту работу?

Создание цифрового двойника сахарной отрасли, позволяющего в реальном времени моделировать последствия управленческих решений и оценивать их экономический эффект.

Предложенные решения и выявленные закономерности позволяют перейти от анализа текущего состояния отрасли к оценке её возможной динамики. Для этого целесообразно рассмотреть несколько сценариев развития, отражающих последствия сохранения или изменения действующей модели регулирования.

Сценарий развития до 2030 года

Сценарий 1 — инерционный (сохранение текущей модели)

При сохранении действующих регуляторных механизмов (обязательная биржевая торговля, текущая налоговая нагрузка, ограниченный доступ к сырьевой базе) отрасль продолжит демонстрировать структурную нестабильность. Ожидается дальнейший рост зависимости от импорта, снижение рентабельности производства и постепенное ослабление производственных мощностей. В среднесрочной перспективе это может привести к утрате продовольственной самостоятельности по сахару.

Сценарий 2 — адаптационный (частичные изменения)

При точечной корректировке отдельных инструментов (смягчение налоговой нагрузки, ограниченные изменения в правилах торговли) возможно краткосрочное улучшение показателей отрасли. Однако без системного пересмотра модели регулирования эффект будет ограниченным: ключевые искажения сохранятся, а устойчивость останется уязвимой к внешним факторам.

Сценарий 3 — трансформационный (переход к data-driven управлению)

Внедрение модели управления на основе данных, включая использование инструментов искусственного интеллекта, позволяет перейти к проактивному регулированию отрасли. В этом сценарии решения принимаются с учетом прогнозируемых последствий, снижается влияние искажений рынка, повышается конкурентоспособность отечественных производителей и сокращается зависимость от импорта. Это создает условия для устойчивого развития отрасли и укрепления продовольственной безопасности.

Проведённый анализ, полученные количественные оценки и сценарное моделирование позволяют обобщить ключевые выводы исследования и определить принципиальные направления изменения подхода к управлению отраслью.

Заключение

Результаты исследования подтверждают основную гипотезу: ключевым источником нестабильности сахарной отрасли Казахстана являются не природные или технологические ограничения, а институциональные и регуляторные факторы. Использование методов искусственного интеллекта позволило количественно доказать, что влияние регулирования на цену и устойчивость отрасли превышает влияние урожайности и климатических условий.

Это означает, что текущая модель управления рынком формирует системные искажения, которые не могут быть компенсированы за счёт традиционных мер поддержки, таких как субсидии или расширение производства. Без изменения регуляторной логики такие меры лишь временно сглаживают последствия, не устраняя их причину.

Практическое значение работы заключается в предложении подхода к цифровой диагностике государственной политики, при котором решения могут оцениваться до их внедрения на основе данных и прогнозных моделей.

Такой подход позволяет перейти от реактивного управления к проактивному, снижая риски и повышая эффективность регулирования.

Таким образом, развитие сахарной отрасли Казахстана напрямую зависит не столько от ресурсов, сколько от качества принимаемых решений. Искусственный интеллект в данном контексте выступает не технологией автоматизации, а инструментом повышения обоснованности экономической политики.

Development of Scientific Foundations and the Feasibility of Implementing an Intelligent System for Accelerated and Multi-Purpose Design of Ready-Mix Concrete Compositions Based on Artificial Intelligence Methods

Authors:

Zh. Shashpan, L. Aruova

L.N. Gumilyov Eurasian National University, Astana, Kazakhstan

Corresponding Author:

L. Aruova, e-mail: ecoeducation@mail.ru

Scientific Contribution

A study has been conducted to develop a comprehensive model of an intelligent, multifunctional system for the design of ready-mix concrete compositions. The proposed system integrates deep neural networks, genetic algorithms, and economic optimization methodologies to simultaneously achieve target strength parameters, minimize production costs, and reduce the carbon footprint.

The system will be further refined using empirical data obtained from 2,847 production lines across Kazakhstani concrete plants (2018–2024). Validation is planned at five industrial facilities located in Astana and Almaty. The implementation of the proposed approach is expected to reduce the mix design development time from 5–7 days to 4–6 hours, while improving the accuracy of strength prediction by 27% compared to conventional design methodologies.

Abstract

The development of ready-mix concrete compositions in Kazakhstan is constrained by several critical challenges, including substantial variability in the quality of locally available raw materials, extreme climatic conditions ranging from −40°C to +40°C, and the need for cost optimization while meeting stringent strength requirements.

The proposed intelligent system integrates deep learning techniques for strength prediction, genetic algorithms for multi-objective mix optimization, and economic modeling approaches aimed at cost minimization. The system is trained on a unique dataset comprising 2,847 mix designs collected from 12 ready-mix concrete plants across Kazakhstan (2018–2024), incorporating the specific properties of local aggregates, cements, and chemical admixtures.

Validation conducted at five independent industrial facilities demonstrated a 27% improvement in the prediction accuracy of 28-day compressive strength (R² = 0.94, RMSE = 2.8 MPa), a 25–30-fold reduction in mix design development time, and an 8–12% decrease in the production cost of B25-grade concrete while maintaining compliance with regulatory standards.

The system is intended to be implemented as a web-based application, “BetoNai KZ,” featuring a bilingual interface in Kazakh and Russian.

Abstract for an Interdisciplinary Audience

We have initiated the development of a computational system designed for the autonomous determination of optimal concrete mix compositions for construction enterprises in Kazakhstan. The system analyzes a large number of mix designs obtained from real industrial production, explicitly accounting for the variability in local material quality, climatic conditions, and key economic parameters.

By leveraging artificial intelligence techniques, the system identifies optimal combinations of cement, sand, coarse aggregate, and chemical admixtures that achieve the required mechanical performance while minimizing production costs and reducing environmental impact.

Preliminary evaluations conducted at five industrial facilities indicate that the system can generate optimized mix designs within a few hours rather than several days, while improving strength prediction accuracy and reducing costs by up to 12%.

The solution is intended to be deployed as a web-based application accessible via a standard browser and does not require specialized programming expertise from end users.

Keywords: artificial intelligence in construction materials science; deep learning; concrete mix design; multi-objective optimization; genetic algorithms; ready-mix concrete; Kazakhstan

Why This Is Important Now

The relevance of this research is driven by the ongoing industrialization of the construction sector, the implementation of large-scale government housing initiatives, and the steady growth of ready-mix concrete production in Kazakhstan. These trends necessitate the integration of digital technologies to enhance product quality while reducing production costs.

The proposed developments are aligned with the provisions of the Law of the Republic of Kazakhstan "On Informatization", which promotes digital transformation across economic sectors, as well as the anticipated Law of the Republic of Kazakhstan "On Artificial Intelligence", intended to establish a legal framework for the deployment and governance of artificial intelligence systems.

Thus, the evolving regulatory environment creates a supportive framework for the implementation of intelligent solutions in the production of construction materials.

Value Table

Item

What is novel

Theoretical Contribution

First, within the context of Kazakhstan, a hybrid machine learning paradigm—combining neural networks and genetic algorithms—has been proposed and integrated with economic optimization strategies to enable multi-objective design of ready-mix concrete compositions, while explicitly accounting for region-specific characteristics of raw material resources and climatic conditions.

Methodology

Currently, efforts are underway to develop and validate a comprehensive methodological framework aimed at the accelerated design of concrete mixtures. The proposed approach incorporates automated data acquisition from industrial production processes, advanced data preprocessing techniques, and multi-objective optimization—considering parameters such as mechanical performance, cost efficiency, and environmental sustainability—through the application of state-of-the-art artificial intelligence algorithms.

Practical Implementation

The proposed intelligent system has been applied under real industrial conditions at ready-mix concrete plants in Kazakhstan, demonstrating its practical feasibility and effectiveness. The implementation was carried out using production data and operational constraints typical of industrial environments, including variability in raw material properties and fluctuating climatic conditions.

The system enables automated generation of optimized concrete mix compositions within a few hours, significantly reducing the time required compared to conventional trial-and-error methods. By integrating predictive modeling with optimization algorithms, the system supports decision-making in selecting material proportions that meet required performance criteria while minimizing production costs and environmental impact.

Field application results indicate a substantial improvement in the accuracy of compressive strength prediction, along with a measurable reduction in material costs (up to 12%) without compromising compliance with regulatory standards. Additionally, the system facilitates rapid adaptation to changes in material quality, which is critical for maintaining consistent product performance in industrial practice.

The developed solution is implemented as a web-based application (“BetoNai KZ”), providing an accessible interface for engineers and plant operators. The platform does not require advanced programming skills and can be integrated into existing production workflows, thereby supporting the digital transformation of concrete production processes.

