Cyfrowe bliźniaki zaczynają zmieniać się same. Połączono je z agentami AI i skrócono czas reakcji fabryki o 47 proc.

Cyfrowy bliźniak fabryki do tej pory przypominał niezwykle dokładną, stale aktualizowaną kopię rzeczywistego zakładu. Otrzymywał informacje z czujników, pokazywał stan maszyn, pozwalał uruchamiać symulacje i pomagał przewidywać skutki zmian. Problem pojawiał się wtedy, gdy sama fabryka się zmieniała. Nowa maszyna, zmieniony układ stanowisk, inna kolejność operacji albo niespodziewane zakłócenie mogły sprawić, że cyfrowy model przestawał dokładnie odpowiadać rzeczywistości i wymagał ręcznej aktualizacji przez inżynierów. Badacze z Donghua University postanowili połączyć cyfrowego bliźniaka z systemem wielu agentów opartym na dużych modelach językowych. Powstał model, który ma nie tylko obserwować zakład, ale również przebudowywać własną wiedzę, logikę działania i reprezentację geometryczną.

Najbardziej interesujący jest wynik eksperymentu przeprowadzonego na linii monitorowania i sortowania wadliwych części. W porównaniu z tradycyjnym podejściem rozwiązanie oparte na LLM-MAS skróciło łącznie czasy przezbrojenia i odzyskiwania działania po zakłóceniach o 47 proc., jednocześnie obniżając liczbę fałszywych alarmów. Warto więc doprecyzować nagłówek: nie oznacza to, że każda fabryka wykorzystująca agentów AI automatycznie reaguje o 47 proc. szybciej. Jest to rezultat konkretnego eksperymentu na elastycznej linii produkcyjnej. Mimo tego badanie pokazuje ważną zmianę kierunku. Cyfrowy bliźniak przestaje być wyłącznie modelem aktualizowanym przez człowieka i zaczyna otrzymywać mechanizmy autonomicznego dostosowywania się do zmian w fizycznym zakładzie.

Czym różni się samodzielnie zmieniający cyfrowy bliźniak od modeli używanych dziś w fabrykach?

Klasyczny cyfrowy bliźniak działa dzięki ciągłemu połączeniu świata fizycznego i cyfrowego. Dane z maszyn, sterowników PLC, systemów MES, kamer i czujników IoT aktualizują jego wirtualną reprezentację. Dzięki temu operator może obserwować rzeczywisty stan zakładu, analizować awarie, testować ustawienia albo symulować wpływ zmiany harmonogramu. Model nadal jednak zazwyczaj posiada wcześniej zdefiniowaną strukturę. Jeśli fizyczna linia zostanie przebudowana, zmieni się sposób wykonywania zadania albo do produkcji dojdzie nowy wariant produktu, ktoś musi odpowiednio zmodyfikować model, logikę symulacji lub relacje pomiędzy jego elementami.

Podejście przedstawione przez Ding Gao, Xiaojiana Wena, Jianhao Lv i współautorów próbuje usunąć właśnie tę barierę. Ich "self-evolving digital twin" jest podzielony na trzy współpracujące warstwy: wiedzę, zachowanie oraz geometrię. System agentów AI analizuje napływające informacje i może aktualizować każdą z nich. Jeśli zmienia się proces, modyfikowany jest model zachowania. Jeśli zmienia się fizyczny układ urządzeń, aktualizowana może być reprezentacja geometryczna. Jeśli pojawia się nowy kontekst dotyczący produktu, maszyny lub zakłócenia, rozbudowywany jest graf wiedzy. Cyfrowy bliźniak przestaje więc być statyczną konstrukcją, którą trzeba ręcznie dostosowywać przy każdej większej zmianie.

Jak agenci AI sprawiają, że cyfrowy bliźniak może aktualizować się bez ręcznej przebudowy?

Kluczowym elementem rozwiązania jest system wieloagentowy LLM-MAS. Zamiast wykorzystywać jeden ogromny model AI do wszystkich zadań, architektura dzieli pracę pomiędzy wyspecjalizowane jednostki. Poszczególni agenci mogą odpowiadać za interpretowanie danych, rozpoznawanie zmian, budowanie relacji w grafie wiedzy, tworzenie modelu zachowania albo koordynowanie kolejnych działań. Duży model językowy daje systemowi możliwość interpretowania informacji opisanych w różnych formach i wiązania ich z aktualnym kontekstem produkcyjnym.

