Però aquí és amb què lluita: entendre la realitat de la producció.La producció existeix en trossos.El codi descriu què hauria de passar; les eines d'observació veuen senyals; els sistemes de bitlleting veuen problemes; el CI / CD veu canvis.Cada superfície veu una peça de producció.Ningú manté un model coherent de com funciona realment el sistema. La mateixa fragmentació existeix entre les persones i els rols: SRE, suport, QA, dev, PM. No hi ha una comprensió central de com funciona el programari de producció. La comprensió de la producció és implícita i fragmentada: viu en el codi, els panells de control, els bitllets, el coneixement tribal i els caps d'uns pocs enginyers superiors.Llavors, quan és el moment de resoldre un problema del client en la producció, la resposta reflecteix la realitat: està desconnectada, lenta i siloada. Perquè la IA ajudi realment, necessita entendre el “per què”, el context de les decisions clau.No només on estem avui, sinó com hem arribat aquí. El problema dels dos rellotges Aquesta bretxa entre l'estat actual i l'estat històric s'anomena "el problema dels dos rellotges".Aquí hi ha una analogia que us pot ajudar a embolicar el cap al voltant: El vostre CRM emmagatzema el valor final de l'acord, no la negociació. El vostre sistema de bitllets emmagatzema "resolt", no el raonament. La vostra base de codi emmagatzema l'estat actual, no els dos debats arquitectònics que el van produir. Hem construït una infraestructura de bilions de dòlars per al que és veritat ara. Això tenia sentit quan els humans eren la capa de raonament. El cervell organitzatiu es distribuïa a través dels caps humans, reconstruït a la demanda a través de la conversa. Ara volem que els sistemes d'IA decideixin, i no els hem donat res a raonar. Estem demanant als models que exerceixin el judici sense accés a precedents. El fitxer de configuració diu timeout=30s. Solia dir timeout=5s. Algú ho va triplicar. Aquest patró és a tot arreu. El CRM diu "tancat perdut". La majoria dels sistemes poden dir-vos què és veritat ara i què va passar, però no conserven per què es va fer una elecció en el moment —quines entrades es van considerar, quines restriccions eren vinculants, i quins compromisos realment van impulsar el resultat. És per això que "connectar un LLM als seus sistemes" sovint decepciona: el model pot veure les dades, però no pot veure la lògica de decisió de l'organització. La capa valuosa no són els documents; són les decisions que aquests documents van informar juntament amb com es van crear aquests documents. Com va estructurar el soci realment que guanyar-se? per què l'analista va rebutjar aquest risc? Les petjades de decisió són on realment viu la intel·ligència institucional. Però les petjades de decisió són encara més difícils d'anonimitzar que els documents. Pots pseudonimitzar entitats. No pots anonimitzar fàcilment els patrons de judici. "Sempre prenem una línia més dura quan l'advocat de la contrapart és de l'empresa X" revela alguna cosa fins i tot amb X dissimulat. Què són realment els gràfics de context Les properes plataformes de bilions de dòlars no es construiran afegint la IA als sistemes existents de registre, sinó capturant el raonament que connecta les dades a l'acció en un gràfic contextual. Quan els gràfics de context acumulen prou estructura, poden convertir-se en un model mundial. Codifiquen la física organitzativa -dinàmica de decisions, propagació d'estats, interaccions d'entitats. Pots executar simulacions o proves dins d'aquests models. Pots preguntar "què si?" i obtenir respostes útils, no al·lucinacions salvatges, perquè has construït alguna cosa real. Un gràfic de context no és un gràfic de noms; és un gràfic de decisions amb evidències, restriccions i resultats. El "graf de context" esdevé real quan es poden convertir les operacions desordenades en alguna cosa que es pugui reproduir: no només esdeveniments, sinó decisions amb la evidència disponible, les restriccions que estaven vinculants, el compromís que va guanyar i el que va seguir. Com es veu això en la pràctica? Un agent de renovació proposa un descompte del 20%. Les capes de política renoven el 10% llevat que s'aprovi una excepció d'impacte en el servei. L'agent treu tres incidents SEV-1 de PagerDuty, una escalada oberta "cancel·la si no està fixada" a Zendesk, i el fil de renovació anterior on un VP va aprovar una excepció similar el trimestre passat. Ruta l'excepció a Finances. Finances aprova. El CRM acaba