From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI

Each language version is independently generated for its own context, not a direct translation.

De Kernprobleem: De "Fluïde" maar "Onbetrouwbare" AI

Stel je voor dat je een zeer slimme, maar ongedisciplineerde assistent hebt. Deze assistent (de huidige AI) heeft alles gelezen wat er bestaat. Als je hem vraagt: "Wat is de beste route voor deze vrachtwagen?", geeft hij direct een prachtig, vloeiend antwoord. Hij klinkt als een expert.

Maar er is een groot probleem: Hij kijkt niet naar de regels van vandaag.
Misschien is de vrachtwagen niet verzekerd voor die route, of is er een staking bij de haven, of heeft de chauffeur geen vergunning meer. De AI weet dit niet, omdat hij gewoon "uit zijn hoofd" antwoordt op basis van zijn algemene kennis. Hij geeft een antwoord dat klinkt alsof het klopt, maar in de echte wereld is het onmogelijk of illegaal.

In de zakenwereld noemen we dit "Illusoire Nauwkeurigheid": Het antwoord lijkt perfect (98% correct), maar het is gebaseerd op een verkeerde werkelijkheid. Als je dit foutieve antwoord volgt, krijg je een boete of een crash.

De Oplossing: LOM-action (De "Simulatie-Motor")

De auteurs van dit paper (van Yonyou) hebben een nieuwe manier bedacht om AI te bouwen voor bedrijven. Ze noemen het LOM-action.

In plaats van dat de AI direct antwoordt, dwingen ze de AI om eerst een simulatie te draaien.

De Analogie: De "Proefkeuken"

Stel je voor dat een groot restaurant een nieuw gerecht wil serveren.

De oude manier (Huidige AI): De chef-kok (de AI) denkt na over het recept en zegt direct: "Dit smaakt perfect!" Hij heeft het nooit echt geproefd.
De nieuwe manier (LOM-action): De chef-kok moet eerst naar de proefkeuken (de sandbox).
1. De gebeurtenis: Er komt een bestelling binnen (bijv. "Een klant wil een dure rekening betalen").
2. De simulatie: De chef pakt een kopie van het menu en de regels van het restaurant. Hij past deze aan op basis van de specifieke situatie (bijv. "Deze klant heeft een korting, maar mag niet meer dan €500 uitgeven"). Hij snijdt de ingrediënten die niet mogen, en voegt de nieuwe regels toe. Dit is de gesimuleerde wereld.
3. De beslissing: Pas nadat hij in die gesimuleerde wereld heeft gekeken, zegt hij: "Oké, nu ik weet wat de regels zijn, is het antwoord: Ja, maar alleen tot €500."

Hoe werkt het precies? (Stap voor Stap)

Het proces van LOM-action bestaat uit drie fases, zoals een strakke receptie:

Fase 1: De Vertaler (Scenario Parsing)
De AI leest de vraag en vertaalt deze naar de "taal van de regels" (de Ontologie). Hij vraagt zich af: "Welke regels gelden er nu? Wie mag wat?"
- Voorbeeld: "Ah, deze vraag gaat over een nieuwe afdeling. Ik moet de regels voor die afdeling activeren."
Fase 2: De Zandbak (Sandbox Simulation)
Dit is het belangrijkste deel. De AI maakt een tijdelijke kopie van de bedrijfsgegevens (de grafiek). In deze zandbak past hij de regels toe.
- Hij verwijdert knopen die niet mogen.
- Hij voegt nieuwe regels toe.
- Belangrijk: Hij doet dit in een gesloten ruimte. Hij raakt de echte, vaste database nooit aan. Hij creëert een "wereld van nu".
Fase 3: De Beslissing (Decision Derivation)
Pas nu, met die aangepaste wereld in zijn hoofd, vraagt de AI: "Wat is het beste antwoord in deze specifieke wereld?"
- Het antwoord is nu gegarandeerd correct volgens de regels.
- Er is een auditlog: een volledige lijst van wat er in de zandbak is gebeurd. Als er later een vraag komt "Waarom heb je dit gedaan?", kan je precies zien welke regels er zijn toegepast.

Twee Manieren van Werken (De "Twee-Modus" Architectuur)

De AI werkt op twee manieren, afhankelijk van de vraag:

De Vaardigheids-modus (Skill Mode): Als er al een bekende tool is (bijv. "Bereken de kortste route"), gebruikt de AI die tool direct op de gesimuleerde wereld. Dit is snel en foutloos.
De Redenerings-modus (Reasoning Mode): Als er een heel nieuwe, rare vraag is waar geen tool voor bestaat, denkt de AI zelf na over de gesimuleerde wereld. Hij leest de aangepaste regels en berekent het antwoord.

Waarom is dit zo belangrijk?

