E-mail thread koji je prekinuo proizvodnju Serija B pravna tehnološka kompanija raspoređivala je agenta AI-a za rješavanje eskalacija pregleda ugovora. Agent je imao pristup svakoj kartici podrške, svakoj e-pošti klijenata i 200-stranoj bazi znanja. Impresivno. agent je uhvatio slučajeve na rubu, označavajući rizike, pružajući točna uputstva. Day one: Zbunjen. agent je počeo da se suprotstavlja kroz granice. Day three: pouzdano govoreći korisnicima stvari koje su izravno suprotne odlukama donesenim dva tjedna ranije u razmene e-pošte nije mogao analizirati. Day seven: Problem nije bio model. GPT-5 je odličan u analizi ugovora kada ga hranite čistim ugovorom. Problem je bio da agent nije imao pojma šta se zapravo dogodilo. Nije mogao rekonstruisati istoriju razgovora. Nije mogao reći da kada je VP Proizvoda rekao "uzmimo to" u poruci 6 od 18 e-pošte, ta odluka nadomjestila je sve što je došlo prije. Nije mogao otkriti da je tri dana tišine nakon "Pogledat ću ovo" značilo da je problem napušten, nije riješen. Agent je bio briljantan u izolaciji i potpuno izgubljen u kontekstu. Paradoks koji ubija Enterprise AI Evo šta razbija većinu projekata preduzeća AI prije nego što čak i isporučuju: Vaš CRM je strukturiran. Vaše kontrolne ploče su strukturirane. Vaše liste zadataka su strukturirane. Ništa od toga nije tamo gde se stvarne odluke zapravo događaju. Prave odluke se događaju u e-poštama u kojima se zaključak razvija preko 47 odgovora, u Slack raspravama u kojima netko kaže "nvm" i preokreće tri dana planiranja, u Google Docs-u s ratovima komentara zakopanim u marginama, u preusmerenim lancima u kojima je stvarna odluka u poruci 3 od 11 i sve ostalo je samo kontekst koji morate razumjeti zašto. Ovo je nered, recursivno, puno implicitnog značenja i neizrečenog namera. Ljudi ga dobro navigiraju jer automatski pratimo kontinuitet pripovijedanja. Znamo da kada Sarah kaže "Ja ću se nositi s tim" u jednoj nitci, a zatim šuti tri sedmice u povezanoj nitci, postoji blokator koji moramo prebaciti na površinu. AI to ne zna. AI vidi žetone, a ne pripovijedanje. E-mail je tamo gde će AI umrijeti E-mail je brutalno težak iz istog razloga što je brutalno vrijedan: Odgovori uključuju polovično citirane fragmente, stvarajući recursivnu strukturu. Naprednici stvaraju žice u kojima se razgovori razdvajaju u paralelne vremenske linije. Sudionici se pridružuju srednjem kontekstu, tako da "odlučili smo" znači različite grupe u različitim tačkama. Tone menja rizik od signala, tri "zvuči dobro" odgovore nakon čega slijedi "zapravo, brzo pitanje" obično znači da se sporazum rastavi. Priloge nose poslovnu logiku, ali se indirektno upućuju. Ljudi kažu "Ja ću ga poslati u petak" umesto "zadatka dodijeljenog s rokom od 22. novembra". E-mail nije tekst, e-mail je arhitektura razgovora okružena tekstom. Razumevanje zahtijeva rekonstrukciju konverzacijske logike, a ne samo obradu rečenica. Dakle, svi pokušavaju ista četiri rješenja.Svi propadaju iz istog razloga. Pogrešna rešenja svi pokušavaju prvo Sve što je u prompt Teorija: dajte LLM-u sav kontekst i pustite ga da to shvati. Rezultat: sporo, skupo, krhko, sklono halucinacijama. LLM-ovi ne dobijaju bolje s više žetona – oni se utapaju. 50 e-pošte ima možda 3 e-pošte koje su važne i 47 koje su razgovorske. Model ne može reći razliku. On sve teži jednako, zbunjuje se proturječnostima i izmišlja zaključak koji zvuči vjerodostojno, ali ne odražava ništa što se zapravo dogodilo. RAG (Povećana generacija povratka) Teorija: preuzeti relevantne e-pošte, neka semantičko pretraživanje rješava ostatak. Rezultat: odlično za dokumente, strašno za razgovore. RAG može preuzeti pet najrelevantnijih e-mailova. Ali ne može vam reći da odgovor na liniji 47 proturječi zaključku na vrhu. Ne može otkriti da "zvuči dobro" od CFO znači odobrenje dok "zvuči dobro" od stažista ne znači ništa. Ne može modelirati da je ova nit prebačena u tri paralelne razgovore i odluka u forku B poništava raspravu u forku A. RAG vam daje komade. Treba vam narativ. To nije isto. Uslovi tuninga Teorija: obučite model na vašim obrazcima komunikacije. Rezultat: pametniji papagaj, a ne bolji povjesničar. Fine-tuning može učiniti LLM boljim u izvlačenju akcijskih elemenata iz izražavanja vašeg tima. ali