To podejście różni się od wcześniejszych algorytmów reagujących wyłącznie na z góry zdefiniowane reguły. Agent może otrzymać cel, zebrać odpowiednie informacje z kilku źródeł, uruchomić narzędzia i przekazać wyniki kolejnemu agentowi. Podobną architekturę opisują inne badania nad agentic AI w produkcji, gdzie oddzielne warstwy odpowiadają za percepcję, analizę, przewidywanie, optymalizację oraz planowanie. LLM może pełnić rolę koordynatora wybierającego odpowiedni proces, podczas gdy mniejsze modele działające na brzegu sieci wykonują zadania wymagające niewielkich opóźnień. W fabryce jeden "agent AI" jest więc coraz częściej całym zespołem wyspecjalizowanych komponentów.

Dlaczego w nowym cyfrowym bliźniaku tak ważny jest ewoluujący graf wiedzy?

Fabryka generuje ogromną liczbę informacji, ale same dane nie wystarczą do podejmowania decyzji. System musi wiedzieć, że konkretny czujnik należy do określonej maszyny, maszyna wykonuje wybraną operację, ta operacja dotyczy określonego produktu, a jej wynik wpływa na kolejny etap procesu. Graf wiedzy przechowuje właśnie takie relacje. Zamiast zestawu niezależnych tabel system otrzymuje semantyczną mapę zakładu pokazującą związki pomiędzy urządzeniami, produktami, zadaniami, parametrami i zdarzeniami.

Nowością jest to, że graf nie ma pozostawać zamrożony po pierwszym wdrożeniu. System wykorzystuje możliwości interpretacyjne dużych modeli językowych do syntezowania i aktualizowania wiedzy pochodzącej z heterogenicznych źródeł. Jeżeli na linii pojawia się nowy typ produktu albo inne stanowisko zaczyna realizować część procesu, relacje mogą zostać odpowiednio przebudowane. Jest to szczególnie istotne w produkcji elastycznej, gdzie małe serie, częste przezbrojenia i zmieniające się warianty produktów powodują, że model odpowiadający rzeczywistości w poniedziałek niekoniecznie będzie kompletny tydzień później.

Jak cyfrowy bliźniak może sam zmieniać logikę działania procesu produkcyjnego?

Drugą warstwą jest model zachowania, czyli opis tego, jak poszczególne elementy fabryki powinny działać i wchodzić ze sobą w interakcje. W klasycznych rozwiązaniach znaczna część tej logiki zostaje przygotowana wcześniej przez inżyniera. Badacze proponują natomiast mechanizm koordynacji oparty na zadaniach, który pozwala dynamicznie generować i rekonstruować modele zachowania. Jeśli pojawia się zakłócenie, system nie ogranicza się do stwierdzenia, że rzeczywistość odbiega od pierwotnego modelu. Może spróbować dostosować własną logikę do nowego stanu.

To szczególnie interesujące w przypadku awarii albo nagłej zmiany konfiguracji linii. Dotychczas cyfrowy bliźniak mógł przewidzieć skutki problemu, ale opracowanie alternatywnego procesu często należało do człowieka. Agentowe podejście zmierza w kierunku, w którym system sam rozpoznaje zmianę, dobiera odpowiednie modele, tworzy alternatywny scenariusz i uruchamia jego analizę. Współczesne badania nad agentowymi cyfrowymi bliźniakami opisują podobny schemat także w łańcuchach dostaw: agent identyfikuje zakłócenie, inny uruchamia test w modelu symulacyjnym, a kolejny ocenia, czy sytuacja wymaga zmiany planu produkcji.

Czy cyfrowy bliźniak może również samodzielnie zmieniać swoją reprezentację 3D?

Taką możliwość zakłada trzecia warstwa zaproponowanej architektury. Model geometryczny cyfrowego bliźniaka nie jest już traktowany jako statyczna wizualizacja przygotowana raz podczas wdrożenia. Zachowanie systemu może prowadzić do czasoprzestrzennej rekonfiguracji jego reprezentacji geometrycznej. Oznacza to, że gdy zmieni się pozycja, rola lub relacja określonych elementów linii produkcyjnej, cyfrowa reprezentacja ma zostać odpowiednio przebudowana, aby nadal odpowiadała rzeczywistemu środowisku.