De paper toont aan dat de huidige super-AI's (zoals DeepSeek of Doubao) snel maar onbetrouwbaar zijn in complexe situaties.

Ze hebben een 80% nauwkeurigheid (ze lijken het goed te doen).
Maar hun Tool-Chain F1 (een maatstaf voor of ze de regels echt hebben gevolgd) is slechts 24-36%. Ze snijden de hoekjes af.

LOM-action daarentegen heeft:

93% nauwkeurigheid.
98% Tool-Chain F1.

Ze volgen de regels altijd. Ze simuleren eerst, beslissen daarna.

De Grootste Les: "Simulatie Eerst"

De kernboodschap van dit paper is: Grootheid van het model is niet alles.
Het maakt niet uit hoe slim je AI is; als hij niet eerst de "regels van vandaag" simuleert, is zijn antwoord waardeloos voor een bedrijf.

Consumenten-AI: "Geef me het leukste antwoord." (De AI mag fantaseren).
Bedrijfs-AI: "Geef me het controleerbare antwoord." (De AI moet eerst de wetten van de situatie simuleren).

Samenvatting in één zin

LOM-action is een slimme AI die niet direct antwoordt, maar eerst een "proefversie" van de werkelijkheid maakt om te zien welke regels gelden, zodat elk antwoord dat hij geeft, niet alleen slim klinkt, maar ook juridisch en logisch waterdicht is.

Each language version is independently generated for its own context, not a direct translation.

Titel: Van Bedrijfsgebeurtenissen tot Auditabele Beslissingen: Ontologie-gestuurde Graafsimulatie voor Enterprise AI

1. Het Probleem: De Architecturale Falen van Huidige Enterprise AI

Bestaande agent-systemen op basis van Large Language Models (LLM's) delen een fundamenteel architecturaal tekort: ze genereren antwoorden vanuit een onbeperkte kennisruimte zonder eerst te simuleren hoe actieve bedrijfsscenario's die ruimte voor de specifieke gebeurtenis herschikken.

Het Kernprobleem: Enterprise-beslissingen worden niet genomen op basis van een statische ontologie, maar op een versie die is geëvolueerd door de actuele bedrijfscondities (bijv. geldende vervoerscontracten, actieve uitgavenbeleid, organisatorische reikwijdte).
De Gevolgen: Algemene LLM's missen het mechanisme om deze evolutie uit te voeren. Ze produceren vlotte, maar "ongroundede" antwoorden die geen audittrail hebben.
Illusoire Nauwkeurigheid (Illusive Accuracy): Het artikel introduceert het concept dat een model een hoge antwoordnauwkeurigheid (Accuracy) kan hebben, maar een nul-toolchain F1-score. Dit betekent dat het model het juiste antwoord geeft, maar dit doet door de verkeerde graaf (de statische, niet-gesimuleerde graaf) te raadplegen in plaats van de gesimuleerde, scenario-valid graaf. Dit maakt beslissingen oncontroleerbaar en niet-auditabel.

2. Methodologie: LOM-action

Het voorgestelde systeem, LOM-action, introduceert een "event-driven ontology simulation" architectuur. Het doel is om elke beslissing af te leiden uit een gesimuleerde, geldige graaf ( $G_{sim}$ ) die is gevormd door bedrijfsgebeurtenissen.

De Kernpipeline: Gebeurtenis $\rightarrow$ Simulatie $\rightarrow$ Beslissing
De pipeline bestaat uit drie strikt gescheiden fasen:

Fase 1: Scenario Parsing (Scenario-analyse)
- Het systeem ontvangt een gestructureerde bedrijfsgebeurtenis (event payload).
- Het aligneert deze met de Enterprise Ontologie (EO) en identificeert actieve scenario-condities ( $\mathcal{R}$ ).
- Complexe natuurlijke taal-scenario's worden omgezet in een gedetailleerd "scenario-programma": een geordende reeks van sandbox-operaties die de logische voorwaarden van het scenario implementeren.
Fase 2: Sandbox Simulatie (De "First Principle")
- Voordat er een beslissing wordt genomen, wordt een werkende kopie van de enterprise-ontologie geïnstancieerd in een geïsoleerde sandbox (gebaseerd op een unieke graph_id).
- De model-geïnspireerde tool-calls (zoals match_nodes, delete_nodes) passen de scenario-condities toe op deze sandbox.
- Dit resulteert in een $G_{sim}$ (de scenario-valid graaf). Cruciaal: de sandbox is gescheiden van de autoritaire EO-graaf; mutaties zijn alleen zichtbaar binnen de sessie.
- Belangrijk: Als de simulatie resulteert in een lege graaf (geen geldige paden), is dit een geldig, auditabel resultaat, geen systeemfout.
Fase 3: Beslissingsafleiding
- Alle beslissingen (bijv. kortste pad, maximale stroom) worden uitsluitend afgeleid uit de gesimuleerde graaf $G_{sim}$ .
- Elke stap wordt gelogd in een traceerbare audit-log, waardoor elke beslissing volledig reproduceerbaar is.