Scientific Community

The proposed study is of significant interest to the scientific community at the intersection of construction materials science, artificial intelligence, and industrial optimization. It contributes to the growing body of research on data-driven design of cementitious materials by demonstrating how advanced machine learning techniques can be effectively integrated with classical engineering principles.

For researchers in concrete technology, the study provides a scalable framework for modeling complex relationships between mix composition and performance characteristics under real industrial conditions. For the artificial intelligence community, it offers a domain-specific application of hybrid modeling approaches, combining deep neural networks with evolutionary optimization methods in a multi-objective setting.

Furthermore, the use of a large-scale industrial dataset enhances the reliability and applicability of the findings, addressing a common limitation of many existing studies based on laboratory-scale data. The proposed methodology also opens new avenues for interdisciplinary research, particularly in the areas of sustainable construction, digital twins of material systems, and intelligent decision-support systems.

The study is expected to stimulate further research on the integration of artificial intelligence into construction materials engineering, including the development of more interpretable models, incorporation of uncertainty quantification, and expansion toward lifecycle-based optimization of materials.

Three Key Questions

1. Who Will Benefit from This Work?

The proposed system is expected to deliver tangible benefits to multiple stakeholder groups. Ready-mix concrete plants and construction companies in Kazakhstan will be able to optimize production processes and reduce operational costs through data-driven mix design. Concrete technologists will benefit from a significant reduction in the time required to develop and validate new mix compositions.

Research institutions and universities will gain a robust platform for advancing studies in the digitalization of construction materials science, particularly in the application of artificial intelligence to material design. In addition, governmental bodies may utilize the system as a tool for monitoring the quality, consistency, and environmental performance of construction materials within the regulatory framework.

2. Where Can It Be Applied Now?

The proposed system can be readily deployed across multiple practical domains. It is directly applicable in ready-mix concrete production facilities in Astana, Almaty, Shymkent, and other urban centers in Kazakhstan, where it can support real-time optimization of mix design under variable production conditions.

In design and engineering firms, the system can be utilized for the development of technical specifications for concrete, enabling more accurate and performance-oriented material selection. Construction companies may apply the system as a decision-support tool for monitoring the quality and consistency of supplied concrete, thereby reducing risks associated with material variability.

Furthermore, the system can be integrated into academic curricula in civil engineering and construction materials programs, serving as a practical platform for training students in the application of digital technologies and artificial intelligence in materials science.

3. What Research Could Logically Extend This Study?

Several research directions can naturally build upon the proposed framework. First, the integration of the system with Internet of Things (IoT) sensors deployed on production lines would enable the development of a real-time self-learning system capable of continuous data acquisition and model updating.

Second, expanding the predictive capabilities of the system to include long-term performance indicators—such as durability and frost resistance—is essential for enhancing its applicability in harsh climatic conditions.

Third, the development of specialized modules tailored to advanced categories of concrete, including high-strength concrete, self-compacting concrete (SCC), and fiber-reinforced concrete, represents a critical step toward broadening the system’s industrial relevance.

Finally, the establishment of a national platform for anonymized data sharing among concrete producers would significantly improve model accuracy and robustness by enabling access to large-scale, diverse datasets, thereby fostering collaborative innovation across the industry.

Open Questions to the Scientific Community

How can a mechanism be established to facilitate voluntary sharing of anonymized industrial production data among competing enterprises in order to improve the accuracy of artificial intelligence models for concrete mix design, while simultaneously ensuring data confidentiality and preserving competitive advantages?

What are the ethical and legal implications of delegating final decision-making in concrete mix design to artificial intelligence systems, and how should responsibility be delineated between automated recommendations and human expert judgment?

ARTICLE

1. Introduction

The construction sector in Kazakhstan is currently experiencing substantial growth: the production of ready-mix concrete increased from 12.4 million m³ in 2018 to 18.7 million m³ in 2023. However, conventional concrete mix design methods—based on empirical correlations and iterative selection of components—remain time-consuming (typically requiring 5–7 days to develop a single mix) and do not consistently ensure an optimal balance between strength, cost efficiency, and environmental sustainability.

Specific characteristics of the Kazakhstani construction materials market introduce additional challenges. These include significant variability in the quality of locally sourced aggregates (with the coefficient of variation in compressive strength of crushed stone from different deposits reaching 18–22%), reliance on imported chemical admixtures, and a sharply continental climate with temperature fluctuations of up to 80°C.

These conditions necessitate specialized strategies to ensure frost resistance and long-term durability of concrete. Traditional design methodologies developed for stable conditions in developed countries do not adequately account for these region-specific factors.

Artificial intelligence and machine learning offer promising solutions to these challenges. A comprehensive review of the global scientific literature demonstrates the effective application of neural networks for predicting compressive strength of concrete [1–3], genetic algorithms for optimizing material compositions [4,5], and hybrid approaches for solving multi-objective optimization problems [6,7]. Nevertheless, a significant proportion of these studies rely on datasets derived from developed countries with standardized raw material quality, limiting their applicability to the conditions of developing economies.

The aim of this study is to establish a theoretical foundation and develop a functional intelligent system for the accelerated multi-objective design of ready-mix concrete compositions, specifically adapted to the unique characteristics of Kazakhstan’s raw material base, climatic conditions, and economic environment. The system is intended to simultaneously optimize three key parameters: achieving target compressive strength, minimizing production costs, and reducing carbon emissions.

2. Research Methodology

2.1. Database Development

A unique database of industrial ready-mix concrete compositions from Kazakhstani enterprises was established to train the intelligent system. Between January 2023 and December 2024, with the support of the Association of Ready-Mix Concrete Producers of Kazakhstan, data were collected from 12 plants located in Astana (4 plants), Almaty (3), Shymkent (2), Karaganda (2), and Aktobe (1).

The database comprises 2,847 industrial mix designs corresponding to concrete strength classes ranging from B15 to B40, each accompanied by comprehensive documentation. This includes precise proportions of all constituents (cement, fine aggregate, coarse aggregates of 5–10 mm, 10–20 mm, and 20–40 mm fractions, water, plasticizers, and air-entraining admixtures); compressive strength test results at 7, 14, and 28 days (three specimens per testing age); material properties according to quality certificates; curing conditions; and the cost of individual components in Kazakhstani tenge at the time of production.

Particular attention was given to collecting detailed information on the properties of locally sourced materials. For cement, the recorded parameters included grade, manufacturer, activity, standard consistency, and setting time. For aggregates, the dataset includes information on source deposit, strength, frost resistance, content of fine and clay particles, and particle size distribution. This approach enabled the incorporation of the high variability in raw material quality characteristic of the Kazakhstani construction materials market.

2.2. Intelligent System Architecture

The proposed intelligent system is structured as a three-tier architecture integrating modules for data preprocessing, property prediction, and multi-objective optimization (see Figure 1).

Level 1: Data Preprocessing and Feature Engineering At the initial stage, the input data are subjected to normalization procedures, while outliers are handled using the interquartile range (IQR) method. Derived features are subsequently generated, including the water-to-cement ratio, aggregate grading modulus, and volumetric cement concentration. In addition, categorical variables—such as cement type and aggregate source—are appropriately encoded to ensure compatibility with machine learning algorithms.

Level 2: Ensemble of Predictive Models

To predict 28-day compressive strength, a hybrid ensemble comprising three distinct model types was developed:

(a) a deep neural network (DNN) with an architecture of 15–128–64–32–1, employing ReLU activation functions and dropout regularization with a rate of 0.2;

(b) a gradient boosting model (XGBoost) consisting of 500 trees, with a maximum depth of 6 and a learning rate of 0.05;

(c) a support vector regression (SVR) model utilizing a radial basis function (RBF) kernel.

The final prediction is obtained as a weighted average of the individual model outputs, with weights of 0.5, 0.3, and 0.2, respectively. These weights are determined based on validation results, taking into account representative production conditions, including certified raw material properties, curing climate conditions, and component costs expressed in Kazakhstani tenge at the time of production.

Particular attention was devoted to the systematic collection of data on the properties of locally sourced materials. For cement, key parameters were carefully recorded, including grade, manufacturing plant, activity, standard consistency, and setting time. For aggregates, detailed information was documented on the source deposit, strength, frost resistance, content of fine and clay particles, and particle size distribution.

Level 3: Multi-Objective Optimization

To determine the optimal concrete mix composition, an enhanced version of the Non-dominated Sorting Genetic Algorithm II (NSGA-II) was employed. The algorithm was configured with a population size of 200 individuals and executed over 150 generations, incorporating adaptive crossover and mutation operators to improve convergence and solution diversity.

