Varför alla företag behöver en kunskapsgraf i AI-eran

AI har i grunden accelererat programvaruutveckling, men det har knappt förändrat hur programvaruorganisationer fungerar. Den där obalansen blir tyst tvingad till det största hindret för företags AI.

Under många år behövde utvecklingsteam mer resurser för att hålla jämna steg med efterfrågan. Idag använder små team AI för att generera kod, testa och accelerera vägen från idé till implementering. Utvecklare skickar tydligt kod snabbare, men om detta konsekvent översätts till bättre resultat förblir oklart.

Denna hastighet skapar en ny flaskhals: samordningsskatten. AI har accelererat genomförandet mycket snabbare än det har förbättrat hur organisationer samordnar sitt arbete. Kontextdelning, prioritering, operativ beslutsfattning, statusrapportering och tvärfungerande samstämmighet förblir i stor utsträckning manuella, även när utvecklingen accelererar.

Atlassian uppskattar att den resulterande frånkopplingen kostar Fortune 500-företag cirka 161 miljarder dollar per år. Samma forskning fann att medan 89% av chefer säger att AI har accelererat arbetet, kan endast 6% peka på mätbara organisationsoverskridande resultat.

Snabbare utdata skapar inte automatiskt en smartare organisation. Endast 17% av användarna är överens om att agenter har förbättrat samarbetet inom deras team, vilket gör det till den lägst rankade effekten med stor marginal, och lämnar samordningsloopen frånkopplad.

Att återskapa kontext för varje fråga är en stor skatt

Medan en demo trivs med att använda rena, kuraterade datakällor, presenterar produktionsmiljöer en utmaning: tvetydig, föråldrad och motsägelsefull information spridd över frånkopplade system. När man konfronteras med dessa luckor, gör en stor språkmodell vad den var utformad för att göra: den förutsäger det näst mest sannolika svaret. Vad som såg ut som resonemang i en kontrollerad demo blir snabbt självsäkert gissande med riktiga produktionsdata.

Branschen har börjat ge det här problemet ett namn. “Kontextteknik” har dykt upp som disciplinen som fokuserar på att utforma informationen, relationerna, styrningen och kvaliteten som avgör om företags AI lyckas. Den begränsande faktorn är ofta inte längre modellen själv, utan kvaliteten på kontexten som omger den.

Varje gång ett AI-system återskapar kontext från scratch, betalar det en skatt. Svar är långsamma, tokenkostnader ökar och förtroendet urholkas eftersom svaren varierar beroende på vilka delar av organisatorisk kunskap som hämtas. Två AI-agenter kan svara olika på samma fråga eftersom var och en sätter samman kontext från en annan skiva av organisatorisk kunskap.

De flesta organisationer besitter redan den kunskap som deras AI-system behöver. Problemet är att denna kunskap är splittrad över biljetter, repository, dokumentation, samtal och planeringsverktyg. Som ett resultat börjar varje interaktion med att återskapa den organisatoriska kontexten innan modellen kan börja resonera, och upprepar samma dyra process med varje ny fråga.

Tillgång är inte detsamma som kunskap

En vanlig fråga är om större kontextfönster, bättre sökning eller förbättrad återvinning kommer att lösa det här problemet.

Modellkontextprotokoll löser ett verkligt integrationsproblem genom att ge agenter en standardiserad metod för att komma åt de system där företagsinformationen bor. Men tillgång är inte detsamma som förståelse. Att ge en agent tillgång till ett dussin system förklarar inte vilket beslut som överträffade ett annat, varför en krav ändrades, om ett dokument fortfarande är auktoritativt eller hur en kundkonversation slutligen påverkade vad som levererades. Utan en strukturerad, verifierad logikskikt tillhandahåller detta bara ett dussin fler möjligheter att stöta på motsägelsefulla detaljer.

De flesta företags AI-system antar fortfarande att kontexten ska sättas samman från scratch varje gång någon ställer en fråga. Detta tillvägagångssätt kan besvara isolerade frågor, men kämpar för att stödja det kontinuerliga resonemang som krävs för att driva ett företag. Ledare lämnas fortfarande kvar med att tillbringa timmar varje vecka med att sätta samman svar på frågor som redan borde finnas inom organisationen:

• Vad har ändrats?
• Varför ändrades den här prioriteringen?
• Är vägkartan fortfarande korrekt?
• Löser vi fortfarande rätt problem?