To ważne, ponieważ coraz więcej fabryk ma być elastycznych również fizycznie. Roboty mobilne, coboty, zmienne stanowiska, autonomiczny transport i rekonfigurowalne linie sprawiają, że układ hali nie musi być identyczny przez cały cykl życia produktu. Model 3D przygotowany podczas projektowania fabryki może więc szybko się dezaktualizować. Jeżeli geometria stanie się elementem automatycznie synchronizowanym z logiką procesu i aktualną wiedzą, cyfrowy bliźniak będzie mógł pełnić rolę bardziej dynamicznego środowiska operacyjnego, a nie jedynie efektownej wizualizacji zakładu.

Skąd dokładnie wzięło się 47 proc. krótszego czasu reakcji fabryki?

Liczba pochodzi z eksperymentów opisanych w artykule "Self-evolving digital twins in flexible manufacturing: A large language model-powered multi-agent approach", opublikowanym w czasopiśmie "Digital Engineering". Autorzy przetestowali rozwiązanie na linii odpowiedzialnej za monitorowanie wad części i ich sortowanie. W porównaniu z konwencjonalną metodą architektura LLM-MAS skróciła o 47 proc. czasy changeover and recovery, czyli czas potrzebny na zmianę konfiguracji oraz odzyskanie prawidłowego działania po zakłóceniu. Jednocześnie system znacząco ograniczył liczbę fałszywych alarmów.

To istotne doprecyzowanie, ponieważ określenie "czas reakcji fabryki" może sugerować ogólny wzrost szybkości działania całego zakładu o 47 proc. Badanie tego nie dowodzi. Wynik dotyczy konkretnego przypadku testowego i określonego zestawu operacji. Nie znamy również na jego podstawie efektu po wieloletnim wdrożeniu w dużym zakładzie zatrudniającym tysiące osób. Rezultat jest jednak interesujący dlatego, że pokazuje potencjalną przewagę systemu zdolnego do aktualizowania modelu podczas zmiany warunków, zamiast czekania, aż człowiek ręcznie dostosuje cyfrowego bliźniaka do nowej rzeczywistości.

Dlaczego 47 proc. szybsze przezbrojenie i odzyskiwanie działania może mieć ogromne znaczenie ekonomiczne?

W fabryce czas reakcji na zakłócenie jest bezpośrednio związany z pieniędzmi. Jeżeli linia musi produkować różne warianty wyrobu, każde przezbrojenie może oznaczać okres, w którym nie powstaje produkt przeznaczony do sprzedaży. Podobnie działa awaria, zmiana ustawień maszyny czy problem z jakością. Im dłużej zespół potrzebuje na zrozumienie sytuacji, znalezienie rozwiązania, sprawdzenie go i wdrożenie, tym większa może być utrata przepustowości. W zakładzie produkującym tysiące elementów na godzinę nawet kilka minut ma wymierną wartość.

Cyfrowy bliźniak połączony z agentami AI może próbować skrócić przede wszystkim czas pomiędzy wykryciem zmiany i przygotowaniem sensownej reakcji. Zamiast kolejno zbierać dane, przekazywać je inżynierowi, aktualizować model i dopiero uruchamiać symulację, część tych działań może odbywać się równolegle oraz automatycznie. Badania nad agentowymi systemami produkcyjnymi wskazują właśnie na możliwość koordynowania percepcji, analizy, diagnostyki i optymalizacji przez oddzielne komponenty. Nie oznacza to automatycznego wzrostu produkcji o 47 proc., ale może skrócić jeden z najbardziej kosztownych etapów reagowania na zmiany.

Czy agent AI będzie mógł sam zmienić ustawienia maszyny na hali produkcyjnej?

Technicznie systemy zmierzają w kierunku zamkniętej pętli, w której wykrycie problemu prowadzi nie tylko do rekomendacji, ale również do wykonania działania. Nie oznacza to jednak, że duży model językowy powinien otrzymać nieograniczony dostęp do sterowników PLC i samodzielnie zmieniać parametry maszyny. W środowisku przemysłowym błędna decyzja może spowodować uszkodzenie sprzętu, wadliwą produkcję albo zagrożenie dla pracowników. Dlatego współczesne architektury agentic AI coraz częściej wprowadzają warstwy reguł, ograniczeń, kontroli ryzyka i zatwierdzania przez człowieka.

