Warum alle Unternehmen in der Ära von KI einen Wissensgraphen benötigen

KI hat die Softwareentwicklung grundlegend beschleunigt, hat aber kaum etwas daran geändert, wie Software-Organisationen operieren. Diese Diskrepanz wird stillschweigend zum größten Hindernis für die Unternehmens-KI.

Jahrelang benötigten Ingenieur-Teams mehr Ressourcen, um mit der Nachfrage Schritt zu halten. Heute verwenden kleine Teams KI, um Code zu generieren, zu testen und den Weg von der Idee zur Implementierung zu beschleunigen. Entwickler liefern Code offensichtlich schneller, aber ob sich dies konsequent in bessere Ergebnisse übersetzt, bleibt unklar.

Diese Geschwindigkeit schafft einen neuen Engpass: die Koordinationssteuer. KI hat die Ausführung viel schneller beschleunigt als die Verbesserung der Art und Weise, wie Organisationen ihre Arbeit koordinieren. Kontextfreigabe, Priorisierung, operative Entscheidungsfindung, Statusberichterstattung und cross-funktionale Ausrichtung bleiben größtenteils manuell, auch wenn die Entwicklung schneller wird.

Atlassian schätzt, dass die resultierende Diskrepanz den Fortune-500-Unternehmen etwa 161 Milliarden Dollar pro Jahr kostet. Die gleiche Studie ergab, dass 89 % der Führungskräfte sagen, KI habe die Arbeit beschleunigt, aber nur 6 % können messbare organisationsumfassende Ergebnisse nachweisen.

Schnellere Ausgaben schaffen nicht automatisch eine intelligente Organisation. Nur 17 % der Benutzer stimmen zu, dass Agenten die Zusammenarbeit innerhalb ihres Teams verbessert haben, was den niedrigsten bewerteten Einfluss darstellt und die Koordinierungsschleife unverbunden lässt.

Die Rekonstruktion des Kontexts bei jeder Abfrage ist ein großer Steuer

Während eine Demo auf der Verwendung sauberer, kuratierter Datenquellen basiert, stellen Produktionsumgebungen eine Herausforderung dar: mehrdeutige, veraltete und widersprüchliche Informationen, die über nicht verbundene Systeme verstreut sind. Wenn ein großes Sprachmodell mit diesen Lücken konfrontiert wird, tut es, was es dafür konzipiert wurde: es prognostiziert die nächstwahrscheinlichste Antwort. Was in einer kontrollierten Demo wie Vernunft aussah, wird bei echten Produktionsdaten zu selbstsicherem Raten.

Die Branche hat begonnen, diesem Problem einen Namen zu geben. “Kontext-Engineering” ist als Disziplin entstanden, die sich auf die Gestaltung der Informationen, Beziehungen, Governance und Qualität konzentriert, die bestimmen, ob die Unternehmens-KI erfolgreich ist. Der limitierende Faktor ist oft nicht länger das Modell selbst, sondern die Qualität des Kontexts, der es umgibt.

Jedes Mal, wenn ein KI-System den Kontext von Grund auf rekonstruiert, zahlt es eine Steuer. Antworten sind langsam, Tokenkosten steigen und das Vertrauen schwindet, da Antworten je nachdem variieren, welche Teile des organisatorischen Wissens abgerufen werden. Zwei KI-Agenten können die gleiche Frage anders beantworten, weil jeder den Kontext aus einem anderen Ausschnitt des organisatorischen Wissens zusammensetzt.

Die meisten Organisationen verfügen bereits über das Wissen, das ihre KI-Systeme benötigen. Das Problem ist, dass dieses Wissen fragmentiert ist und über Tickets, Repositorys, Dokumentationen, Gespräche und Planungstools verstreut ist. Als Ergebnis beginnt jede Interaktion damit, den organisatorischen Kontext zu rekonstruieren, bevor das Modell mit der Argumentation beginnen kann, und wiederholt diesen teuren Prozess bei jeder neuen Frage.

Zugang ist nicht dasselbe wie Wissen

Eine häufige Frage ist, ob größere Kontextfenster, bessere Suchfunktionen oder verbesserte Abrufmechanismen dieses Problem lösen können.

Model-Context-Protokolle lösen ein reales Integrationsproblem, indem sie Agenten eine standardisierte Möglichkeit bieten, auf die Systeme zuzugreifen, in denen Unternehmensinformationen gespeichert sind. Aber Zugang ist nicht dasselbe wie Verständnis. Der Zugriff auf ein Dutzend Systeme erklärt nicht, welche Entscheidung eine andere ablöste, warum eine Anforderung geändert wurde, ob ein Dokument noch autoritativ ist oder wie eine Kundenkonversation letztendlich beeinflusste, was geliefert wurde. Ohne eine strukturierte, verifizierte Logikschicht bietet dies lediglich ein Dutzend weitere Gelegenheiten, widersprüchliche Details zu finden.

Die meisten Unternehmens-KI-Systeme gehen immer noch davon aus, dass der Kontext jedes Mal von Grund auf zusammengesetzt werden sollte, wenn jemand eine Frage stellt. Dieser Ansatz kann isolierte Fragen beantworten, aber er kämpft darum, die kontinuierliche Argumentation zu unterstützen, die erforderlich ist, um ein Unternehmen zu führen. Führungskräfte müssen immer noch Stunden pro Woche damit verbringen, Antworten auf Fragen zusammenzustellen, die innerhalb der Organisation bereits existieren sollten:

• Was hat sich geändert?
• Warum hat sich diese Priorität verschoben?
• Ist der Fahrplan noch genau?
• Lösen wir immer noch das richtige Problem?