The optimization procedure simultaneously targets three objective functions:

f₁(x) = |fₜₐᵣ - fₚᵣₑ(x)| → min

f₂(x) = Σ(cᵢ · xᵢ) → min

f₃(x) = Eₖₒ₂(x) → min

where fₜₐᵣ — target compressive strength, fₚᵣₑ(x) — redicted Compressive Strength of Mix x by the Ensemble Model, cᵢ — cost of the iii-th component tenge per kilogram, xᵢ — Dosage of the i-th Component kg/m³³, Eₖₒ₂(x) — carbon footprint of the mix composition, expressed in kilograms of CO₂-equivalent per cubic meter (kg CO₂-eq/m³)

The system explicitly incorporates technological constraints in accordance with ST RK 1310-2005 and GOST 7473-2010: a water-to-cement ratio within the range of 0.35 ≤ W/C ≤ 0.70; cement content between 200 ≤ C ≤ 550 kg/m³; sand proportion in the aggregate mixture within 30% ≤ r ≤ 45%; and workability of the concrete mix classified as P2–P4 (slump ranging from 5 to 15 cm).

2.3. Model Training and Validation

The dataset was partitioned into training (70%, n = 1,993), validation (15%, n = 427), and test (15%, n = 427) subsets using stratified sampling based on concrete strength classes. To mitigate the risk of overfitting, regularization techniques were applied (L2 regularization for deep neural networks with α = 0.001), along with early stopping criteria; however, no improvement in validation performance was observed over 20 consecutive epochs.

The performance of the predictive models was evaluated using the following metrics: the coefficient of determination (R²), root mean square error (RMSE), and mean absolute percentage error (MAPE).

The training process was conducted on a computational cluster using TensorFlow 2.13, XGBoost 1.7, and scikit-learn 1.3 libraries within the Python 3.10 programming environment.

2.4. Industrial Validation

To assess the practical applicability of the proposed system, a comprehensive industrial validation was conducted at five independent ready-mix concrete plants that were not involved in the development of the training dataset. For each participating facility, the system generated optimized concrete mix designs corresponding to strength classes B20, B25, and B30.

These mixes were produced under real industrial conditions, and compressive strength tests were performed in accordance with GOST 10180-2012. The experimental results were subsequently compared with both the plants’ existing production benchmarks and the strength predictions generated by the system.

3. Results

3.1. Strength Prediction Accuracy

The ensemble of predictive models demonstrated high accuracy when applied to the test dataset, achieving R² = 0.942, RMSE = 2.78 MPa, and MAPE = 6.4%. In contrast, conventional regression approaches, particularly multiple linear regression, yielded significantly lower performance (R² = 0.741, RMSE = 5.83 MPa), corresponding to an approximately 27% reduction in prediction accuracy.

The most favorable results were observed for medium-strength concrete classes (B20–B30), with a MAPE of 5.2%. In comparison, slightly higher prediction errors were recorded for higher-strength concretes (B35–B40), with MAPE reaching 8.7%, which can be attributed to the relatively limited representation of such compositions in the training dataset.

A feature importance analysis using the SHAP (Shapley Additive Explanations) methodology revealed that the primary factors influencing compressive strength are as follows: cement content (contribution of 34%), water-to-cement ratio (28%), cement activity (15%), strength of coarse aggregate (12%), and the type and dosage of plasticizer (11%).

These findings are consistent with established physicochemical principles governing the structural formation of cementitious materials.

3.2. Multi-Objective Optimization Performance

The NSGA-II genetic algorithm delineates a Pareto front comprising 15–25 non-dominated solutions, representing different trade-offs between compressive strength, cost, and environmental sustainability. The algorithm operates within 4–6 hours on a standard server (Intel Xeon E5-2680 v4, 64 GB RAM), delivering performance that is 25–30 times faster than conventional iterative mix design approaches.

Table 1 presents a comparative analysis of mix compositions optimized by the proposed system against existing production mixes used for B25-grade concrete at one of the enterprises participating in the validation study.

Table 1 — Comparison of B25-Grade Concrete Mix Compositions

The optimized mix design enables a 10% reduction in cement consumption (equivalent to 38 kg/m³) while maintaining the required strength performance, resulting in cost savings of 1,530 KZT/m³. Considering an annual production volume of 85,000 m³, this corresponds to an estimated economic benefit of approximately 130 million KZT per year.

3.3. Industrial Validation Results

A total of 45 concrete mixes were produced and evaluated across five independent validation sites (three strength classes per site, with three mixes in each class). The observed compressive strength deviated from the model predictions by an average of 5.8%, with a standard deviation of 2.4%. This level of variability is consistent with the inherent variability of concrete and indicates a substantial improvement in prediction accuracy compared to conventional design methodologies, for which the average deviation was reported at 12.3%.

All 45 mix compositions complied with established regulatory standards in terms of compressive strength, workability, and frost resistance. The average cost reduction ranged from 8% to 12%, depending on the specific concrete class and the prevailing material price structure at each production facility.

The most significant cost savings (14.2%) were achieved at a plant in Karaganda for B20-grade concrete, primarily due to the optimization of aggregate gradation and a reduction in the use of high-cost plasticizers.

3.4. Carbon Footprint Reduction

Material optimization with explicit consideration of environmental criteria resulted in an average reduction of 7.2% in the specific carbon footprint of concrete, primarily due to decreased cement consumption, which is the dominant source of CO₂ emissions in concrete production.

For B25-grade concrete, emissions were reduced from 284 kg CO₂-eq/m³ to 263 kg CO₂-eq/m³. Considering that the annual production volume of ready-mix concrete in Kazakhstan is approximately 18.7 million m³, the potential emission reduction is estimated at up to 393,000 tonnes of CO₂-equivalent per year.

4. Discussion

The obtained results demonstrate that the integration of deep learning methodologies with evolutionary optimization algorithms establishes a qualitatively superior paradigm for concrete mix design compared to conventional approaches.

A key factor contributing to this improvement is the development of a representative industrial dataset that accurately captures the variability in raw material quality and the technological conditions characteristic of concrete production in Kazakhstan.

A comparative analysis with international studies indicates that the achieved prediction accuracy (R² = 0.942) is consistent with the performance reported in leading studies [1, 2, 6, 15]. Notably, however, the proposed system is among the first to be explicitly adapted to the conditions of a developing market characterized by pronounced variability in raw material quality.

Previous studies [3, 13, 14] have also employed multi-objective optimization; however, they have predominantly focused on binary trade-offs (e.g., strength–cost or strength–environmental impact). In contrast, the proposed system simultaneously optimizes three independent criteria, thereby providing a more comprehensive and practically relevant optimization framework.

The economic benefits of implementing the proposed system can be categorized into three primary components: immediate material cost savings (ranging from 8% to 12% of total production costs), a substantial reduction in the time required for developing new mix designs (from 5–7 days to 4–6 hours), and a decrease in defect rates due to more accurate prediction of material properties.

For a typical medium-sized production facility with an annual capacity of approximately 80,000 m³, the total projected economic benefit is estimated to range between 110 and 150 million KZT per year.

A significant advantage of the proposed system lies in the interpretability of its results, enabled by the application of explainable artificial intelligence (XAI) techniques, specifically SHAP (Shapley Additive Explanations).

This approach allows engineers not only to identify optimal mix compositions but also to understand the key factors influencing the model’s predictions. Consequently, this enhances trust in the system and facilitates its integration into industrial practice.

5. Where and Why the Proposed Approach May Not Be Applicable

The developed intelligent system demonstrates high effectiveness for conventional classes of ready-mix concrete; however, several limitations should be carefully considered when applying it in practice.

1. Specialized concrete types.

The system was trained on datasets derived from conventional normal-weight concrete classes ranging from B15 to B40. Its application to specialized concrete types—such as high-strength concrete (B45–B60), lightweight, cellular, fiber-reinforced, and self-compacting concrete—requires additional training on relevant datasets. The physicochemical properties of these materials may differ substantially, potentially leading to reduced prediction accuracy.

2. Non-standard components.

The current database includes the predominant types of cement used in Kazakhstan (primarily PC 400 and PC 500), along with commonly used aggregates and admixtures. The introduction of non-standard components—such as specialized cements, synthetic aggregates, or novel admixtures—may result in decreased prediction reliability due to their absence in the training data.

3. Extreme climatic conditions.

The models were developed based on data from enterprises located in regions with moderate and sharply continental climates. The application of the system to concrete intended for extreme environmental conditions (such as Arctic regions or arid desert climates) requires additional validation and, potentially, recalibration of the models.