Dobry przykład pokazała branża podczas GTC 2026. Prezentowana architektura Manufacturing Intelligence Hub opiera się na prostym schemacie: AI proponuje, cyfrowy bliźniak sprawdza rozwiązanie w symulacji, systemy IT i OT wykonują działanie, a człowiek pozostaje odpowiedzialny za zatwierdzenie decyzji. Agenci mogą samodzielnie wywoływać symulacje i korzystać z zewnętrznych narzędzi, lecz decyzja o ingerencji w fizyczną produkcję pozostaje kontrolowana. To prawdopodobnie znacznie bardziej realistyczny model dla najbliższych lat niż fabryka, w której LLM bez nadzoru zmienia parametry krytycznych maszyn.

Dlaczego cyfrowy bliźniak może być warstwą bezpieczeństwa dla agentów AI?

Duży model językowy potrafi tworzyć plany i interpretować złożone polecenia, ale nie zna praw fizyki w taki sam sposób jak model inżynieryjny. Może wygenerować przekonująco brzmiącą propozycję, która w rzeczywistym zakładzie okaże się niemożliwa, nieefektywna albo niebezpieczna. Cyfrowy bliźniak daje możliwość sprawdzenia takiej decyzji przed przesłaniem jej do systemów sterowania. Agent może więc zaproponować nowy harmonogram, zmianę trasy robota albo ustawienie procesu, a model symulacyjny ocenia konsekwencje.

Powstaje w ten sposób interesujący podział ról. AI odpowiada za rozumowanie, poszukiwanie rozwiązań i koordynację, natomiast cyfrowy bliźniak za weryfikowanie ich w modelu opartym na parametrach rzeczywistego systemu. Człowiek może zobaczyć nie tylko rekomendację, ale również wynik symulacji pokazujący spodziewany wpływ na przepustowość, jakość, zużycie energii czy bezpieczeństwo. Takie rozwiązanie nie eliminuje ryzyka błędu, ale jest znacznie bardziej wiarygodne niż bezpośrednie przekazywanie tekstowej decyzji LLM do systemów OT.

Czy autonomiczny cyfrowy bliźniak oznacza koniec klasycznych symulacji produkcyjnych?

Przeciwnie. Nowe podejście może zwiększyć ich znaczenie. Agentic AI nie musi zastępować modelu symulacyjnego. Może zdecydować, kiedy należy go uruchomić, jakie scenariusze przetestować i jak zinterpretować wyniki. W pracy dotyczącej agentic supply chain digital twins autorzy opisują właśnie połączenie modeli, optymalizacji i AI. Przykładowy agent ryzyka może wykryć pożar u dostawcy, a agent produkcyjny automatycznie uruchomić stress test w cyfrowym bliźniaku i na podstawie wyniku podnieść poziom zagrożenia.

Zmienia się więc sposób korzystania z modeli. Dotychczas analityk musiał często sam zauważyć problem, przygotować dane wejściowe, skonfigurować eksperyment i przeanalizować rezultat. Agent może wykonywać znaczną część tych operacji automatycznie. Odrębnym problemem pozostaje czas obliczeń. Badania z 2026 roku nad preskryptywnymi cyfrowymi bliźniakami zwracają uwagę, że tradycyjna symulacja zdarzeń dyskretnych bywa zbyt wolna dla systemów wymagających decyzji w czasie rzeczywistym. Dlatego rozwijane są mechanizmy selekcji kluczowych czynników i przyspieszania symulacji. Autonomia potrzebuje więc nie tylko inteligentniejszego modelu, ale również szybszej infrastruktury obliczeniowej.

Czy takie rozwiązania mogą działać przy naprawdę szybko zmieniających się procesach produkcyjnych?

To właśnie produkcja elastyczna jest jednym z najbardziej logicznych zastosowań. W fabryce wytwarzającej przez kilka lat ten sam produkt na identycznej linii ręczna aktualizacja modelu co kilka miesięcy może być wystarczająca. Inaczej wygląda zakład produkujący krótkie serie, personalizowane wyroby lub często przełączający się pomiędzy wariantami. Każda zmiana konfiguracji powoduje wtedy ryzyko, że cyfrowy bliźniak zacznie pozostawać w tyle za fizycznym systemem. Samoczynna aktualizacja wiedzy, zachowania i geometrii ma rozwiązywać właśnie ten problem.

