Waarom alle bedrijven een kennisgrafiek nodig hebben in het tijdperk van AI

AI heeft de softwareontwikkeling fundamenteel versneld, maar heeft nauwelijks invloed gehad op de manier waarop software-organisaties opereren. Deze mismatch wordt langzaam de grootste beperking voor enterprise-AI.

Jarenlang hadden engineersteams meer resources nodig om de vraag bij te houden. Vandaag gebruiken kleine teams AI om code te genereren, te testen en de weg van idee naar implementatie te versnellen. Ontwikkelaars schepen duidelijk sneller code, maar of dit consistent resulteert in betere resultaten, blijft onduidelijk.

Deze snelheid creëert een nieuwe bottleneck: de coördinatietax. AI heeft de uitvoering veel sneller versneld dan de manier waarop organisaties hun werk coördineren. Contextdeling, prioritering, operationele besluitvorming, statusrapportage en cross-functionele afstemming blijven grotendeels handmatig, zelfs als de ontwikkeling versnelt.

Atlassian (TEAM ) schat dat de resulterende disconnect Fortune 500-bedrijven ongeveer 161 miljard dollar per jaar kost. Hetzelfde onderzoek vond dat terwijl 89% van de executives zegt dat AI het werk heeft versneld, slechts 6% kan wijzen op meetbare, organisatiebrede resultaten.

Snellere output creëert niet automatisch een slimmere organisatie. Slechts 17% van de gebruikers is het erover eens dat agents de samenwerking binnen hun team hebben verbeterd, waardoor dit de laagst gewaardeerde invloed is met een grote marge, waardoor de coördinatie-lus losgekoppeld blijft.

Context opnieuw opbouwen bij elke query is een grote belasting

Terwijl een demo goed functioneert met het gebruik van schone, gecureerde gegevensbronnen, vormen productieomgevingen een uitdaging: dubbelzinnige, verouderde en tegenstrijdige informatie verspreid over niet-verbonden systemen. Wanneer een grote taalmodel met die lacunes wordt geconfronteerd, doet het wat het is ontworpen om te doen: het voorspelt het meest waarschijnlijke antwoord. Wat eruitzag als redenering in een gecontroleerde demo, wordt snel zelfverzekerd gokken met echte productiegegevens.

De industrie is begonnen deze problemen een naam te geven. “Context-engineering” is opgekomen als de discipline die zich richt op het ontwerpen van de informatie, relaties, governance en kwaliteit die bepalen of enterprise-AI slaagt. De beperkende factor is vaak niet langer het model zelf, maar de kwaliteit van de context eromheen.

Elke keer dat een AI-systeem de context van scratch opbouwt, betaalt het een belasting. Reacties zijn langzaam, tokenkosten nemen toe en vertrouwen erodeert omdat antwoorden variëren afhankelijk van welke stukken organisatiekennis worden opgehaald. Twee AI-agents kunnen hetzelfde antwoord op een vraag anders beantwoorden omdat elk de context opbouwt uit een ander deel van de organisatiekennis.

De meeste organisaties beschikken al over de kennis die hun AI-systemen nodig hebben. Het probleem is dat deze kennis gefragmenteerd is over tickets, repositories, documentatie, conversaties en planningshulpmiddelen. Als gevolg daarvan begint elke interactie met het opnieuw opbouwen van de organisatiecontext voordat het model kan beginnen met redeneren, waardoor hetzelfde dure proces wordt herhaald bij elke nieuwe vraag.

Toegang is niet hetzelfde als kennis

Een veelgestelde vraag is of grotere contextvensters, betere zoekfunctie of verbeterde opname deze problemen kunnen oplossen.

Model Context Protocols lossen een echt integratieprobleem op door agents een gestandaardiseerde manier te bieden om toegang te krijgen tot de systemen waarin enterprise-informatie leeft. Maar toegang is niet hetzelfde als begrijpen. Een agent toegang geven tot een dozijn systemen legt niet uit welk besluit een ander heeft overtroffen, waarom een vereiste is gewijzigd, of een document nog steeds gezaghebbend is, of hoe een klantengesprek uiteindelijk heeft beïnvloed wat is verzonden. Zonder een gestructureerde, geverifieerde laag logica biedt dit slechts een dozijn meer kansen om tegenstrijdige details te ontmoeten.

De meeste enterprise-AI-systemen gaan er nog steeds van uit dat de context elke keer opnieuw moet worden opgebouwd wanneer iemand een vraag stelt. Deze aanpak kan losse vragen beantwoorden, maar heeft moeite om de continue redenering te ondersteunen die nodig is om een bedrijf te runnen. Leiders moeten nog steeds uren per week besteden aan het in elkaar passen van antwoorden op vragen die al binnen de organisatie zouden moeten bestaan:

• Wat is er veranderd?
• Waarom is deze prioriteit verschoven?
• Is de roadmap nog steeds accuraat?
• Lossen we nog steeds het juiste probleem op?