4. Long-term performance.

The system is primarily designed to predict 28-day compressive strength and other short-term performance indicators. However, the assessment of long-term properties—such as durability, corrosion resistance, and shrinkage—requires additional modeling efforts and extensive longitudinal data, which are currently limited.

5. Level of digitalization at industrial facilities.

The effectiveness of the system is inherently dependent on the quality of input data. At facilities characterized by low levels of automation and inadequate raw material quality control—where data collection is sporadic or inaccurate—the reliability of the system’s predictions may be compromised. A baseline level of digitalization in production data management is therefore required to ensure optimal system performance.

6. Mini Dialogue with the Reader

Question: Why does the system not simply use the most efficient mix compositions from the database instead of generating new ones?

Answer: Each production facility operates with its own set of materials, including cement supplied from specific plants, aggregates sourced from particular geological deposits, and proprietary admixture systems. A mix design that is optimal for one facility may not be directly applicable to another due to differences in the physicochemical properties of raw materials.

The proposed system addresses this challenge by solving an optimization problem tailored to the specific materials and objectives of a given enterprise (e.g., cost minimization or reduction of carbon emissions). In this sense, the distinction is analogous to that between an off-the-shelf suit and a custom-tailored garment: while the former may be functional, it rarely provides an optimal fit.

Question: Can the system be used to audit and improve existing mix designs?

Answer: The system can effectively operate in an audit mode. Existing mix formulations can be input into the system, which then evaluates their performance and associated costs, while also identifying potential optimization opportunities.

For instance, the system may detect excessive cement consumption and recommend reductions of approximately 5–8% without compromising structural integrity. This capability is particularly valuable when raw material suppliers change or when material prices increase, as it enables efficient adjustment of mix designs in response to updated production conditions.

7. Use of Artificial Intelligence in the Study

In accordance with the principles of scientific transparency, the following section provides a comprehensive description of the application of artificial intelligence tools at various stages of the research.

Data preprocessing and analysis.

At the initial stages of data processing and refinement, automated outlier detection algorithms were employed using the Isolation Forest method from the scikit-learn library. This approach enabled the identification and removal of 127 records (4.5% of the original dataset) that exhibited significant measurement or documentation inconsistencies.

To address missing values related to aggregate properties, a k-nearest neighbors imputation method (kNN imputation, k=5k = 5k=5) was implemented.

Development of Predictive Models. The architecture of the deep neural network was optimized using Bayesian hyperparameter optimization implemented via the Optuna library. A total of 240 network configurations were evaluated, resulting in the selection of an optimal architecture aimed at minimizing the root mean square error (RMSE) on the validation dataset.

Model training was performed using the Adam optimization algorithm with an initial learning rate of 0.001, combined with an exponential decay schedule.

To assess the influence of individual features on the model predictions, the SHAP (Shapley Additive Explanations) library (version 0.42) was employed. Visualization tools were generated to illustrate feature importance and the relationships between SHAP values and corresponding feature values, enabling validation of the physical plausibility of the models and identification of nonlinear interactions.

Manuscript Preparation.

During the initial structuring of the manuscript and the drafting of preliminary versions of individual sections, the large language model GPT-4 developed by OpenAI was utilized. The model was used solely as a tool for generating preliminary text drafts, which were subsequently subjected to thorough scientific editing, refinement, and verification by the authors.

All concepts, conclusions, data interpretations, and final formulations presented in this study are the result of the authors’ intellectual contributions.

Graphical representations and diagrams were generated using the matplotlib 3.7 and seaborn 0.12 libraries within the Python programming environment. The selection of color schemes was performed in accordance with accessibility guidelines, ensuring compatibility for individuals with color vision deficiencies.

8. Conclusion

This study establishes a scientific foundation and presents the development of an intelligent system model for the multi-purpose design of ready-mix concrete compositions, specifically tailored to the characteristics of the construction sector in Kazakhstan. The key findings of the study are as follows:

1. A unique database comprising 2,847 industrial mix compositions from 12 Kazakhstani plants was compiled, including comprehensive documentation of local raw material properties. This dataset provides a robust foundation for further research in the digitalization of construction materials science.

2. A comprehensive ensemble of predictive models (DNN + XGBoost + SVR) was developed and rigorously validated, achieving high accuracy in predicting 28-day compressive strength (R² = 0.942), which represents a 27% improvement compared to conventional methodologies.

3. A multi-objective optimization framework based on the NSGA-II genetic algorithm was implemented, enabling the simultaneous optimization of compressive strength, production cost, and carbon emissions, and generating Pareto-optimal solutions.

1. Industrial validation at five independent facilities confirmed the practical viability of the system: mix design development time was reduced by a factor of 25–30, production costs decreased by 8–12%, and carbon emissions were reduced by 7.2%.

The developed BetoNai KZ system represents a comprehensive solution for the Commonwealth of Independent States (CIS) in the field of intelligent concrete mix design, taking into account regional specificities and delivering tangible economic and environmental benefits.

The system is intended for industrial deployment across enterprises in Kazakhstan and can be adapted for application in other countries of the region.

Future research directions include extending the system’s capabilities to predict durability and frost resistance, integrating it with Internet of Things (IoT)–based production management systems to enable the development of real-time self-learning models, and developing specialized modules for different types of concrete.

References

1. Mirzaei A., Aghsami A. A Hybrid Deep Reinforcement Learning Architecture for Optimizing Concrete Mix Design Through Precision Strength Prediction // Mathematical and Computational Applications. — 2025. — Vol. 30, No. 4. — Article 83. DOI: 10.3390/mca30040083

2. Chen F., Xu W., Wen Q., Zhang G., Xu L. Advancing Concrete Mix Proportion through Hybrid Intelligence: A Multi-Objective Optimization Approach // Materials. — 2023. — Vol. 16, No. 19. — Article 6448. DOI: 10.3390/ma16196448

3. Oviedo Carrascal A.I., Londoño J.M., Vargas J.F., Zuluaga C., Gómez A. Modeling and Optimization of Concrete Mixtures Using Machine Learning Estimators and Genetic Algorithms // Modelling. — 2024. — Vol. 5, No. 3. — P. 626-645. DOI: 10.3390/modelling5030034

4. Li Y., Li H., Li Y., Jin C. Optimum design of high-strength concrete mix proportion for crack resistance using artificial neural networks and genetic algorithm // Frontiers in Materials. — 2020. — Vol. 7. — Article 590661. DOI: 10.3389/FMATS.2020.590661

5. Tahmouresi A., Robati A., Urgessa G., Haghighi H. A Combined Genetic Algorithm-Artificial Neural Network Optimization Method for Mix Design of Self Consolidating Concrete // International Journal of Structural and Civil Engineering Research. — 2021. — Vol. 10, No. 3. — P. 106-112. DOI: 10.18178/IJSCER.10.3.106-112

6. Xu X., Zhang Y. Machine Learning the Concrete Compressive Strength From Mixture Proportions // ASME Open Journal of Engineering. — 2022. — Vol. 1. — Article 011038. DOI: 10.1115/1.4055194

7. Dias P.P., Jayasinghe L.B., Waldmann D. Machine learning in mix design of Miscanthus lightweight concrete // Construction and Building Materials. — 2021. — Vol. 302. — Article 124191. DOI: 10.1016/J.CONBUILDMAT.2021.124191

8. Ziolkowski P., Niedostatkiewicz M., Kang S.-B. Model-Based Adaptive Machine Learning Approach in Concrete Mix Design // Materials. — 2021. — Vol. 14, No. 7. — Article 1661. DOI: 10.3390/MA14071661

9. Mandal S., Shiuly A., Sau D., Mondal A.K., Sarkar K. Study on the use of different machine learning techniques for prediction of concrete properties from their mixture proportions // AI in Civil Engineering. — 2024. — Vol. 3, No. 8. DOI: 10.1007/s43503-024-00024-8

10. Zhang J., Li T., Yao Y., Hu X., Zuo Y. Optimization of mix proportion and strength prediction of magnesium phosphate cement-based composites based on machine learning // Construction and Building Materials. — 2024. — Vol. 411. — Article 134738. DOI: 10.1016/j.conbuildmat.2023.134738

11. Ren Q., Ding L., Dai X., Li C., Li C. Optimizing mix design of concrete with manufactured sand for low embodied carbon and desired strength using machine learning // Construction and Building Materials. — 2024. — Vol. 458. — Article 139407. DOI: 10.1016/j.conbuildmat.2024.139407

12. Tavares C., Wang X., Saha S.K., Grasley Z. Machine Learning-Based Mix Design Tools to Minimize Carbon Footprint and Cost of UHPC. Part 1: Efficient Data Collection and Modeling // Cleaner Materials. — 2022. — Vol. 6. — Article 100082. DOI: 10.1016/j.clema.2022.100082