Dużą rolę będzie odgrywać jednak opóźnienie całej architektury. Dane muszą zostać zebrane, przesłane, zinterpretowane i wykorzystane przez model wystarczająco szybko, aby decyzja nadal była aktualna. Dlatego cyfrowe bliźniaki coraz częściej łączą chmurę z edge computing. Jedno z badań inteligentnych fabryk pokazało architekturę łączącą lokalne AI, federated learning i współsymulację, w której opóźnienie wynosiło około 42 ms, znacznie mniej niż przy podejściu skoncentrowanym wyłącznie na chmurze. To inna praca niż eksperyment z wynikiem 47 proc., ale dobrze pokazuje, dlaczego część inteligencji fabryki musi znajdować się blisko fizycznych maszyn.

Czy cyfrowy bliźniak może sam przewidzieć awarię i przebudować plan produkcji?

Właśnie w tym kierunku zmierzają systemy określane jako prescriptive maintenance. Zwykłe predictive maintenance odpowiada przede wszystkim na pytanie, czy maszyna prawdopodobnie się zepsuje. Warstwa preskryptywna próbuje dodatkowo ustalić, co należy zrobić: zmniejszyć obciążenie, przesunąć produkcję na inną maszynę, zmienić kolejność zleceń albo zaplanować serwis w określonym momencie. W badaniach nad hybrydowym agentic AI dla smart manufacturing wyspecjalizowane agenty odpowiadają właśnie za percepcję, analizę i optymalizację, a agent oparty na LLM koordynuje cały proces.

Połączenie tego z samoadaptującym się cyfrowym bliźniakiem tworzy jeszcze bardziej interesujący scenariusz. Jeśli jedna maszyna zostaje wyłączona, system może nie tylko przeliczyć harmonogram, ale również zaktualizować własny model aktualnego zakładu. Symulacja kolejnych scenariuszy odbywa się już wtedy na wersji uwzględniającej zmianę dostępności zasobów. Nadal pozostaje ogromna różnica pomiędzy demonstracją badawczą i niezawodnym systemem obsługującym fabrykę przez 24 godziny na dobę, ale technologiczny kierunek jest wyraźny: cyfrowy bliźniak ma coraz częściej aktywnie uczestniczyć w sterowaniu zmianą, zamiast jedynie ją wizualizować.

Jakie zagrożenia pojawiają się, gdy cyfrowy bliźniak zaczyna zmieniać się sam?

Pierwszym problemem jest możliwość błędnej aktualizacji. Jeżeli agent nieprawidłowo zinterpretuje dane albo dużemu modelowi językowemu zabraknie odpowiedniego kontekstu, system może przebudować model w sposób niezgodny z rzeczywistością. W tradycyjnym cyfrowym bliźniaku błędna konfiguracja jest problemem. W samoczynnie ewoluującym bliźniaku problem może być większy, ponieważ z niewłaściwej aktualizacji mogą później korzystać kolejne agenty i modele. Dlatego potrzebna jest pełna wersjonowalność oraz możliwość ustalenia, kto lub co zmieniło każdy element modelu.

Drugim wyzwaniem jest cyberbezpieczeństwo. Agent posiadający dostęp do danych z MES, ERP, czujników oraz systemów OT staje się bardzo uprzywilejowanym komponentem. Manipulacja danymi wejściowymi mogłaby teoretycznie spowodować niewłaściwe wnioski dotyczące rzeczywistego stanu fabryki. Badania nad zamkniętą pętlą agentic AI w produkcji dlatego wprowadzają mechanizmy policy governance, które ograniczają wykonanie operacji regułami SOP, poziomem ryzyka, możliwościami urządzeń i obowiązkowym śladem audytowym. Autonomia w przemyśle musi więc rosnąć równolegle z mechanizmami kontroli.

Czy człowiek pozostanie potrzebny, jeśli cyfrowy bliźniak potrafi już sam reagować?