Här tjänar en kunskapsgraf sitt syfte. En graf lagrar entiteter och deras relationer, vilket ger en grund för att bevara organisatoriskt minne. I en programvaruorganisation kan dessa entiteter omfatta kunder, funktioner, krav, beslut, biljetter, repository, pull-förfrågningar, versioner och människor.

I stället för att hämta en samling passager som råkar innehålla liknande ord, kan en agent följa anslutningarna från ett beslut till kravet som utlöste det, biljetten som implementerade det, pull-förfrågan som ändrade det och kundfeedbacken som senare utmanade det.

Kunskapsgrafer går utöver att vara bara ett annat sätt att organisera data. I stället för att upprepa bygga kontext från frånkopplade system kan AI resonera från en kontinuerligt utvecklande förståelse för hur organisationen faktiskt fungerar.

Resultatet är en AI som kan resonera från besluten, samtalen och bevisen, snarare än att återskapa den förståelsen från scratch med varje prompt.

Struktur ensam räcker inte

Att bygga grafen en gång är knepigt, och att hålla den korrekt är ännu svårare. I en snabbt föränderlig organisation ändras biljetter, planer skiftar, kod levereras, ansvar flyttas och kundfeedback ändrar prioriteringar. Det betyder att organisatoriskt minne måste uppdateras när verkligheten förändras och återlänka varje ändring tillbaka till dess källa.

Medan 82% av utvecklare rapporterar att AI hjälper dem att koda snabbare och 71% säger att det förbättrar deras förmåga att hantera komplexa problem, kommer denna hastighet med en hake: 96% av utvecklare saknar fullständig tillförsikt att den resulterande koden är funktionellt korrekt.

Varje faktum som en agent ger dig bör spåras tillbaka till dess källa: commit, biljett, tråd. Om ett AI-system berättar för en ledare att en version är på rätt spår men inte kan visa signalerna bakom den slutsatsen, bör en erfaren ledare tveka att agera på det.

Jag har sett team överge verktyg som producerade rimliga svar eftersom användare inte kunde verifiera hur svaren nåddes. Jag har också sett team fortsätta att använda mindre avancerade system eftersom dessa system visade sitt arbete. En självsäker sammanfattning med inga kvitton är bara ett snabbare sätt att ha fel, och när ett verktyg bränner en ledare med ett osäkert svar, kommer förtroendet inte tillbaka. Att koppla varje påstående till dess källa förvandlar “lita på mig” till “här är varför”.

Exakthet är viktig av samma anledning. När ett system kontinuerligt spårar relationen mellan plan och faktiskt, blir gapet mellan vad ett team beslutade och vad som faktiskt levererades synligt glidande i stället för att tyst absorberas i ett självsäkert men föråldrat svar. Detta är inte en perifer fråga. Thoughtworks har flaggat kodglid som en specifik fara för AI-agenter. Det betonar behovet av verifieringsloopar och återkopplingsmekanismer som hjälper system att upptäcka och korrigera avvikelser när arbetet utvecklas. Glid som en organisation kan se är användbar information. Glid som förblir dold är hur ett AI-system börjar vilseleda de människor som litade på det.

Vad man ska fråga innan nästa agentprojekt

När man utvärderar ett företagsagentinitiativ, skulle jag börja med fyra frågor:

• Underhåller systemet sin egen optimerade representation av kontext över tiden, eller tillhandahåller det bara AI-åtkomst till befintliga datakällor?
• Är varje svar spårat tillbaka till en specifik källa, som en biljett eller dokument?
• Uppdaterar systemet automatiskt när organisationens information ändras?
• Förstår agenten relationerna mellan datapunkter snarare än att bara ha tillgång till dem?

Grundmodeller kommer att fortsätta förbättras. Resonemangsförmågor kommer att bli starkare, kontextfönster kommer att växa, och dessa framsteg kommer att bli alltmer tillgängliga för alla. Vad som inte kommer att kommodifieras är organisatorisk förståelse.

Mer än hälften av VD:ar rapporterar att de ser lite till ingen intäkt eller kostnadsfördel från AI under det senaste året. Jag skulle satsa på att de flesta saknar kontextskiktet som tillåter dessa modeller att resonera över vad organisationen redan vet.

När programvara blir dramatiskt enklare att skapa, blir förståelse den sällsynta resursen. De som skapar mest värde från AI är bättre på att bevara, ansluta till och kontinuerligt lära från organisatorisk kunskap. Det är skillnaden mellan AI som gissar och AI som vet.