Dit is waar een kennisgrafiek zijn plaats verdient. Een grafiek slaat entiteiten en hun relaties op, waardoor een basis wordt gelegd voor het behoud van organisatorische herinneringen.

In plaats van een verzameling passages op te halen die toevallig soortgelijke woorden bevatten, kan een agent de verbindingen volgen van een besluit naar de vereiste die het heeft opgeroepen, het ticket dat het heeft geïmplementeerd, de pull-aanvraag die het heeft gewijzigd en de klantfeedback die het later heeft uitgedaagd.

Kennisgrafieken gaan verder dan alleen een andere manier om gegevens te organiseren. In plaats van de context opnieuw op te bouwen uit niet-verbonden systemen, kan AI redeneren vanuit een continue evoluerend begrip van hoe de organisatie werkt.

Het resultaat is een AI die kan redeneren vanuit de beslissingen, conversaties en bewijzen, in plaats van de begrip opnieuw op te bouwen van scratch met elke prompt.

Structuur alleen is niet genoeg

Het opbouwen van de grafiek eenmaal is moeilijk, en het nauwkeurig houden is nog moeilijker. In een snel veranderende organisatie veranderen tickets, plannen verschuiven, code wordt verzonden, verantwoordelijkheden veranderen en klantfeedback verandert prioriteiten. Dat betekent dat de organisatorische herinnering moet worden bijgewerkt naarmate de realiteit verandert en elke verandering moet worden teruggelinkt naar de bron.

Terwijl 82% van de ontwikkelaars rapporteert dat AI hen helpt om sneller code te schrijven en 71% zegt dat het hen helpt om complexe problemen aan te pakken, komt deze snelheid met een addertje onder het gras: 96% van de ontwikkelaars heeft geen volledig vertrouwen dat de resulterende code functioneel correct is.

Elk feit dat een agent je geeft, moet teruggelinkt kunnen worden naar de bron: de commit, het ticket, de thread. Als een AI-systeem een leider vertelt dat een release op schema ligt, maar niet kan laten zien welke signalen tot die conclusie hebben geleid, zou een ervaren leider moeten aarzelen om erop te handelen.

Ik heb teams gezien die tools hebben opgegeven die redelijke antwoorden produceerden omdat gebruikers niet konden verifiëren hoe die antwoorden werden bereikt. Ik heb ook teams gezien die minder geavanceerde systemen bleven gebruiken omdat die systemen hun werk lieten zien. Een vertrouwenwekkende samenvatting zonder bonnetjes is gewoon een snellere manier om verkeerd te zijn, en zodra een tool een leider heeft verbrand met een ongedocumenteerd antwoord, keert het vertrouwen niet terug. Het koppelen van elke claim aan de bron verandert “vertrouw me” in “hier is waarom”.

Nauwkeurigheid is belangrijk om dezelfde reden. Wanneer een systeem continu de relatie tussen plan en feit bijhoudt, wordt de kloof tussen wat een team heeft besloten en wat daadwerkelijk is verzonden zichtbaar als een afwijking in plaats van stilzwijgend opgenomen in een vertrouwenwekkend maar verouderd antwoord. Dit is geen randgeval. Thoughtworks heeft code-afwijking gemarkeerd als een specifiek gevaar voor AI-agents. Het benadrukt de behoefte aan verificatielussen en feedbackmechanismen die helpen bij het detecteren en corrigeren van afwijkingen naarmate het werk evolueert. Afwijking die een organisatie kan zien, is nuttige informatie. Afwijking die verborgen blijft, is hoe een AI-systeem begint de mensen die het vertrouwden te misleiden.

Wat te vragen voordat je het volgende agentproject start

Bij het evalueren van een enterprise-agentinitiatief zou ik beginnen met vier vragen:

• Houdt het systeem zijn eigen geoptimaliseerde contextweergave bij in de loop van de tijd, of biedt het alleen AI-toegang tot bestaande gegevensbronnen?
• Wordt elk antwoord teruggelinkt naar een specifieke bron, zoals een ticket of document?
• Wordt het systeem automatisch bijgewerkt naarmate de informatie van de organisatie verandert?
• Begrijpt het systeem de relaties tussen gegevenspunten in plaats van alleen toegang te hebben tot hen?

Foundation-modellen zullen blijven verbeteren. Redeneervermogens zullen sterker worden, contextvensters zullen groeien en deze vooruitgang zal steeds beschikbaarder komen voor iedereen. Wat niet zal worden geïndiceerd, is organisatorisch begrip.

Meer dan de helft van de CEO’s rapporteert dat ze weinig tot geen omzet- of kostenvoordelen hebben gezien van AI in het afgelopen jaar. Ik zou wedden dat de meeste de contextlaag missen die modellen in staat stelt te redeneren over wat de organisatie al weet.

Naarmate de softwareontwikkeling dramatisch gemakkelijker wordt, wordt begrip de schaarse resource. Degene die de meeste waarde creëren uit AI zijn beter in het behoud, verbinden met en continue leren van organisatorische kennis. Dat is het verschil tussen AI die gokt en AI die weet.