amb un fet: "descompte del 20%". Amb el temps, aquests registres formen naturalment un gràfic de context: les entitats que l'empresa ja es preocupa (comptes, renovacions, bitllets, incidents, polítiques, aprovators, agents) connectats per esdeveniments de decisió (els moments que importen) i enllaços "per què". Els rastres de decisió capturats es converteixen en precedents buscables i cada decisió automatitzada afegeix un altre rastre al gràfic. Res d'això requereix autonomia completa el primer dia. Comença amb l'home en el cercle: l'agent proposa, recull context, recull aprovacions, i registra el rastre. Amb el temps, a mesura que es repeteixen casos similars, més del camí es pot automatitzar perquè el sistema té una biblioteca estructurada de decisions i excepcions anteriors. Fins i tot quan un humà encara fa la trucada, el gràfic continua creixent, perquè la capa de flux de treball captura les entrades, l'aprovació i la raonament com a precedent durador en comptes de deixar-lo morir a Slack. Si els gràfics de context són tan evidentment essencials, per què no n’hem vist més? Per què els gràfics de context són rars: el problema dels cinc sistemes de coordenades Els gràfics contextuals no existeixen realment en el salvatge avui perquè requereixen connexions a través de sistemes de coordenades que no comparteixen claus. Les bases de dades tradicionals resoltes s'uneixen fa dècades. Tens un client_id, un ordre_id, una relació clau estrangera. La connexió és discreta; les claus són estables; l'operació és ben definida. El raonament organitzatiu requereix un tipus diferent de connexió. Cal connectar: el que va passar (esdeveniments) a quan va passar (timeline) a què significa (semàntica) a qui el posseïa (atribució) a què va causar (resultat). Aquests són cinc sistemes de coordenades diferents. Cap d'ells comparteix una clau primària. Cinc sistemes de coordenades, cinc tipus d'articulacions: La línia de temps s'uneix: Connectar l'estat a través del temps. La configuració és 30s ara. Va ser 5s dimarts passat. Unir-se a aquests requereix indexació temporal on "abans" i "després" són operacions de primera classe, no filtres. Els esdeveniments s'uneixen: Connecten els esdeveniments en seqüències. El desplegament es va produir, llavors es va disparar l'alerta, després es va fer el rollback. L'ordre és important. Les finestres causals són importants.La condició de la unió és la proximitat en l'espai d'esdeveniments, no la igualtat clau. Joins semàntics: Connectar significats a través de representacions. "risc de Churn" en un bitllet de suport es refereix a "preocupació de retenció" en una nota de vendes. Assignació s'uneix: Connectar accions als actors a la propietat. Qui ho va aprovar? Qui posseeix aquesta decisió? La unió travessa l'estructura org, les jerarquies de permisos, les cadenes d'aprovació. La topologia mateixa és la condició de la unió. Joins de resultats: Connectar decisions amb conseqüències. Aquest canvi de preu va conduir a l'impacte de les rendes. L'adhesió és causal, no correlativa. Requereix raonament contrafactual: què hauria passat d'una altra manera? Cada tipus d'adhesió té una geometria diferent. La línia de temps és lineal. Els esdeveniments són seqüencials. La semàntica viu en l'espai vectorial. L'atribució està estructurada per gràfics. Els resultats són DAGs causals. El problema del gràfic de context esdevé resolt quan s'adona que no els crea intencionadament; són un subproducte de com interactuen els agents i els humans. Com els gràfics de context es tornen rastreables: les trajectòries dels agents com a dades de formació La raó per la qual els gràfics de context ara són factibles és que podem aprendre un sistema de coordenades compartit on aquestes conjugacions esdevenen expressibles. Les trajectòries d'agents (a mesura que comencen a tenir un treball significatiu) són un senyal de formació emergent. Quan un agent resol un problema, realitza tots els cinc tipus d'adhesió implícitament. Resol les entitats a través de representacions. Seqüencia els esdeveniments. Connecta el significat. Travessa la propietat. Rastreja els resultats. La trajectòria és una mostra d'adhesió multicoordinada reeixida. Acumuleu trajectòries suficients amb el temps, i apreneu embeddings que codifiquen la compatibilitat de la unió entre sistemes de coordenades. Entitats que coincideixen en trajectòries són entitats que s'uneixen bé en la pràctica. L'espai d'embeddings es converteix en un índex de la