Mengapa Semua Perusahaan Membutuhkan Grafik Pengetahuan di Era AI

AI telah secara mendasar mempercepat pengembangan perangkat lunak, namun belum banyak mengubah cara organisasi perangkat lunak beroperasi. Ketidakcocokan ini secara diam-diam menjadi kendala terbesar pada AI perusahaan.

Selama bertahun-tahun, tim teknik membutuhkan lebih banyak sumber daya untuk mengikuti permintaan. Saat ini, tim kecil menggunakan AI untuk menghasilkan kode, menguji, dan mempercepat jalur dari ide ke implementasi. Pengembang jelas mengirimkan kode lebih cepat, namun apakah ini secara konsisten diterjemahkan menjadi hasil yang lebih baik masih belum jelas.

Kecepatan ini menciptakan bottleneck baru: pajak koordinasi. AI telah mempercepat eksekusi jauh lebih cepat daripada memperbaiki cara organisasi mengoordinasikan pekerjaan mereka. Berbagi konteks, prioritas, pengambilan keputusan operasional, pelaporan status, dan penyelarasan fungsional lintas masih sebagian besar manual, bahkan ketika pengembangan dipercepat.

Atlassian memperkirakan biaya disconnect yang dihasilkan sekitar $161 miliar per tahun untuk perusahaan Fortune 500. Penelitian yang sama menemukan bahwa sementara 89% eksekutif mengatakan AI telah mempercepat pekerjaan, hanya 6% yang dapat menunjukkan hasil organisasi yang terukur.

Hasil output yang lebih cepat tidak secara otomatis menciptakan organisasi yang lebih pintar. Hanya 17% pengguna setuju bahwa agen telah memperbaiki kolaborasi dalam tim mereka, membuatnya menjadi dampak terendah, meninggalkan loop koordinasi terputus.

Membangun kembali konteks pada setiap kueri adalah pajak yang besar

Sementara demo berkembang dengan menggunakan sumber data yang bersih dan tercurasi, lingkungan produksi menyajikan tantangan: informasi yang ambigu, ketinggalan zaman, dan kontradiktif yang tersebar di seluruh sistem yang terputus. Ketika dihadapkan pada kesenjangan tersebut, model bahasa besar melakukan apa yang dirancang untuk dilakukan: itu memprediksi jawaban berikutnya yang paling mungkin. Apa yang terlihat seperti penalaran dalam demo yang terkendali dengan cepat menjadi tebakan yang percaya diri dengan data produksi yang sebenarnya.

Industri telah mulai memberi nama pada masalah ini. “Teknik konteks” telah muncul sebagai disiplin yang fokus pada merancang informasi, hubungan, tata kelola, dan kualitas yang menentukan apakah AI perusahaan berhasil. Faktor pembatas sering kali tidak lagi model itu sendiri, tetapi kualitas konteks yang mengelilinginya.

Setiap kali sistem AI membangun kembali konteks dari awal, itu membayar pajak. Respon lambat, biaya token meningkat, dan kepercayaan memudar karena jawaban bervariasi tergantung pada potongan pengetahuan organisasi yang diambil. Dua agen AI dapat menjawab pertanyaan yang sama dengan cara yang berbeda karena masing-masing merakit konteks dari potongan pengetahuan organisasi yang berbeda.

Sebagian besar organisasi sudah memiliki pengetahuan yang dibutuhkan sistem AI mereka. Masalahnya adalah pengetahuan ini terfragmentasi di seluruh tiket, repositori, dokumentasi, percakapan, dan alat perencanaan. Sebagai hasilnya, setiap interaksi dimulai dengan membangun kembali konteks organisasi sebelum model dapat mulai beralasan, mengulangi proses yang sama dengan setiap pertanyaan baru.

Akses tidak sama dengan pengetahuan

Pertanyaan umum adalah apakah jendela konteks yang lebih besar, pencarian yang lebih baik, atau pengambilan yang lebih baik akan menyelesaikan masalah ini.

Protokol Konteks Model menangani masalah integrasi yang nyata dengan menyediakan agen dengan cara baku untuk mengakses sistem tempat informasi perusahaan berada. Namun, akses tidak sama dengan pemahaman. Memberikan akses agen ke dozen sistem tidak menjelaskan mana keputusan yang menggantikan yang lain, mengapa persyaratan berubah, apakah dokumen masih berwenang, atau bagaimana percakapan pelanggan akhirnya mempengaruhi apa yang dikirim. Tanpa lapisan logika yang terstruktur dan diverifikasi, ini hanya menyediakan dozen lebih peluang untuk menemukan detail yang kontradiktif.

Sebagian besar sistem AI perusahaan masih menganggap konteks harus dirakit dari awal setiap kali seseorang mengajukan pertanyaan. Pendekatan ini mungkin menjawab pertanyaan yang terisolasi, tetapi berjuang untuk mendukung penalaran terus-menerus yang diperlukan untuk menjalankan bisnis. Pemimpin masih harus menghabiskan jam setiap minggu untuk menyatukan jawaban atas pertanyaan yang seharusnya sudah ada dalam organisasi:

• Apa yang berubah?
• Mengapa prioritas ini bergeser?
• Apakah jalan masih akurat?
• Apakah kita masih menyelesaikan masalah yang tepat?

