为什么所有公司在 AI 时代都需要知识图谱

AI 已经从根本上加速了软件开发，但它几乎没有改变软件组织的运作方式。这种不匹配正在悄悄地成为企业 AI 的最大约束。

多年来，工程团队需要更多资源来跟上需求。今天，小团队使用 AI 生成代码、测试和加速从想法到实施的路径。开发人员明显地更快地交付代码，但是否这始终转化为更好的结果仍然不清楚。

这种速度创造了一个新的瓶颈：协调税。AI 加速了执行速度远远快于它改进了组织如何协调工作。上下文共享、优先级、运营决策、状态报告和跨功能对齐仍然大多是手动的，即使开发速度加快。

Atlassian 估计，导致的脱节成本 大约每年 1610 亿美元。同样的研究发现，虽然 89% 的高管表示 AI 加速了工作，但只有 6% 能够指出可衡量的组织范围内的成果。

更快的输出并不自动创造一个更聪明的组织。 只有 17% 的用户同意代理改善了团队内的协作，使其成为评分最低的影响，留下协调循环断开。

每次查询重建上下文是一个巨大的税收

虽然演示可以使用干净、策划的数据源，但生产环境呈现一个挑战：模糊、过时和冲突的信息散布在断开的系统中。当面对这些差距时，大型语言模型做了它被设计要做的事情：它预测下一个最可能的答案。在受控演示中看起来像推理的东西，很快就变成了有信心的猜测，使用真正的生产数据。

该行业已经开始给这个问题起了一个名字。 “上下文工程”已经出现作为一门学科，专注于设计信息、关系、治理和质量，以确定企业 AI 是否成功。限制因素通常不再是模型本身，而是模型周围的上下文质量。

每次 AI 系统从头开始重建上下文时，它都支付了税收。响应速度慢、令牌成本增加，并且信任随着答案的变化而减少，这取决于检索了哪些组织知识。两个 AI 代理可以对同一个问题给出不同的答案，因为每个代理从不同的一部分组织知识中组装上下文。

大多数组织已经拥有他们的 AI 系统所需的知识。问题在于，这些知识分散在票、仓库、文档、对话和规划工具中。因此，每次交互都必须从头开始重建组织上下文，然后模型才能开始推理，重复这个昂贵的过程，每次都有新的问题。

访问权限与知识不同

一个常见的问题是，是否更大的上下文窗口、更好的搜索或更好的检索可以解决这个问题。

模型上下文协议解决了一个真正的集成问题，通过为代理提供一种标准化的方式来访问企业信息所在的系统。但是，访问权限与理解不同。授予代理访问一打系统的权限并不解释哪个决定取代了另一个决定，为什么一个要求改变了，是否一个文档仍然具有权威性，或者如何客户对话最终影响了交付的内容。没有结构化的、经过验证的逻辑层，这只提供了一打机会遇到相互矛盾的细节。

大多数企业 AI 系统仍然假设上下文应该每次有人问问题时从头开始组装。这种方法可能会回答孤立的问题，但它难以支持运行业务所需的持续推理。领导者仍然花费数小时每周将答案拼凑在一起，这些答案本应该已经存在于组织内部：

• 什么改变了？
• 为什么这个优先级发生了变化？
• 是否仍然遵循路线图？
• 我们是否仍然解决正确的问题？

这就是知识图谱的用武之地。图表 存储实体及其关系，提供了保存组织记忆的基础。在软件组织中，这些实体可能包括客户、功能、需求、决策、票、仓库、拉取请求、发布和人员。

代理不再检索一组包含类似单词的段落，而是可以跟随从决策到引发它的需求、实现它的票、更改它的拉取请求以及后来挑战它的客户反馈的连接。

知识图谱不仅仅是另一种组织数据的方式。代理不再需要从断开的系统中重建上下文，而是可以从不断演化的组织工作理解中推理。

结果是代理可以从决策、对话和证据中推理，而不是从头开始重建理解每次提示。

结构本身是不够的

构建图表一次很棘手，保持其准确性更难。在快速移动的组织中，票、计划、代码、责任和客户反馈都可能改变。这意味着组织记忆必须更新以跟上现实的变化，并将每个变化重新链接到其源头。

虽然 82% 的开发人员报告说 AI 帮助他们更快地编码，71% 说它提高了他们解决复杂问题的能力，但这种速度带来了一个问题： 96% 的开发人员不完全相信生成的代码在功能上是正确的。

代理给出的每个事实都应该追溯到其源头：提交、票、线程。如果 AI 系统告诉领导者发布正在进行，但无法显示得出这一结论的信号，经验丰富的领导者应该犹豫是否采取行动。

我见过团队放弃生成合理答案的工具，因为用户无法验证答案是如何得出的。我也见过团队继续使用不太复杂的系统，因为这些系统显示了工作过程。没有收据的自信总结只是更快地出错，一旦工具用无源答案烧伤领导者，信任就不会回来。将每个声明连接到其源头将“相信我”变成“这是为什么”。

准确性很重要，原因与此相同。当系统持续跟踪计划和实际之间的关系时，团队决定和实际交付之间的差距变得可见，而不是被悄悄地吸收到一个自信但过时的答案中。这不是一个边缘问题。Thoughtworks 已经将 代码漂移标记为 AI 代理的特定危险。它强调了验证循环和反馈机制的必要性，以帮助系统检测和纠正随着工作进展而产生的偏差。可见的偏差是有用的信息。隐藏的偏差是 AI 系统开始误导信任它的人的方式。

在开始下一个代理项目之前要问的问题

在评估企业代理计划时，我会从四个问题开始：

• 系统是否在随时间维护自己的优化上下文表示，还是只是为 AI 提供对现有数据源的访问？
• 每个答案是否追溯到特定的源，例如票或文档？
• 系统是否在组织信息更改时自动更新？
• 代理是否理解数据点之间的关系，而不仅仅是访问它们？

基础模型将继续改进。推理能力将变得更强，上下文窗口将增长，并且这些进步将变得越来越普遍。然而，组织理解不会被大众化。

超过半数的 CEO 报告说，他们过去一年在 AI 上几乎没有看到收入或成本效益。我打赌，大多数人缺少允许这些模型推理的组织已知知识的上下文层。

随着软件变得越来越容易创建，理解成为稀缺资源。那些从 AI 中创造最多价值的人更擅长保存、连接和持续学习组织知识。这就是 AI 猜测和 AI 知道之间的区别。