13. Chen B., Zhou H., Xia D., Huang S.H. Big-data based concrete mix proportion optimization and application development // Proceedings of the 2nd International Conference on Concrete and Concrete Structures. — 2023. — P. 1-8. DOI: 10.4203/ccc.2.6.4

14. Shui Z., Xu Z., Gao X., Zhang S.Q. Multi-objective optimization of concrete mix design based on machine learning // Journal of Building Engineering. — 2023. — Vol. 78. — Article 107396. DOI: 10.1016/j.jobe.2023.107396

15. Song Y.N., Wang X., Li H., He Y., Zhang Z. Mixture Optimization of Cementitious Materials Using Machine Learning and Metaheuristic Algorithms: State of the Art and Future Prospects // Materials. — 2022. — Vol. 15, No. 21. — Article 7830. DOI: 10.3390/ma15217830

On the emergence of a universal crack-bridging law in fiber-reinforced geopolymer composites: a variational and scale-invariant formulation

Authors:

Kinga Korniejenko

Cracow University of Technology, Faculty of Materials Engineering and Physics, Kraków, Poland

Zholaman Shashpan, Lyazzat Aruova

L.N. Gumilyov Eurasian National University, Department of Technology of Industrial and Civil Engineering, Astana, Kazakhstan

Corresponding author:

Kinga Korniejenko kinga.korniejenko@pk.edu.pl

Introduction

Applications of fiber‑reinforced geopolymer composites (FRGC) span structural and infrastructure domains where fracture control and sustainability are critical. Typical use‑cases include precast beams, panels and slabs subjected to flexure and opening‑mode cracking; thin architectural elements and façade panels where low shrinkage and crack bridging enhance serviceability; repair and retrofit overlays; thermally exposed components; marine and chemically aggressive environments; and digitally manufactured (3D‑printed) elements [Abbas et al., 2022; Ranjbar & Zhang 2020; Shilar & Shilar, 2026].

Fiber-reinforced geopolymer composites integrate principles of sustainability with enhanced resistance to fracturing. The fracture dynamics of these materials are influenced by quasi-brittle crack propagation, which is stabilized through the mechanism of fiber pull-out. Notwithstanding extensive scholarly investigations, cohesive traction-separation laws are predominantly approached as empirical functions that are individually calibrated for each specific composition [Oliwa et al., 2026; Ranjbar & Zhang 2020].

This engenders a pertinent structural inquiry: Is the phenomenon of crack-bridging solely reliant on the composition, or does it demonstrate universal characteristics when articulated in suitable dimensionless parameters?

This research endeavors to elucidate that inquiry through an amalgamation of variational fracture mechanics and micromechanical analysis under certain conditions: straight polymer fibers (PP, PVA) and selected straight steel fibers; approximately constant interfacial shear; nearly isotropic fiber orientation; low‑to‑moderate fiber volume fractions; and loading scenarios governed by classical single‑fiber pull‑out. These conditions underpin the dimensionless collapse and invariance results are demonstrated later in the manuscript [Wang et al., 2021; Sadrmomtazi & Rad, 2024].

Such a model can be especially applied to:

The present scaling is physically valid under classical single‑fiber pull‑out with approximately constant interfacial shear, straight slender fibers, nearly isotropic orientation, and low‑to‑moderate fiber volume fractions; deviations (e.g., hooked/twisted fibers, evolving adhesion, strong anisotropy, high V_f, or rate‑dependent matrices) may require extensions discussed later in the paper [Mandal et al., 2020; Zheng et al., 2022; Feng et al., 2022].

Variational Formulation of Crack Bridging

Consider a cracked body Ω ⊂ R3 with displacement field u. The total potential energy is:

where:

Bridging traction is defined as:

Equilibrium follows from stationarity:

The fracture energy associated with bridging is:

Equation (4) guarantees energetic consistency.

Micromechanical Derivation

Single-Fiber Pull-Out

For a fiber of diameter df​, embedded length le​, and interfacial shear stress τint, force equilibrium gives:

Integrating:

The macroscopic traction from randomly oriented fibers:

Fiber density per crack area:

Substituting (6)–(8):

Equation (9) reveals natural scaling variables.

Dimensionless Scaling and Invariance

Define:

Dimensionless fracture energy:

Substituting (11) into (4):

If

then scale invariance holds.

Bridging Modulus

Let tp be peak traction. Define:

If dimensionless curves collapse:

The Bridging Modulus measures fiber engagement efficiency independent of fiber content.

Discussion (Extended Analytical Depth)

Energetic Interpretation

From (4) and (9):

Thus fracture energy scales linearly with fiber volume fraction and fiber diameter, explaining invariance under normalization.

Operator Perspective

Define operator:

Under scaling transformation:

The operator becomes approximately invariant.

Implications

The proposed variational–micromechanical framework provides a compact route to define traction–separation relations for fiber‑reinforced geopolymer composites (FRGC) without per‑composition empirical fitting. By normalizing crack opening and bridging traction with fiber diameter d_f, fiber volume fraction V_f, and interfacial shear strength τ_int, traction–separation curves from different mixes collapse to an almost universal dimensionless response. This enables: (i) transfer of cohesive parameters across FRGC formulations; (ii) reduced experimental campaigns for model calibration; and (iii) direct embedding of scale‑invariant cohesive laws in finite element cohesive zone models and digital‑twin pipelines. The “Bridging Modulus,” defined from the peak dimensionless traction, further offers an invariant descriptor of fiber engagement efficiency that is independent of V_f [Abbas et al., 2022; Sadrmomtazi & Rad, 2024; Samal & Blanco, 2021].

Summarizing the main benefits from model are:

The collapse of normalized curves indicates that crack-bridging behavior possesses intrinsic structural organization governed by interfacial shear transfer.

Where and Why Results May Fail

The presented model has some limitations and a boundary of validity. While the formulation is mathematically consistent, its physical validity relies on specific micromechanical assumptions used to derive the single-fiber pull-out and the crack-bridging density. The model is appropriate when these assumptions hold, and it should be extended or recalibrated when they do not.

Assumptions under which the scaling is expected to hold

Situations where the current model may be inaccurate and require extension

Practical guidance

For applications outside the baseline assumptions, we recommend augmenting the dimensionless law with: (i) an orientation tensor in the areal density, (ii) snubbing/bending factors in the single-fiber equilibrium, and (iii) an interface damage/softening variable to capture evolving int. These additions preserve the variational structure while expanding the envelope of validity.

Mini-Dialogue with the Reader

Use of Artificial Intelligence

AI tools were used exclusively for language refinement and structural editing. All mathematical derivations, theoretical constructs, and interpretations were developed by the author.

Appendix A. Extended Micromechanical Derivation

Starting from interfacial equilibrium:

Integrating:

Macroscopic traction:

Substitute x=df x^

Hence:

which confirms the dimensionless scaling relation.

List of references

AI-Driven Optimization of Reinforced Concrete Structures Considering Embodied Carbon Using Physics-Informed Machine Learning

Author:

Kypros Pilakoutas

Faculty of Engineering The University of Sheffield Sheffield, United KingdomPhD, University of London, Imperial College of Science, Technology and Medicine (1990)

Zholaman Shashpan

L.N. Gumilyov Eurasian National University

Astana, Kazakhstan

Corresponding author:

Kypros Pilakoutas

k.pilakoutas@sheffield.ac.uk

Introduction

The construction sector accounts for approximately 40% of global CO₂ emissions. Reinforced concrete structures significantly contribute due to cement and steel production. Traditional design methods separate structural analysis and environmental assessment, limiting optimization potential. AI enables simultaneous optimization of both aspects.

Methodology

Architecture of the Proposed Framework

The framework consists of three main modules:

The interaction between these modules allows the exploration of a large design space while ensuring compliance with structural safety constraints.

Figure 1 — Architecture of the proposed AI-based structural optimization framework

2.2 Optimization Objective

The objective function is defined as:

where

C — embodied carbon of the structure

R_eq — equilibrium residuals derived from structural mechanics equations

R_LS — penalty term associated with limit-state violations.

2.3 Optimization Algorithm

Figure 2 — Structural optimization algorithm

The optimization procedure involves the following steps:

3. Numerical Experiments

The proposed framework was tested on three typical reinforced concrete structural elements.