to neće pomoći modelu da shvati da kada se Sarah obavezuje na nešto u Thread A, a zatim šuti u Thread B o istoj temi tri tjedna, postoji blokator o kojem trebate znati. Ne možete fin-tune svoj put u razumevanje uživo, stalno mijenjaju, multi-učesnik razgovore koji se protežu tjednima i grane preko alata. Custom klasifikacije Pokušali smo ovo.Svi pokušavaju ovo. Na kraju ćete izgraditi zoološki vrt slabih mikro detektora: klasifikatori osjećaja, ekstraktori zadataka, markeri odluka, identifikatori vlasnika, analizatori rokova, signali rizika, analizatori tona. Oni su individualno u redu. Zajedno su krhki, kontradiktorni, i oni prekidaju trenutak kada netko piše "sigurno, to radi" umesto "odobreno" ili "nije sigurno o tome" umesto "Imam zabrinutosti". Oni ne dijele kontekst. Oni ne razumeju da ista fraza znači različite stvari ovisno o tome ko je to rekao i kada. Vi provodite šest meseci izgradnje i usklađivanja ih, a oni još uvijek propuste ono što je važno: narativni luk razgovora. Nijedno od ovih rešenja ne rješava stvarni problem.Ljudska komunikacija nije eksplicitna. AI ne propada u odgovorima, ona propada u pretpostavkama. Pitajte LLM šta je vaš tim odlučio prošle sedmice. ne može vam reći. Ne zato što je loše u sažetku, već zato što nema pretpostavke potrebne za tumačenje onoga što se dogodilo. Kada vam nedostaju prave pretpostavke, bezopasne poruke e-pošte izgledaju ljutito. Rutina "slijediti ovo" postaje označena kao hitna kada to nije. Velike obveze ostaju neprimetne jer se izražavaju kao slučajni dogovori. Zadaci tiho skliznu jer "Pogledat ću" nije prepoznat kao mekana obveza koja treba pratiti. Deals stagnira jer agent ne detektira da tri pristojne poruke e-pošte u nizu bez konkretnih narednih koraka znači da je potencijalni duh. Ljudi prate pozadinu prirodno. Mi znamo odnose. Mi znamo istoriju. Znamo da ova osoba uvek kaže "pustite me da razmislim o tome" kada oni misle ne, a ta osoba kaže "da možda" kada oni misle da. Mi težimo nedavnosti protiv proturječja. Mi primjećujemo kada neko ko je obično odgovoran šuti. Mašine trebaju pomoć. Konkretno, one trebaju strukturu. Šta smo izgradili umjesto: Kontekstni motor Umesto toga, izgradili smo motor koji transformira nestrukturiranu komunikaciju u strukturiranu inteligenciju prije nego što ikada dotakne model. Razmislite o tome kao o preprocesoru za ljudski razgovor. Duboko analiziranje i razmatranje Prvi sloj se bavi OAuth sinhronizacijom, povlačenjem u realnom vremenu, povezivanjem priloga, normalizacijom poruka. Drugi sloj je tamo gde postaje teško: analiziranje ugrađenih odgovora, napred, inline citiranje, promene učesnika, vremenske praznine, referentna rezolucija. Kada netko kaže "vidi priloženo", sistem treba da zna koji prilog iz koje poruke je poslana od strane koje osobe u kojoj točki. Razumni sloj modelira razgovor kao graf, a ne kao listu. Svaka poruka je čvor. Odgovori stvaraju rubove. Napredak stvara nove podgrafove. Sistem prati osjećaje tijekom vremena kao trendove, a ne kao statičke oznake. On prati obveze i da li se one prate. On detektuje kada se ton pomakne iz saradnje u odbranu. On zastavi kada netko donese odluku, a zatim ga suprotstavlja tri dana kasnije. On primjećuje kada je zadatak dodeljen, a zatim tiho odustaje. Ona izvlači zadatke kao što su obaveze sa vlasnicima, implicitni rokovi i kontekst. Razumije da "Nisam siguran da je ovo ispravno" znači različite stvari ovisno o tome ko to kaže i kada. Od junior inženjera dva dana prije lansiranja, to je zastava za pregled. Od CTO tri sedmice u projekat, to je stop-and-rethink. Struktura proizvodnje Motor vraća čistu, predvidljivu JSON: odluke sa vremenskim žigovima i učesnicima, zadatke sa vlasnicima i rokovima, rizike sa rezultatima ozbiljnosti i trendovima, analizu osjećaja koja pokazuje kako se rasprave razvijaju, blokere kada se obaveze ćute. Umjesto da pokušaju da tumače "vratimo se sledeće sedmice", dobijaju strukturirani zadatak sa implicitnim rokom i zastavom da je ovo meko odlaganje, a ne teška obveza. Šta smo naučili izgraditi Ljudi ne govore u strojno čitljivim obrascima Polovina poslovne komunikacije je pristojna dvosmislenost. „Dobio sam to.“ „Radi za mene.“ „Hajde da to ponovimo.