Tak, ale jego rola może przesunąć się z ręcznego aktualizowania modeli na nadzorowanie polityk i wyjątków. Inżynier nie musi w przyszłości każdorazowo przebudowywać grafu wiedzy po zmianie konfiguracji linii. Może natomiast określić, jakie zmiany system ma prawo wprowadzać automatycznie, które wymagają potwierdzenia i jakie parametry są absolutnymi ograniczeniami. Badania nad architekturą AAS-OPC UA-LLM w produkcji wprost zakładają obowiązkową autoryzację człowieka dla każdej akcji wykonywanej na maszynie w zastosowaniach krytycznych dla bezpieczeństwa.

Podobny model prezentują firmy rozwijające przemysłowe rozwiązania agentowe: AI proponuje, cyfrowy bliźniak waliduje, a człowiek podejmuje decyzję. Z czasem część rutynowych, niskiego ryzyka operacji prawdopodobnie będzie przechodziła do trybu automatycznego, podobnie jak wydarzyło się wcześniej z innymi systemami sterowania. Nie oznacza to jednak, że odpowiedzialność znika. Im więcej autonomii posiada fabryka, tym ważniejsze staje się zdefiniowanie granic, w których system może działać bez interwencji operatora.

Czy samoczynnie ewoluujące cyfrowe bliźniaki są już gotowe do masowego wdrożenia w fabrykach?

Jeszcze nie w pełnym znaczeniu tego określenia. Badanie z wynikiem 47 proc. jest bardzo interesującym potwierdzeniem koncepcji, ale zostało przeprowadzone na określonej linii monitorowania i sortowania części. Nie jest wieloletnim badaniem obejmującym setki zakładów różnych branż. Autorzy sami przedstawiają rozwiązanie jako fundament dla autonomicznego działania następnej generacji inteligentnych fabryk, a nie jako gotowy standard przemysłowy, który można dziś bez dodatkowej walidacji włączyć do dowolnej linii.

Równocześnie sam kierunek nie jest już pojedynczym eksperymentem. W 2026 roku pojawiają się równolegle badania nad agentowymi cyfrowymi bliźniakami łańcuchów dostaw, hybrydowymi systemami agentic AI do utrzymania ruchu, zamkniętą pętlą sterowania produkcją i cyfrowymi bliźniakami zdolnymi do adaptacji. Foxconn i NVIDIA wykorzystują cyfrowe środowiska do symulowania i optymalizowania nowych fabryk, a branża rozwija warstwy agentowe łączące fizyczny zakład, IoT i ludzi. To sugeruje, że pytanie nie dotyczy już tego, czy AI zostanie połączone z cyfrowymi bliźniakami, ale jak daleko pozwolimy takim systemom działać autonomicznie.

Dlaczego połączenie agentów AI i cyfrowych bliźniaków może zmienić sposób zarządzania fabryką?

Dotychczas cyfryzacja przemysłu bardzo często tworzyła kolejne źródła informacji. MES pokazywał produkcję, system utrzymania ruchu awarie, ERP zamówienia, cyfrowy bliźniak symulację, a operator musiał połączyć wyniki w jedną decyzję. Agentic AI może stworzyć nad tymi narzędziami warstwę orkiestracji. Agent otrzymuje problem, pobiera kontekst z różnych systemów, uruchamia odpowiedni model, porównuje scenariusze i przedstawia rozwiązanie. Jeżeli cyfrowy bliźniak dodatkowo potrafi sam dostosowywać się do zmian, znika jedno z ważnych ograniczeń wcześniejszych modeli: opóźnienie pomiędzy zmianą fizycznej fabryki i aktualizacją jej wirtualnej kopii.

Wynik 47 proc. nie oznacza jeszcze nadejścia całkowicie autonomicznych fabryk. Pokazuje jednak, dlaczego technologia budzi tak duże zainteresowanie. W elastycznej produkcji przewagę może zyskać nie zakład posiadający najwięcej danych, lecz taki, który najszybciej potrafi zrozumieć zmianę i przystosować do niej proces. Tradycyjny cyfrowy bliźniak mówił inżynierowi: "tak wygląda fabryka". Nowa generacja ma coraz częściej odpowiadać: "fabryka właśnie się zmieniła, zaktualizowałem model, sprawdziłem możliwe reakcje i przygotowałem najlepsze rozwiązania". Jeżeli takie systemy przejdą z eksperymentów do niezawodnych wdrożeń, cyfrowy bliźniak może przestać być kopią fabryki i stać się jednym z jej aktywnych mechanizmów decyzyjnych.