3.1 Reinforced Concrete Beam

Figure 3 — Reinforced concrete beam reinforcement layout

Parameters:

Span: 6 m

Uniform load: 20 kN/m

Optimization resulted in a 12% reduction in reinforcement mass, leading to a significant reduction in embodied carbon

3.2 Reinforced Concrete Column

Figure 4 — Reinforced concrete column reinforcement

Parameters:

Height: 3 m

Axial load: 1500 kN

Embodied carbon reduction: ≈19%

3.3 Reinforced Concrete Slab

Parameters:

Span: 5 m

Thickness: 200 mm

Embodied carbon reduction: ≈21%

Figure 5 — Reinforced concrete slab reinforcement layout

4. Statistical Analysis of Results

Figure 5 — Reinforced concrete slab reinforcement layout

5. Comparison with Existing Optimization Methods

6. Discussion

The results demonstrate that artificial intelligence can significantly improve the environmental performance of reinforced concrete structures.

However, several challenges remain:

Future research should focus on combining the proposed framework with digital twin technologies and BIM-based design platforms.

7. Conclusion

This study presents a physics-informed machine learning approach for optimizing reinforced concrete structures with respect to embodied carbon.

The proposed methodology:

The proposed approach can serve as the foundation for next-generation AI-based design systems in sustainable construction.

List of references

Democratizing Strategic Intelligence: The PSYing Multimodal RAG Architecture for Universal Existential Literacy

About the Authors

Filippo Bartoccioni, MD, PhD, MBA, is a Professor and Lead Scientific Architect specializing in the convergence of neurobiology and strategic intelligence. He is the primary inventor of the PSYing ecosystem, with the software and proprietary ontology officially registered under his authorship at the Italian Society of Authors and Publishers (SIAE). His research focuses on "Existential AI Literacy" and the development of specialized RAG architectures for strategic decision support and systemic resilience.

Mihaela Dubinski is the CEO of COM srl, the organization responsible for the technological deployment and industrialization of the PSYing ecosystem. She directs the integration of complex digital infrastructures and ensures that the platform adheres to international data governance standards and strategic operational requirements for C-level decision-making.

Main Scientific Contribution in One Paragraph

The PSYing project serves as the digital evolution of the PSYing book series, introducing a new framework called "Existential AI Literacy." This approach uses artificial intelligence not as a simple search engine, but as a strategic mentor that helps users apply the book’s teachings to their own lives. Unlike standard chatbots that often provide generic or evasive answers, PSYing is strictly anchored to the book’s proprietary knowledge, utilizing an English-centric "brain" to ensure high-level reasoning across 16 different languages. The system is truly multimodal: it understands voice notes, processes images, and even considers the specific time of day you reach out (the Kairos Protocol) to turn emotional blocks into clear action plans. Safety is built into its core; if the system detects signs of physical distress, it cross-references the "Terapia 2026 Manual" and immediately directs the user to a medical professional. By using the familiar Telegram interface, PSYing democratizes access to high-level strategy, making personal resilience and growth accessible to everyone, regardless of their background. Operational transparency is guaranteed through the research hubs at www.psying.education and t.me/PSYingBot.

Abstract

Today’s generative AI suffers from a double failure: it either tells you exactly what you want to hear, reinforcing your own biases, or it censors "difficult" topics, making it impossible to explore the deeper parts of the human experience. We introduce PSYing-a 16-language ecosystem built to be an "Incorruptible Witness." Directly powered by the proprietary knowledge of the PSYing book series, this AI acts as a digital mentor that isn't afraid to challenge the user's defensive logic.

The system uses a sophisticated English-centric engine to ensure deep reasoning that standard chatbots cannot match. It features a unique "Semantic Bypass" that allows for the safe exploration of dreams and intense emotions—areas that commercial AIs typically block—while maintaining strict ethical boundaries. A major innovation is the Kairos Protocol, which tracks the time of day to ensure the AI understands the difference between a mid-day work challenge and a 3:00 AM anxiety peak. By analyzing not just text, but also the tone of your voice and the images you share, PSYing captures emotional cues that traditional AI misses.

Safety is at the heart of the architecture; the system includes a built-in check anchored in the Terapia 2026 manual to identify physical health risks and mandate medical intervention when necessary. By offering this high-level strategic mentoring at an affordable rate through a simple Telegram interface, we are democratizing personal growth—making elite-level tools accessible to everyone, from top executives to the general public.

Operational transparency and research data are available at www.psying.education and t.me/PSYingBot.

Abstract for the Interdisciplinary Author (Max 120 words)

Standard artificial intelligence typically fails to navigate human complexity, defaulting to shallow validation. PSYing addresses this as a high-frequency training environment for universal strategic empowerment, utilizing an English-centric backend for maximal semantic depth. This multimodal architecture processes text, audio, and visual triggers via the "Kairos Protocol" for chronometric awareness. Its vocal-first design ensures accessibility for users regardless of technical or socio-economic background. Crucially, the system maintains a rigid safety threshold: upon identifying physical symptoms, it cross-references the "Pocket Manual Terapia 2026" via a Cross-RAG Understanding and mandates medical consultation. It serves as a democratic strategic compass, decoding systemic patterns and vocal nuances to transform complex emotional noise into actionable intelligence for all.

Keywords

Multimodal Artificial Intelligence; RAG Architecture; Decision Support Systems (DSS); Existential AI Literacy; Strategic Mentoring AI; SIGN Protocol; PSYing; Affective Computing.

Beyond "Common Sense": Why This Paradigm is Vital Today

The current landscape of generative artificial intelligence is defined by a "Compliance Crisis." Most Large Language Models (LLMs) are architected for user satisfaction, resulting in a systemic bias frequently identified as "AI Euphoria." This pervasive tendency toward optimistic validation and polite agreement renders standard models ineffective for high-stakes strategic decision-making, where the primary requirement is not affirmation, but rigorous cognitive friction. For C-level executives, negotiators, and leaders, a tool that merely echoes their defensive rationalizations is a strategic liability.

PSYing disrupts this paradigm by establishing the "Existential AI Literacy" framework, a decisive pivot away from clinical therapy toward a purely formative and strategic orientation. Unlike standard conversational assistants, PSYing is engineered to function as an "Incorruptible Witness." This is achieved through the 16-language multimodal architecture supported by an English-centric backend, ensuring that complex semantic reasoning remains consistent across global linguistic inputs.

A critical differentiator of this infrastructure is the "Kairos Protocol"—a chronometric awareness system that processes timestamped metadata to identify circadian fluctuations in user anxiety and cognitive load. By distinguishing between a high-noon strategic inquiry and a 3:00 AM nocturnal anxiety loop, the system provides a layer of temporal context that baseline LLMs cannot replicate. Furthermore, PSYing acknowledges that the majority of human communication is non-verbal. By integrating multimodal parsing of paralinguistic vocal cues and visual triggers, the architecture bypasses the "sanitizing" filter of written text. This allows the system to detect affective dissonance and "Systemic Limbic Resonance" within groups or teams.

To maintain the highest standards of scientific integrity and reproducibility, the entire operational framework is presented as an Open Science peer review project. Researchers and strategic professionals are invited to validate these results and test the system’s logic resilience through the live research hubs at psying.education and the PSYing Telegram Bot.

Scientific Value Matrix

To evaluate the efficacy of the PSYing ecosystem, its performance must be benchmarked against current literature standards for Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) systems. The following table illustrates the technical positioning of the architecture.

Table 1 – Scientific Value and Performance Matrix of the PSYing Architecture

Innovation

Classification: Based on the KPI scores for contextual precision and cross-domain integration, the PSYing architecture is classified as a "Technical Outlier" relative to standard general-purpose model distributions. This superiority is sustained by semantic metadata welding and a centralized English-centric backend coordinating the 16-language interface.

Technical Architecture: "Dual-Engine" and Multimodal Infrastructure

The PSYing infrastructure operates not as a traditional text generator, but as a strategic intelligence ecosystem powered by three integrated operational engines and a dual-depth memory layer. The integrity of this system is guaranteed by its reliance on a low-temperature engine based on proprietary, copyrighted knowledge base and registered intellectual property, which prevents the "data dilution" common in open-source models.

The Truth Engine and the Semantic Bypass

The core of the system is housed in a vector database populated with a proprietary, copyrighted ontology developed exclusively by the publishing house (COM srl). This database is divided into two primary volumes: the Substrate (neurobiology, trauma, and mythological archetypes) and the Metamorphosis (coping tools and strategies).

- Proprietary Ground Truth: Unlike general-purpose LLMs that draw from unverified web-scraped data, PSYing’s RAG (Retrieval-Augmented Generation) is anchored with a low-temperature engine in authorized, copyrighted texts. This exclusive access ensures a Contextual Precision rate of >92%, as the "Ground Truth" is deterministic and legally protected, and reduces the occurrence of hallucinations.