“ Niko nije izričita obveza. To je bio izgradnja sistema koji rekonstruiše kontekst prvo, a zatim tumači obrasce unutar tog konteksta. Razgovori nisu linearni, oni su drveće. Napredak stvara alternativne vremenske linije. Neko CCs novu osobu, a sada postoje dve paralelne diskusije u onome što izgleda kao jedna nit. Morate rekonstruisati čitav grafikon, a ne čitati sekvencijalno. Ne možete obrađivati e-poštu kao listu. Morate ga obrađivati kao usmereni aciklički grafikon s višestrukim korijenima, praćenjem koje su grane aktivne i koje su napuštene. Struktura e-pošte (što AI zapravo vidi) Message 1 ─┐ ├─ Reply 2 ── Reply 4 ── Reply 7 └─ Reply 3 ──┐ ├─ Forwarded Chain → Reply 5 └─ Reply 6 (new participant) ── Reply 8 Aktivne grane: 7, 8 Napušteno: 5 Odluka donesena u: 7 (razgovori o proturječjima u odjeljku 3→6) Osjećaj nije statičan Jedan miran e-mail ništa ne znači.Smanjeni trend kroz nedelje znači sve. Signal nije u pojedinačnoj poruci – to je u trajektoriji. Tri "zvuči dobro" e-pošte praćene "zapravo, brzo pitanje" je vodeći pokazatelj da je sporazum u toku. Agenti ne uspevaju jer im nedostaje kontinuitet priče To je razlog zašto se AI copiloti osjećaju pametnim prvog dana i glupim desetog dana.Ne sećaju se šta se dogodilo.Ne prate kako su se odluke razvile. Ne samo "ovo je ono o čemu smo razgovarali", već "ovo je ono što smo odlučili, ko se obvezao na šta, što je još otvoreno, što se promijenilo, što je otpušteno." Kontinuitet priče je razlika između AI koji pomaže i AI koji zbunjuje. Proizvođač Takeaways Struktura razgovora je suviše složena, previše recursivna, previše kontekstualna za usklađivanje uzoraka. Narrativna kontinuiteta je važnija od broja žetona. Postavljanje 50 e-pošte u poziv daje modelu buku, a ne kontekst. Oni će biti briljantni prvog dana i nedosljedni do desetog dana jer nemaju pamćenje odluka, nema praćenja obveza, nema svjesnosti o tome kako su se razgovori razvili. GPT-5 je odličan u razmatranju kada mu date čisti, strukturirani unos. Ovaj sloj mora postojati negde. ili ga izgradite sami (mesecima rada, neprekidnim održavanjem, beskonačnim slučajevima) ili koristite infrastrukturu koja ga već rješava. Zašto bi programeri trebali brinuti Ako gradite sa LangChain, LangGraph, LlamaIndex, ili prilagođene agencije okvira, na kraju ste pogodili isti zid od cigle: model treba strukturirani kontekst, a ne sirovi tekst. Svaki proizvod AI koji dodiruje ljudsku komunikaciju treba to. korisnik podržava AI koji ne može pratiti istoriju eskalacije je beskoristan. Legal AI koji ne može rekonstruisati istoriju pregovora o ugovoru ne može procijeniti rizik. Sve se raspada bez strukturiranog konteksta.To je manjkajući sloj. Trošili smo tri godine da ga izgradimo jer je e-pošta naš osnovni proizvod. Većina programera nema tri godine. E-mail inteligencija API Sistem koji smo izgradili je dostupan kao Email Intelligence API. On uzima sirovu e-poštu i vraća strukturirane, signale spremne za razmatranje. Dobijate zadatke sa vlasnicima i rokovima, odluke sa učesnicima i istorijom, rizici ostvareni i praćeni vremenom, trendovi osjećaja, blokatori identificirani kada se obaveze šute. Bez prompt lanaca. Bez stiskanja RAG rezultata. Bez izgradnje prilagođenih klasifikatora šest meseci. Razvijatelji ga integriraju u manje od jednog dana. Obrađuje milijune e-pošte mesečno s 90% preciznošću na donošenju odluka i identifikaciji zadataka. Ako gradite AI alate koji dodiruju e-poštu, chat ili dokumente, ovo je sloj koji ne želite izgraditi sami. Veće promene Sljedeći talas AI neće biti o većim modelima, već o boljem kontekstu. Većina timova još uvijek pokušava poboljšati uputstva, pokušavajući da GPT-5 bude 5% bolji u sažetku nerazumnih e-pošte. Bottleneck nije model. Bottleneck je da model nema pojma šta se događa. To je slijepo za vašu istoriju, vaše odnose, vaše odluke, vaše obveze. To je analiziranje teksta kada ono što treba je priča. Kontekst ne dolazi iz mreže. Kontekst ne dolazi iz većih modela. Kontekst dolazi iz vašeg rada - a vaš rad je zarobljen u nestrukturiranoj komunikaciji koju AI ne može analizirati bez pomoći. Popravite to, a AI prestaje zvučati pametno i počinje biti korisno. Email Intelligence API je deo iGPT-ovog kontekstnog motora za AI programere. Ako je to problem koji rešavate, mi smo već izgradili infrastrukturu.