Inilah tempat grafik pengetahuan mendapatkan tempatnya. Grafik menyimpan entitas dan hubungan mereka, menyediakan dasar untuk melestarikan memori organisasi. Dalam organisasi perangkat lunak, entitas tersebut mungkin termasuk pelanggan, fitur, persyaratan, keputusan, tiket, repositori, permintaan tarik, rilis, dan orang.

Bukannya mengambil koleksi kalimat yang mengandung kata-kata yang sama, agen dapat mengikuti koneksi dari keputusan ke persyaratan yang memicunya, tiket yang mengimplementasikannya, permintaan tarik yang mengubahnya, dan umpan balik pelanggan yang kemudian menantangnya.

Grafik pengetahuan melampaui menjadi hanya cara lain untuk mengatur data. Bukannya membangun kembali konteks dari sistem yang terputus, AI dapat beralasan dari pemahaman yang terus berkembang tentang bagaimana organisasi sebenarnya bekerja.

Hasilnya adalah AI yang dapat beralasan dari keputusan, percakapan, dan bukti, bukan membangun kembali pemahaman dari awal dengan setiap prompt.

Struktur saja tidak cukup

Membangun grafik sekali adalah sulit, dan menjaganya akurat adalah lebih sulit lagi. Dalam organisasi yang bergerak cepat, tiket berubah, rencana bergeser, kode dikirim, tanggung jawab berpindah, dan umpan balik pelanggan mengubah prioritas. Ini berarti memori organisasi harus diperbarui ketika kenyataan berubah dan menghubungkan kembali setiap perubahan ke sumbernya.

Sementara 82% pengembang melaporkan bahwa AI membantu mereka mengkode lebih cepat dan 71% mengatakan bahwa itu memperbaiki kemampuan mereka untuk menangani masalah yang kompleks, kecepatan ini datang dengan tangkapan: 96% pengembang kekurangan kepercayaan penuh bahwa kode yang dihasilkan secara fungsional benar.

Setiap fakta yang diberikan agen kepada Anda harus dapat dilacak kembali ke sumbernya: komit, tiket, thread. Jika sistem AI mengatakan kepada pemimpin bahwa rilis on track tetapi tidak dapat menunjukkan sinyal di balik kesimpulan itu, pemimpin yang berpengalaman harus ragu untuk bertindak atasnya.

Saya telah melihat tim meninggalkan alat yang menghasilkan jawaban yang masuk akal karena pengguna tidak dapat memverifikasi bagaimana jawaban itu dicapai. Saya juga telah melihat tim terus menggunakan sistem yang kurang canggih karena sistem tersebut menunjukkan pekerjaannya. Ringkasan yang percaya diri tanpa tanda terima hanya cara yang lebih cepat untuk salah, dan setelah alat membakar pemimpin dengan jawaban yang tidak bersumber, kepercayaan tidak kembali. Menghubungkan setiap klaim ke sumbernya mengubah “percayalah saya” menjadi “ini adalah mengapa”.

Ketepatan penting karena alasan yang sama. Ketika sistem terus melacak hubungan antara rencana dan aktual, celah antara apa yang tim putuskan dan apa yang sebenarnya dikirim menjadi drift yang terlihat daripada diam-diam diserap ke dalam jawaban yang percaya diri tetapi ketinggalan zaman. Ini bukanlah kekhawatiran pinggiran. Thoughtworks telah menandai drift kode sebagai bahaya khusus untuk agen AI. Ini menekankan kebutuhan akan loop verifikasi dan mekanisme umpan balik yang membantu sistem mendeteksi dan memperbaiki deviasi saat pekerjaan berkembang. Drift yang dapat dilihat organisasi adalah informasi yang berguna. Drift yang tetap tersembunyi adalah bagaimana sistem AI mulai menyesatkan orang-orang yang percaya padanya.

Apa yang harus ditanyakan sebelum proyek agen berikutnya

Ketika mengevaluasi inisiatif agen perusahaan, saya akan memulai dengan empat pertanyaan:

• Apakah sistem mempertahankan representasi konteks yang dioptimalkan sendiri seiring waktu, atau apakah itu hanya menyediakan akses AI ke sumber data yang ada?
• Apakah setiap jawaban dapat dilacak kembali ke sumber tertentu, seperti tiket atau dokumen?
• Apakah sistem diperbarui secara otomatis ketika informasi organisasi berubah?
• Apakah agen memahami hubungan antara titik data daripada hanya memiliki akses kepadanya?

Model dasar akan terus diperbaiki. Kemampuan penalaran akan menjadi lebih kuat, jendela konteks akan tumbuh, dan kemajuan ini akan menjadi semakin tersedia untuk semua orang. Apa yang tidak akan dikomoditaskan adalah pemahaman organisasi.

Lebih dari setengah CEO melaporkan melihat sedikit atau tidak ada manfaat pendapatan atau biaya dari AI selama setahun terakhir. Saya akan bertaruh bahwa sebagian besar dari mereka kehilangan lapisan konteks yang memungkinkan model tersebut untuk beralasan atas apa yang sudah diketahui organisasi.

Ketika perangkat lunak menjadi jauh lebih mudah dibuat, pemahaman menjadi sumber daya yang langka. Mereka yang menciptakan nilai terbesar dari AI lebih baik dalam melestarikan, terhubung dengan, dan terus belajar dari pengetahuan organisasi. Itulah perbedaan antara AI yang menebak dan AI yang tahu.