Dubbele Uitvoeringsarchitectuur (Dual-Mode)
LOM-action opereert in twee modi om context-efficiëntie en nauwkeurigheid te balanceren:

Skill Mode (Standaard): Als er een geregistreerde vaardigheid (skill) is die past bij de situatie, voert het systeem tool-calls uit tegen de sandbox. De ruwe graafdata komt niet in de context van het LLM; alleen gestructureerde resultaten en metadata. Dit houdt de context klein en schaalbaar.
Reasoning Mode (Uitzondering): Voor nieuwe berekeningen zonder geregistreerde skill, wordt een gefuseerde, gezuiverde versie van de gesimuleerde graaf in de context geladen voor in-context redenering.

Ontologie Harness Engineering
Het systeem fungeert als een "harnas" dat de autoriteit van de ontologie koppelt aan de LLM. Menselijke interventie (Human-in-the-Loop) wordt gebruikt bij onzekerheid in de intentie-alignment om te voorkomen dat de simulatie op een verkeerde scope draait.

3. Belangrijkste Bijdragen

Scenario Simulatie Innovatie: Het introduceren van een verplichte sandbox-simulatie stap die de graaf evolueert voordat een beslissing wordt genomen. Dit sluit de "simulatiekloof" die frontier LLM's systematisch open laten.
Beslissingsafleiding Innovatie: De implementatie van de strikt sequentiële pipeline (Gebeurtenis $\rightarrow$ Simulatie $\rightarrow$ Beslissing) met een dubbele modus-architectuur, waarbij elke beslissing een volledig traceerbare audit-log genereert.
Het "Simulatie-eerst" Principe en Illusive Accuracy Index:
- Het principe stelt dat de beste beslissing de beste is die afgeleid kan worden uit de gesimuleerde graaf, niet de statische graaf.
- Introductie van de Illusive Accuracy Index (IA): $IA(M) = Acc(M) - F1_{chain}(M)$ . Een hoge IA-waarde duidt op een systeem dat vlotte antwoorden geeft zonder de vereiste simulatie-stap uit te voeren.

4. Resultaten en Evaluatie

Het model is getraind op een dataset van 2.200 voorbeelden (11 taken) en vergeleken met frontier-baselines (Doubao-1.8 en DeepSeek-V3.2) in een zero-shot setting.

Nauwkeurigheid (Accuracy): LOM-action behaalde 93,82%, vergeleken met ~80% voor de baselines.
Tool-Chain F1 (De cruciale metric): LOM-action behaalde 98,74%. De baselines scoorden slechts 24,42% (Doubao) en 36,21% (DeepSeek).
- Opmerkelijk: Bij basis-taken (zoals graaf-traversie) hadden de baselines een F1 van 0,00 ondanks een nauwkeurigheid van bijna 100%. Dit bevestigt dat ze de juiste antwoorden gaven door de sandbox te omzeilen en direct op de statische graaf te redeneren.
Scenario-taken: Bij taken die een simulatie vereisten (bijv. fc_constraint_connection), was het gat in nauwkeurigheid het grootst (LOM-action: 100% vs. Baselines: ~65%). De baselines faalden omdat ze de scenario-condities (zoals toegangspolitie) negeerden.
Illusive Accuracy: De baselines hadden hoge IA-waarden (0,56 en 0,44), wat aangeeft dat hun "nauwkeurigheid" grotendeels illusoir was voor enterprise-doelen. LOM-action had een negatieve IA (-0,05), wat betekent dat hun nauwkeurigheid volledig gebaseerd was op correcte simulatie-afleiding.

5. Betekenis en Conclusie

Het artikel concludeert dat modelgrootte niet de bepalende factor is voor betrouwbare Enterprise AI, maar wel de architectuur.

Vertrouwbaarheid: Alleen een systeem dat een "simulatie-eerst" principe toepast, kan beslissingen leveren die auditabel, reproduceerbaar en conform bedrijfsregels zijn.
Paradigmaverschuiving: Enterprise AI moet verschuiven van "retrieval-augmented generation" (vragen wat de context zegt) naar "simulation-governed decision making" (vragen wat de gesimuleerde situatie zegt).
Toekomst: De weg naar productie vereist de integratie van de "SKILLS"-standaard (voor machine-leesbare ontologie-schema's) en het valideren van de schaalbaarheid op echte, enorme enterprise-ontologieën.

Kortom, LOM-action bewijst dat voor enterprise-toepassingen de capaciteit om scenario's te simuleren en beslissingen daarop te baseren, de enige weg is naar echt betrouwbare en auditabele AI.