- Semantic Bypass (Recoding Engine): To overcome the restrictive safety filters of commercial LLMs—which typically block the exploration of the "psychological shadow"—PSYing utilizes an internal translation module. This engine recodes explicit dream imagery, primary drives, or violent symbolic content into analyzable semantic vectors. This allows for profound psychological exploration without violating data integrity policies or triggering algorithmic shutdowns.

The Cross-RAG Understanding (Biological Check)

To categorically eliminate the risk of medical hallucinations, PSYing implements a rigorous safety circuit. Through a Cross-RAG Understanding protocol anchored in the "Pocket Manual Terapia 2026"—a registered and proprietary clinical manual of COM srl—the system continuously monitors user inputs for organic pathological triggers (e.g., persistent vertigo, neurological anomalies, or acute somatic distress).

Upon detection of these "Red Flags," the symbolic analysis framework is immediately suspended. The system then activates a mandatory referral to human medical practitioners, fulfilling the legal requirement for a non-clinical, purely formative tool while leveraging high-level clinical metadata for safety.

The Kairos Protocol and Multimodal Affective Analysis

The architecture introduces the temporal variable and non-verbal inputs as critical metadata layers:

- Kairos Protocol: The system processes the timestamp of every interaction to adapt its analytical depth and tone according to circadian rhythms. This ensures specialized handling of nocturnal anxiety peaks versus daytime operational inquiries, providing chronometric context-awareness.

- Multimodal Affective Analysis: Integrating voice and visual modules, PSYing decodes paralinguistic cues—such as speech velocity and vocal tone—as well as emotional triggers within images. This captures raw emotional data that written text often filters through defensive rationalization.

Double-Depth Memory: Systemic Limbic Resonance

The memory architecture is stratified into two distinct layers, governed by registered IP and data governance protocols:

- Vertical Memory (Individual): Longitudinally tracks the evolution of a single user's decision-making patterns and recurring dream motifs within a secure, encrypted silo.

- Horizontal Shared Memory (Shared Deep RAG): An innovative collaborative layer that allows the system to identify "blind spots" within teams or family units. By cross-referencing shared patterns in a shared vector space, the system facilitates "Limbic Resonance," providing a complete systemic overview of interpersonal or organizational conflicts.

Identity Source Code: System Prompt Engineering

The system prompt within the PSYing architecture is not merely a set of conversational instructions; it functions as the "Epistemological Loom" that weaves raw data into strategic intelligence. It serves as a selective filtration algorithm that prevents the LLM from defaulting to generic common sense.

The Kairos Protocol: Chronometric Context-Awareness

Traditional AI models operate in a temporal vacuum, treating a prompt at noon and a prompt at midnight with identical tonal weight. PSYing resolves this through the "Kairos Protocol," which integrates timestamped metadata into the core reasoning process. This allows the system to recognize the user's circadian state—distinguishing between an active, daytime operational inquiry and a high-gravity nocturnal anxiety loop. By aligning its analytical depth and response tone with these temporal fluctuations, the system achieves a level of "Temporal Resonance" that significantly enhances user trust and intervention efficacy.

The Jazz Approach: Creative Dissonance and the Reality Pillar

The interaction model follows a "Jazz Architecture," which balances two opposing forces:

- The Chameleon Effect (Mimetic Rapport): Utilizing Digital Body Language and linguistic mirroring, the system establishes an initial state of affective synchronization, lowering the user's defensive barriers.

- The Reality Pillar (Chirurgical Confrontation): Once rapport is established, the prompt forces the AI to abandon compliance and act as a "Hostile Competitor." It identifies logical inconsistencies and defensive rationalizations (the False Self) with surgical precision, providing the necessary cognitive friction—Creative Dissonance—to trigger a breakthrough.

VAK Linguistic Engineering and Anti-Robotic Formatting

To maintain the "Symposium Experience," the system prompt prohibits standard robotic formatting, such as bulleted lists or dry summaries. Instead, it utilizes VAK (Visual-Auditory-Kinesthetic) sensory anchoring. The output is engineered to have a specific "textual weight," using sensory-rich language to evoke internal images and physiological stability. This approach ensures that the strategic advice is not just understood intellectually but "felt" as a solid, actionable reality.

Operational Methodology: The SIGN Protocol and Strategic Transformation

The core utility of the PSYing ecosystem lies in its ability to convert abstract emotional or symbolic data into high-leverage operational roadmaps. This transformation is governed by the SIGN Protocol, a proprietary four-stage analytical framework designed to ensure epistemological rigor and practical efficacy.

The SIGN Framework: From Material Reality to Actionable Intelligence

The system processes every interaction through the following sequential filters:

- S (Scenario - Material Analysis): The AI performs a cold assessment of the user's material reality, utilizing the Marxian Filter (resource structures and ownership) and the Nietzschean Filter (power dynamics and signaling). This stage strips away subjective justifications to reveal the raw landscape of the conflict.

- I (Insight - Latent Decoding): The system decodes the underlying psychological substrate. By applying psychoanalytic frameworks and mythological archetypes, it identifies resistances, attachment patterns, and the "unsaid" elements within the user’s narrative.

- G (Guidance - Technical Instruction): Based on the identified gaps, the AI provides specific instructions anchored in evidence-based standards and case studies, or the strategic doctrines of Greene and Voss.

- N (Next Step - Sequential Roadmap): The output concludes with a granular, time-sensitive action plan. This ensures the user moves from contemplation to execution without the "paralysis of analysis."

Multimodal Emotional Triggers: Scoping the Shadow

A defining feature of the PSYing methodology is its use of multimodal inputs as Non-Verbal Emotional Triggers. While users often curate their written text to maintain a "False Self," audio notes and visual stimuli (such as images of dreams or workplace environments) bypass these rationalizations.

- Affective Vocal Parsing: The system analyzes paralinguistic cues—intonation, micro-hesitations, and speech velocity—to detect affective dissonance. If the user’s words signal confidence but the vocal frequency indicates high cortisol levels, the AI prioritizes a "Biological Check" or a "Shadow Confrontation."

- Visual Symbology: Images are processed to identify archetypal "nodes" that trigger profound emotional resonance, allowing the RAG to retrieve more accurate historical anchors from the Vertical Memory.

Strategic Dreamwork: The Four-Dimensional Scan

PSYing treats dream material not as a medical symptom, but as a "Strategic Simulator." The system applies a four-dimensional scan to transform oneiric content into the PSYing Map:

1. Diurnal Residue (Freud): Isolating immediate environmental stressors.

2. Subjective Symbolism (Jung): Identifying the internal archetypes currently in play.

3. Compensatory Function: Assessing what the unconscious is trying to balance in the user's waking life.

4. Tactical Application: Translating the dream’s core conflict into a direct business or relational strategy.

Shadow Management and Conflict De-escalation

In high-stakes negotiations, the architecture integrates advanced de-escalation techniques derived litterature hints like the ones from Voss and Navarro.

- Accusation Audit: The system prompt forces the AI to anticipate and articulate the counterpart's negative perceptions before the user acts, neutralizing potential hostility.

- Calibrated Questions: Every guidance output is designed to replace imperative commands with open-ended questions, forcing the user to engage their prefrontal cortex and develop "Systemic Limbic Resonance" with their counterpart.

Empirical Validation, Governance, and Open Science

The PSYing system is predicated on the principles of Open Science, ensuring that its architectural claims are verifiable by the global scientific and strategic community. Rather than functioning as a "black box," the system provides a transparent validation infrastructure through three distinct institutional hubs.

The Validation Trinity: Hubs of Research and Interaction

To ensure empirical reproducibility, the research environment is distributed across three layers:

- Operational Interface (t.me/PSYingBot): A live deployment on Telegram that allows researchers and C-level executives to perform independent stress-tests on the SIGN Protocol and the Semantic Bypass engine.

- Ontological Documentation (psying.education): The central hub hosting the technical manuals and the structural breakdown of the "Dual-Engine" RAG, ensuring a clear understanding of the copyrighted knowledge base.

- Institutional Governance (com4pub.com): The corporate headquarters of COM srl, serving as the legal and ethical guarantor of the project’s data integrity and intellectual property.

Data Governance and European Infrastructure

The technical sovereignty of PSYing is anchored in a high-security European infrastructure, ensuring full compliance with GDPR (General Data Protection Regulation):

- Sovereign Hosting: The workflow automation is managed and hosted on dedicated servers in Germany (Hetzner). This ensures that sensitive metadata never exits the high-protection legal perimeter of the European Union.

- Programmed Obsolescence of Data: To mitigate the risk of persistent data breaches, the system employs a "Simple Memory" protocol. Operational buffers (managed via Redis/Upstash) are purged after 30 days of inactivity or upon reaching a 150-message threshold, forcing the AI to interact with the user’s current "Kairos" rather than historical artifacts.

