Hvorfor alle selskaper trenger en kunnskapsgraf i AI-æraen

AI har fundamentalt akselerert programvareutvikling, men det har knapt endret hvordan programvareorganisasjoner opererer. Denne mismatchen blir tyst til den største begrensningen for bedrifts AI.

I årevis trengte ingeniørteam mer ressurser for å holde pace med etterspørselen. I dag bruker små team AI for å generere kode, teste og akselerere veien fra ide til implementering. Utviklere sender tydeligvis kode raskere, men om dette konsekvent oversettes til bedre resultater, er det usikkert.

Dette skaper en ny flaskehals: koordineringstaxen. AI har akselerert eksekvering mye raskere enn det har forbedret hvordan organisasjoner koordinerer sitt arbeid. Kontekst-delning, prioritering, operasjonell beslutning, statusrapportering og tverrfunksjonell justering forblir i stor grad manuell, selv om utviklingen akselerer.

Atlassian estimerer at den resulterende disconnecten koster Fortune 500-selskaper omtrent 161 milliarder dollar årlig. Samme forskning fant at mens 89% av ledere sier at AI har akselerert arbeidet, kan bare 6% peke på målbare organisasjonsomfattende resultater.

Raskere utdata skaper ikke automatisk en smartere organisasjon. Bare 17% av brukerne er enige om at agenter har forbedret samarbeidet innenfor deres team, noe som gjør det til den lavest rangerte effekten med stor margin, og etterlater koordineringsløkken frakoblet.

Rekonstruksjon av kontekst på hver forespørsel er en stor avgift

Mens en demo trives på å bruke rene, kurerte datakilder, presenterer produksjonsmiljøer en utfordring: tvetydig, utdatert og motstridende informasjon spredt over frakoblede systemer. Når man konfronteres med disse gapene, gjør en stor språkmodell det den ble designet til å gjøre: den predikerer det neste mest sannsynlige svaret. Hva som så ut som resonnering i en kontrollert demo, blir raskt selvbevisst gjetting med ekte produksjonsdata.

Bransjen har begynt å gi dette problemet et navn. “Kontekstingeniør” har oppstått som disiplinen som fokuserer på å designe informasjonen, relasjonene, styringen og kvaliteten som bestemmer om bedrifts AI lykkes. Begrensningen er ofte ikke lenger modellen selv, men kvaliteten på konteksten rundt den.

Hver gang et AI-system rekonstruerer kontekst fra scratch, betaler det en avgift. Responser er langsomme, tokenkostnader øker, og tillit erosierer når svarene varierer avhengig av hvilke deler av organisatorisk kunnskap som hentes. To AI-agenter kan svare på samme spørsmål forskjellig fordi hver setter sammen kontekst fra en annen del av organisatorisk kunnskap.

De fleste organisasjoner besitter allerede kunnskapen deres AI-systemer trenger. Problemet er at denne kunnskapen er fragmentert over billetter, repositoryer, dokumentasjon, samtaler og planverktøy. Som resultat begynner hver interaksjon med å rekonstruere organisatorisk kontekst før modellen kan begynne å resonere, og gjentar den samme dyre prosessen med hver nytt spørsmål.

Tilgang er ikke det samme som kunnskap

En vanlig spørsmål er om større kontekstvinduer, bedre søk eller forbedret henting vil løse dette problemet.

Model Context Protocols adresserer et reelt integreringsproblem ved å gi agenter en standardisert måte å få tilgang til systemene hvor bedriftsinformasjon bor. Men tilgang er ikke det samme som forståelse. Å gi en agent tilgang til et dusin systemer forklarer ikke hvilken beslutning overtrådte en annen, hvorfor en krav endret, om et dokument fortsatt er autoritativt, eller hvordan en kundesamtale til slutt påvirkte hva som ble levert. Uten en strukturert, verifisert lag med logikk, gir dette bare flere muligheter til å møte motstridende detaljer.

De fleste bedrifts AI-systemer antar fortsatt at kontekst skal settes sammen fra scratch hver gang noen stiller et spørsmål. Denne tilnærmingen kan svare på isolerte spørsmål, men den sliter med å støtte den kontinuerlige resonneringen som kreves for å drive en bedrift. Ledere er fortsatt igjen med å bruke timer hver uke på å sette sammen svar på spørsmål som allerede burde eksistere i organisasjonen:

• Hva har endret seg?
• Hvorfor skiftet denne prioriteringen?
• Er veikartet fortsatt nøyaktig?
• Løser vi fortsatt det riktige problemet?