unió aprés. Les representacions estructurals necessiten cooperar amb les semàntiques. Les embeddings semàntiques codifiquen la semblança de significat. Les embeddings estructurals, que s'aprenen de les trajectòries, codifiquen la connexió operativa. Junts, us donen un espai on "gestionar les decisions relacionades" pot significar: relacionades en el temps, relacionades en el sentit, relacionades en la propietat, relacionades en Qualsevol combinació ponderada amb la unió arbitrària predica a través de sistemes de coordenades. Els gràfics de context no s'han construït perquè la unió a través de cinc geometries diferents amb claus de fluid requereix aprendre una representació compartida de les dades operatives. Les caminades locals (probablement per retrocedir) aprenen l'homofília - els nodes són similars perquè estan connectats. caminades globals (empènyer cap a l'exterior) aprenen l'equivalència estructural - els nodes són similars perquè juguen rols anàlegs, encara que mai directament connectats. Considereu dos enginyers principals en una empresa. Un treballa en els pagaments, un en les notificacions. No hi ha bitllets compartits, no hi ha codis sobreposats, no hi ha canals comuns de Slack. L'homofília no els veuria com a semblants. Però estructuralment són equivalents -el mateix paper en diferents subgrafs, patrons de decisió similars, camins d'escalada similars. Els agents són informats (no aleatoris) caminants. Quan un agent investiga un problema o completa una tasca, travessa l'espai d'estat de l'organització. Toca sistemes, llegeix dades, crida APIs. La trajectòria és un passeig pel gràfic d'entitats organitzatives. A diferència de les caminades aleatòries, les trajectòries dels agents són orientades a problemes. L'agent s'adapta basant-se en el que troba. Investigant un incident de producció, podria començar àmpliament - què ha canviat recentment en tots els sistemes? Això és exploració global, territori d'equivalència estructural. A mesura que s'acumulen evidències, s'estén a serveis específics, història de desplegament específica, vies de sol·licitud específiques. Això és exploració local, territori homòfil. Els passos aleatoris descobreixen l'estructura a través de la cobertura de força bruta. Els passos informats descobreixen l'estructura a través de la cobertura orientada al problema. L'agent va on el problema el porta, i els problemes revelen el que realment importa. Enginyer correctament, les trajectòries dels agents es converteixen en el rellotge d'esdeveniments. Cada trajectòria mostra l'estructura de l'organització, predisposada a les parts que són importants per al treball real. Acumulen milers i s'obté una representació aprenent de com funciona l'organització, descoberta a través de l'ús. Les entitats que apareixen repetidament són entitats que tenen importància.Les relacions travessades són relacions que són reals.Les equivalències estructurals es revelen quan diferents agents que resolen diferents problemes segueixen camins anàlegs. Hi ha elegància econòmica aquí. Els agents no estan construint el gràfic de context - estan resolent problemes que val la pena pagar. El gràfic de context és l'escapament. Millor context fa que els agents siguin més capaços; els agents capacitats es desplegin més; el desplegament genera trajectòries; les trajectòries construeixen context. Amb el temps, a mesura que els gràfics contextuals acumulen prou coneixement, es poden convertir en alguna cosa més: un model mundial de producció completament navegable. Els gràfics de context es poden construir per convertir-se en un model del món de la producció Un model del món de la producció és una representació aprenent, comprimit de com funciona un entorn. Codifica la dinàmica, és a dir, el que passa quan es prenen accions suspeses en un estat específic. Capta l'estructura: quines entitats existeixen i com es relacionen. I permet la predicció: donat un estat actual, i una acció proposada, què passa a continuació? Els models del món demostren una cosa important: els agents poden aprendre representacions comprimides dels entorns i entrenar-se completament dins dels "somnis" - trajectòries simulades a través de l'espai latent. Això té una òbvia analogia en robòtica. Un model mundial que captura la física (com cauen els objectes, com es propaguen les forces) li permet simular les accions del robot abans d'executar-les, entrenar les polítiques en la imaginació, explorar escenaris perillosos de forma segura i