Hier verdient sich ein Wissensgraph seinen Platz. Ein Graph speichert Entitäten und ihre Beziehungen und bietet eine Grundlage für die Erhaltung des organisatorischen Gedächtnisses.

Anstatt eine Sammlung von Passagen abzurufen, die zufällig ähnliche Wörter enthalten, kann ein Agent den Zusammenhängen von einer Entscheidung zu der Anforderung folgen, die sie ausgelöst hat, dem Ticket, das sie implementiert hat, dem Pull-Request, der sie geändert hat, und der Kundenfeedback, der sie später in Frage gestellt hat.

Wissensgraphen gehen über die bloße Organisation von Daten hinaus. Anstatt den Kontext von nicht verbundenen Systemen immer wieder aufzubauen, kann KI aus einem kontinuierlich evolvierenden Verständnis davon argumentieren, wie die Organisation tatsächlich funktioniert.

Das Ergebnis ist eine KI, die aus Entscheidungen, Gesprächen und Beweisen argumentieren kann, anstatt dieses Verständnis von Grund auf aufzubauen, wenn sie mit jeder neuen Frage konfrontiert wird.

Struktur allein reicht nicht aus

Das Aufbauen des Graphen ist schwierig und seine Genauigkeit zu erhalten ist noch schwieriger. In einer sich schnell bewegenden Organisation ändern sich Tickets, Pläne verschieben sich, Code wird ausgeliefert, Verantwortlichkeiten ändern sich und Kundenfeedback ändert Prioritäten. Das bedeutet, dass das organisatorische Gedächtnis aktualisiert werden muss, wenn die Realität sich ändert, und jeden Wechsel zurück auf seine Quelle verlinken muss.

Während 82 % der Entwickler berichten, dass KI ihnen hilft, schneller zu codieren, und 71 % sagen, dass es ihre Fähigkeit verbessert, komplexe Probleme zu lösen, kommt diese Geschwindigkeit mit einem Haken: 96 % der Entwickler haben nicht volles Vertrauen, dass der resultierende Code funktional korrekt ist.

Jede Tatsache, die ein Agent Ihnen gibt, sollte auf ihre Quelle zurückverfolgt werden können: den Commit, das Ticket, den Thread. Wenn ein KI-System einem Leiter sagt, dass eine Veröffentlichung auf dem richtigen Weg ist, aber nicht die Signale hinter dieser Schlussfolgerung zeigen kann, sollte ein erfahrener Leiter zögern, darauf zu handeln.

Ich habe Teams gesehen, die Tools aufgegeben haben, die vernünftige Antworten produzierten, weil die Benutzer nicht überprüfen konnten, wie diese Antworten erreicht wurden. Ich habe auch Teams gesehen, die weniger fortschrittliche Systeme weiterhin verwenden, weil diese Systeme ihre Arbeit zeigten. Eine zuversichtliche Zusammenfassung ohne Quittungen ist nur ein schnellerer Weg, falsch zu sein, und wenn ein Tool einem Leiter eine unquellierte Antwort liefert, kommt das Vertrauen nicht zurück. Die Verbindung jeder Behauptung mit ihrer Quelle wandelt “Vertrauen Sie mir” in “Hier ist, warum” um.

Genauigkeit ist wichtig aus dem gleichen Grund. Wenn ein System kontinuierlich die Beziehung zwischen Plan und tatsächlichem Verlauf verfolgt, wird die Lücke zwischen dem, was ein Team beschlossen hat, und dem, was tatsächlich geliefert wurde, sichtbar und nicht stillschweigend in eine zuversichtliche, aber veraltete Antwort aufgenommen. Dies ist kein Randproblem. Thoughtworks hat Code-Drift als spezifische Gefahr für KI-Agenten gekennzeichnet. Es betont die Notwendigkeit von Verifizierungsschleifen und Feedback-Mechanismen, die Systeme dabei helfen, Abweichungen zu erkennen und zu korrigieren, während die Arbeit evolviert. Sichtbare Abweichungen sind nützliche Informationen. Versteckte Abweichungen sind, wie ein KI-System beginnt, die Menschen, die ihm vertraut haben, in die Irre zu führen.

Was Sie vor Ihrem nächsten Agenten-Projekt fragen sollten

Wenn Sie eine Unternehmens-Agenten-Initiative bewerten, würde ich mit vier Fragen beginnen:

• Bewahrt das System seinen eigenen optimierten Kontext über die Zeit hinweg auf, oder bietet es lediglich KI-Zugriff auf bestehende Datenquellen?
• Wird jede Antwort auf eine bestimmte Quelle zurückverfolgt, wie ein Ticket oder ein Dokument?
• Aktualisiert das System sich automatisch, wenn sich die Informationen der Organisation ändern?
• Versteht das System die Beziehungen zwischen Datenpunkten und nicht nur den Zugriff darauf?

Grundmodelle werden weiter verbessert. Argumentationsfähigkeiten werden stärker, Kontextfenster werden größer, und diese Fortschritte werden für jeden verfügbar. Was nicht kommodifiziert wird, ist das organisatorische Verständnis.

Mehr als die Hälfte der CEOs berichten, dass sie im vergangenen Jahr wenig bis keine Umsatz- oder Kostenvorteile durch KI gesehen haben. Ich würde wetten, dass die meisten den Kontextschicht fehlt, die es den Modellen ermöglicht, über das zu argumentieren, was die Organisation bereits weiß.

Wenn die Softwareentwicklung dramatisch einfacher wird, wird Verständnis zur knappen Ressource. Diejenigen, die den meisten Wert aus KI schaffen, sind besser darin, organisatorisches Wissen zu erhalten, zu verbinden und kontinuierlich daraus zu lernen. Das ist der Unterschied zwischen KI, die raten und KI, die weiß.