Dette er der en kunnskapsgraf tjener sin plass. En graf lagrer enheter og deres relasjoner, og gir en basis for å bevare organisatorisk minne. I en programvareorganisasjon kan disse enhetene inkludere kunder, funksjoner, krav, beslutninger, billetter, repositoryer, pull-forespørsler, utgaver og mennesker.

I stedet for å hente en samling passasjer som tilfeldigvis inneholder lignende ord, kan en agent følge forbindelsene fra en beslutning til kravet som utløste den, billetten som implementerte den, pull-forespørselen som endret den, og kundetilbakemeldingen som senere utfordret den.

Kunnskapsgrafer går utover å være bare en annen måte å organisere data. I stedet for å bygge kontekst fra scratch hver gang, kan AI resonere fra en kontinuerlig utvikling av forståelse av hvordan organisasjonen virkelig fungerer.

Resultatet er en AI som kan resonere fra beslutninger, samtaler og bevis, i stedet for å rekonstruere denne forståelsen fra scratch med hver nytt spørsmål.

Struktur alene er ikke nok

Bygging av grafen en gang er vanskelig, og å holde den nøyaktig er enda harder. I en raskt bevegende organisasjon, endrer billetter, planer skifter, kode leveres, ansvar flytter og kundetilbakemelding endrer prioriteringer. Dette betyr at organisatorisk minne må oppdateres når virkeligheten endrer seg og gjenkoble hver endring tilbake til sin kilde.

Mens 82% av utviklere rapporterer at AI hjelper dem å kode raskere og 71% sier det forbedrer deres evne til å takle komplekse problemer, kommer denne hastigheten med en felle: 96% av utviklere mangler full tillit til at den resulterende koden er funksjonelt korrekt.

Hvert faktum en agent gir deg, bør spore tilbake til sin kilde: commit, billett, tråd. Hvis et AI-system forteller en leder at en utgivelse er på spor, men ikke kan vise signalene bak denne konklusjonen, bør en erfaren leder nøle med å handle på det.

Jeg har sett team som forlater verktøy som produserer rimelige svar fordi brukerne ikke kan verifisere hvordan svarene ble nådd. Jeg har også sett team som fortsetter å bruke mindre avanserte systemer fordi disse systemene viser sitt arbeid. En sikker oppsummering uten kvitteringer er bare en raskere måte å være feil, og en gang et verktøy brenner en leder med et usourcet svar, kommer tillit ikke tilbake. Å koble hver påstand til sin kilde gjør “tillit meg” til “her er hvorfor”.

Nøyaktighet er viktig av samme grunn. Når et system kontinuerlig sporer forholdet mellom plan og faktisk, blir gapet mellom hva et team bestemte og hva som faktisk ble levert, synlig drift i stedet for å bli stille absorbert i en sikker, men utdatert, konklusjon. Dette er ikke en perifer beskuelse. Thoughtworks har flagget kode-drift som en spesifikk fare for AI-agenter. Det understreker behovet for verifiseringsløkker og tilbakemeldingsmekanismer som hjelper systemer å oppdage og korrigere avvik når arbeidet utvikler seg. Drift som en organisasjon kan se, er nyttig informasjon. Drift som forblir skjult, er hvordan et AI-system begynner å mislede menneskene som stolte på det.

Hva å spørre før ditt neste agentprosjekt

Når du vurderer et bedriftsagent-initiativ, ville jeg starte med fire spørsmål:

• Beholder systemet sin egen optimaliserte representasjon av kontekst over tid, eller gir det bare AI-tilgang til eksisterende datakilder?
• Er hver beslutning sporet tilbake til en bestemt kilde, som en billett eller dokument?
• Oppdaterer systemet automatisk når organisasjonens informasjon endrer seg?
• Forstår agenten relasjonene mellom datapunkter i stedet for bare å ha tilgang til dem?

Grunnmodellene vil fortsette å forbedre seg. Resonneringskapasiteter vil bli sterkere, kontekstvinduer vil vokse, og disse fremskrittene vil bli stadig mer tilgjengelige for alle. Hva som ikke vil bli kommodifisert, er organisatorisk forståelse.

Mer enn halvparten av CEO-er rapporterer å se lite eller ingen inntekts- eller kostnadsfordeler fra AI over det siste året. Jeg ville veddemåte at de fleste mangler kontekstlaget som tillater disse modellene å resonere over hva organisasjonen allerede vet.

Ettersom programvare blir dramatisk enklere å lage, blir forståelse den sjeldne ressursen. De som skaper mest verdi fra AI, er bedre til å bevare, koble til og kontinuerlig lære fra organisatorisk kunnskap. Dette er forskjellen mellom AI som gjetter og AI som vet.