transferir-se al maquinari físic. La mateixa lògica s'aplica a les organitzacions, però la física és diferent. La física organitzativa no és massa i moment. És la dinàmica de la decisió. Com s'aproven les excepcions? Com es propaguen les escalacions? Què passa quan canvieu aquesta configuració mentre aquesta bandera de característiques està habilitada? Quin és el radi d'explosió de desplegament a aquest servei donat l'estat de dependència actual? El rellotge d'esdeveniments li diu com es comporta el sistema, i el comportament és el que necessita per simular. Un gràfic de context amb prou estructura acumulada es converteix en un model mundial per a la física organitzativa. codifica com es desenvolupen les decisions, com es propaguen els canvis d'estat, com interactuen les entitats. A PlayerZero, construïm simulacions de codi, projectant canvis hipotètics en el nostre model de sistemes de producció i predicint els resultats. Donat un canvi proposat, les configuracions actuals i les banderes de característiques, els patrons de com els usuaris exerceixen el sistema: això trencarà alguna cosa? Aquestes simulacions no són màgiques. Són inferències sobre l'estructura acumulada. Hem observat trajectòries suficients a través de problemes de producció per aprendre patrons: quins camins de codi són fràgils, quines configuracions interactuen de manera perillosa, quines seqüències de desplegament causen incidents. Si el vostre gràfic de context no pot respondre "què si", és només un índex de cerca. Implications for the Continual Learning Debate Implicacions per al debat sobre l'aprenentatge continu Moltes persones argumenten que la IA no està transformant l'economia perquè els models no poden aprendre en el treball - estem atrapats en la construcció de circuits de formació personalitzats per a cada capacitat, que no s'escalfa fins a la llarga cua del coneixement organitzatiu. Però què passa si el marcatge estàndard és una distracció? L'aprenentatge continu pregunta: com actualitzem els pesos a partir de l'experiència en curs? Això és difícil - oblit catastròfic, canvi de distribució, reentrenament costós. Els models del món suggereixen una alternativa: mantenir el model fix, millorar el model del món per les seves raons. Això és el que els agents poden fer sobre els gràfics de context acumulats.Cada trajectòria és la prova de la dinàmica organitzativa.En el moment de la decisió, realitzeu una inferència sobre aquesta evidència: tenint en compte tot el que s'ha capturat sobre com es comporta aquest sistema, tenint en compte les observacions actuals, què hi ha darrere del que està succeint? Més trajectòries, millor inferència.No perquè el model s'actualitzi, sinó perquè el model mundial s'expandeixi. I perquè el model del món dóna suport a la simulació, s'obté una cosa més poderosa: el raonament contrafactual. No només "què va passar en situacions similars?" sinó "què passaria si prengués aquesta acció?"L'agent imagina futurs, els avalua, tria en conseqüència. Això és el que tenen els empleats experimentats que les noves contractacions no. No hi ha una arquitectura cognitiva diferent, un model de món millor. Han vist suficients situacions per simular els resultats. "Si pressionem aquest divendres, la trucada tindrà un mal cap de setmana." El camí cap a la transformació econòmica de la IA pot no requerir la solució de l'aprenentatge continu.Podria requerir la construcció de models del món que permetin que els models estàtics es comportin com si estiguessin aprenent, a través de l'ampliació de les bases de dades i el càlcul de temps de inferència per raonar i simular sobre ells. El gràfic de context és el model del món que fa que el motor sigui útil. Una de les dependències subjacents dels models del món són les ontologies universals, de manera que val la pena explorar tant les ontologies prescrites com les aprendudes. Ontologies prescrites vs. aprenentades: dos enfocaments a l'estructura organitzativa Moltes persones fan l'error de pensar que un gràfic de context és una base de dades de gràfics o memòria estructurada. Això no és cert. Això és important a mesura que els equips arriben a les eines conegudes (Neo4j, magatzems vectorials, gràfics de coneixement) i es pregunten per què els seus agents no són cada vegada més intel·ligents. "Ontologia" és un terme sobrecarregat. Hi ha ontologies prescrites (motors de regles, fluxos de treball, capes de governança). Palantir va construir una companyia de $ 50B sobre això: una