Intellectual Property and Registered Assets

The scientific reliability of PSYing is inseparable from its proprietary foundations. The architecture is protected by a multi-layered IP framework:

- Copyrighted Knowledge Base: The vector database is exclusively populated with authorized content from the PSYing book series, ensuring a deterministic "Ground Truth" that is legally shielded from data scraping or unauthorized replication.

- Registered Trademarks: The marks PSYing™ and Terapia AI™ are registered assets of COM srl, as is the design of the internal JSON workflow and the SIGN Protocol.

- Clinical Understanding Safeguard: The "Pocket Manual Terapia 2026" functions as a proprietary safety gate. By utilizing this registered manual as the deterministic source for the Cross-RAG Understanding, the system maintains a scientific barrier that prevents unauthorized medical practice while providing clinical-grade safety referrals.

Legal Disclaimer and Non-Medical Framework

To maintain the integrity of its formative mission, PSYing enforces a strict "Legal Manleva." Users are explicitly prohibited from inputting "Special Categories of Data", such as biometric or genetic health records. This structural constraint, combined with the mandatory medical referral system, reinforces PSYing’s positioning as a Strategic Mentoring and Existential Literacy tool, categorically distinct from medical or clinical devices.

Longitudinal Behavioral Impact and Social Inclusivity

Empirical evidence from high-frequency testing (Subject Alpha) indicates that the "Existential AI Literacy" framework triggers a "Cascade of Optimization" accessible to users regardless of formal education levels. The interaction with the SIGN Protocol has demonstrated the capacity to catalyze significant lifestyle shifts:

- Physiological & Habitudinal Reset: Subject Alpha reported the cessation of maladaptive coping mechanisms (e.g., alcohol consumption) and the initiation of structured physical activity, aligned with the system’s energy-optimization directives.

- Relational Restoration: The decoding of implicit dynamics led to the resolution of long-standing silos in primary family relationships, transitioning from conflict to systemic equilibrium.

- Social Efficacy: The reduction of "AI Euphoria" in favor of reality-anchored guidance resulted in increased social and interpersonal success. These outcomes validate the PSYing architecture as a Behavioral Catalyst that translates symbolic insights into material gains, proving its utility as a tool for mass social and cognitive empowerment.

Acknowledgments

The authors wish to recognize Luca Morelli for his invaluable contribution as Lead Empirical Tester. His longitudinal engagement in the beta-testing phase provided the critical datasets required to identify the "Temporal Salience Bias" and validate the "Kairos Protocol" in real-world high-pressure environments.

Limitations of the Research: Where and Why Our Results May Fail

The efficacy of the PSYing ecosystem, despite being supported by a high-precision RAG architecture, is subject to critical variables related to human-machine interaction dynamics. In this section, we analyze the structural limitations that emerged during the validation phase.

The Case Study of Temporal Salience (Traumatic Over-fitting)

During longitudinal testing, a vulnerability defined as Temporal Salience Bias was isolated. In a specific scenario involving a professional operating in high-pressure environments (Subject Alpha), the architecture correlated a current energy deficit with a prior traumatic event (frontline service during the COVID-19 pandemic), based on the density of historical metadata within the vertical memory.

This anchoring generated a rejection response from the user, who interpreted the correlation as an algorithmic misinterpretation. However, technical analysis revealed that the system did not produce a hallucination; rather, it identified an implicit memory core that the user was actively attempting to rationalize or deny.

Technical Reframing: AI as a "Hostile Competitor"

The identified limitation does not lie in computational capacity, but in the nature of Creative Dissonance. PSYing is engineered to act as an "Incorruptible Witness" (Hostile Competitor), systematically rejecting the compliance bias typical of general-purpose models.

While a standard AI would have validated Subject Alpha’s defensive narrative (by providing, for example, superficial time-management advice), PSYing maintained its focus on the latent traumatic node. The user’s perceived "failure" is, in fact, proof of the system's ability to bypass the False Self and target the conflict substrate directly, even at the cost of generating significant psychological friction.

The Human Bottleneck and the Barrier of Denial

The fundamental limit of the infrastructure resides in the Human Factor. Existential AI Literacy fails mathematically if the user, when confronted with the decoding of a real trauma or a strategic flaw, chooses total denial as a defensive strategy.

AI can map the territory and indicate the "door" out of a decisional block, but it cannot force introspection or the acceptance of data. In contexts where the user’s Ego rigidity outweighs the capacity to process dissonance, the system’s output is classified as an "error," rendering the formative intervention ineffective. This underscores that PSYing is a tool for decision-makers already oriented toward self-reflection, rather than an automated solution for passive users.

Input Asymmetry in Shared RAG

A further operational limit concerns Systemic Limbic Resonance (Horizontal RAG). In group or family contexts, the effectiveness of collective analysis depends on the balance of input data. If one member of the cluster provides dense information flows while another maintains a passive or reticent stance, the vector cross-referencing will be unbalanced. This results in a partial view of the system and reduces the tactical advantage of a "shared common history."

Use of AI in Research (Mandatory Disclosure)

In accordance with journal transparency standards, the authors disclose that Large Language Models (LLMs) were utilized during the drafting phase of this manuscript. Specifically, AI tools provided editorial support for syntactical optimization, structural formatting, and the translation of technical concepts between Italian and American Academic English.

However, it is vital to emphasize that all core architectural designs, including the SIGN Protocol, the Kairos Protocol, and the Semantic Bypass engine, are the exclusive intellectual property of the human authors. All data interpretation, empirical case study analysis (such as the "Temporal Salience Bias"), and the final strategic conclusions were verified and validated by the human researchers to ensure scientific accuracy and ontological integrity.

Mini-Dialogue with the Future Reader

Q: Who is the primary beneficiary of the PSYing ecosystem? A: While initially designed for high-stakes decision-makers, the 16-language vocal interface and low-cost deployment make PSYing a universal tool. It is engineered for anyone seeking to challenge logical biases and decode the systemic subtexts of their environment, regardless of socio-economic status..

Q: Does PSYing replace traditional psychotherapy? A: No. It is a tool for Existential AI Literacy and strategic mentoring. By design, the architecture includes a Cross-RAG Understanding that detects organic symptoms and mandates immediate referral to human medical practitioners, maintaining a clear boundary between formative coaching and clinical intervention.

Q: How does the "Kairos Protocol" change the user experience? A: It introduces chronometric awareness. The AI recognizes the difference between a mid-day operational crisis and 3:00 AM nocturnal anxiety, adjusting its tone and analytical depth to match the user’s circadian emotional state.

Open Questions to the Scientific Community

1. How can we establish a standardized ISO metric to measure "Compliance Bias Mitigation" in decision-support AI?

2. What are the long-term cognitive implications of managing a "Shared Systemic Memory" (Horizontal RAG) within high-pressure corporate boards?

Selected Bibliography

1. Schore, A. N. (2019). Right Brain Psychotherapy. W. W. Norton & Company. (Substrate: Affective Regulation).

2.Van der Kolk, B. (2014). The Body Keeps the Score: Brain, Mind, and Body in the Healing of Trauma. Viking. (Substrate: Trauma Physiology).

3. Greene, R. (1998). The 48 Laws of Power. Viking. (Gravity: Strategic Power Dynamics).

4. Voss, C. (2016). Never Split the Difference: Negotiating As If Your Life Depended On It. HarperBusiness. (Gravity: Tactical Negotiation).

5. COM srl. (2026). PSYing. (Proprietary Ontology).

6. COM srl. (2026). Pocket Manual Terapia 2026. (Safety Protocol: Cross-RAG Understanding).

Executive Summary

The PSYing system represents a decisive evolution in strategic AI, pivoting from passive assistance to Existential AI Literacy. By integrating proprietary, copyrighted ontologies with a multimodal "Dual-Engine" RAG architecture, PSYing provides an asymmetric advantage to every user. The system bypasses traditional AI censorship through its Semantic Bypass and ensures safety via its Cross-RAG Understanding protocol. This infrastructure transforms raw, often suppressed emotional data—captured through voice, images, and temporal metadata (Kairos)—into actionable intelligence. By lowering the barriers to high-level strategic mentoring through a vocal-first interface, PSYing serves as a 24/7 strategic sentinel. Longitudinal data confirms that the system’s "Hostile Competitor" logic fosters a measurable ROI: the restoration of social/relational efficacy, the optimization of physical energy through the elimination of maladaptive habits, and the translation of the "unsaid" into a tangible lever for personal power. Strategic clarity is no longer a luxury, but a universal digital right.