capa definida que cartografiï les dades de l'empresa a objectes i relacions. Vostè defineix l'esquema. Vostè l'aplica. Funciona quan coneix l'estructura per davant. La pròxima companyia de 50 mil dòlars es basarà en les ontologies apreses. Estructura que sorgeix de com succeeix realment el treball, no de com el va dissenyar per succeir. Això és important perquè hi ha tants coneixements implícits en la presa de decisions que ni tan sols ens adonem en aquest moment, i els agents replicen el nostre judici! Hi ha molts primers per a les ontologies prescrites. No hi ha gairebé cap infraestructura per aprendre, representar i actualitzar els implícits. Les relacions implícites (les entitats que es toquen junts, el que succeeix en les cadenes de decisions) són la bretxa. La memòria suposa que saps què emmagatzemar i com recuperar-la, però el context més valuós és l'estructura que no sabies que existia fins que els agents la van descobrir a través de l'ús. Un altre concepte equivocat: "les pistes de decisió són només registres de trajectòria." Això és com dir que les incorporacions són només índexs de paraules clau. Recordeu quan les incorporacions semblen tecnologia alienígena? Una manera probabilística de representar la similitud que va fer que el problema "resolt" de la cerca fosca semblés prehistòric. Estem en un punt d'inflexió similar per a l'aprenentatge estructural. Els registres de trajectòria emmagatzemen el que va succeir. Traces de decisió (fets a la dreta) aprenen per què va succeir. Quines entitats van importar. Quins patrons es repeteixen. Com flueix el raonament a través de l'espai d'estat organitzatiu. La diferència: els registres són registres només apèndiques. Les pistes de decisió són dades d'entrenament per a models del món de la producció. L'esquema no és una cosa que defineixis per endavant. Tot això pot sonar molt acadèmic o hipotètic, però els gràfics de context existeixen avui en dia, i cada vegada més en el futur. On els gràfics de context realment es materialitzen El gràfic de context esdevé real quan es poden convertir les operacions desordenades en alguna cosa que es pugui reproduir: no només esdeveniments, sinó decisions amb les proves disponibles, les restriccions que estaven vinculants, el compromís que va guanyar i el que va seguir. En primer lloc, la superfície de la decisió ha de ser llegible. Alguns dominis tenen "compromís" nets: trucades de triatge, reassignacions d'enviament, aprovacions de desviació, decisions d'escalació que acaben en un clar "estem fent X." Aquests són aprenent perquè hi ha un límit entre la deliberació i el compromís. Altres entorns s'estenen a les meitats de decisions i moviments reversibles. Si no podeu identificar el que realment comptava com la decisió, acabareu modelant soroll en lloc de judici. Això és on molts esforços genèrics de "mineria de procés + LLM" s'aturen: capturen l'activitat, però no el límit de decisió. En segon lloc, la fricció de la captura és important perquè determina la dificultat d'obtenir traces de decisió. Aquest esforç varia dramàticament segons la indústria. En alguns entorns, les decisions ja viuen dins del programari, de manera que les traces cauen de forma natural. En altres, la presa de decisions real es produeix verbalment: en les escales, les maniobres, les trucades d'enviament, la re-planificació de trampes, les negociacions. És per això que la veu és un desbloqueig en moltes indústries del món físic: et permet capturar elements de la presa de decisions verbals com succeeix, sense obligar a la gent a traduir el seu judici en formes i camps després del fet. En tercer lloc, la captura per si sola no és suficient.El context capturat pot ser incorrecte, obsolet o silenciosament reemplaçat.Els gràfics de context hereten les deficiències de l'organització: l'anàlisi optimista que es converteix en llegenda, les decisions anunciades per escrit que es van revertir en una reunió, suposicions que van deixar de ser veritat però mai es van tornar a repetir. L'estabilitat ontològica també importa, però les seves implicacions divergeixen, i és aquí on el mercat es divideix. En els dominis pesants en actius, l'estructura explícita del món és relativament estable. És per això que les plataformes ontològiques de primer funcionen en absolut. Però aquests mateixos dominis han estat històricament obligats a pagar un costós impost de modelatge anticipat perquè la capa de decisió real no es va capturar contínuament en temps real. L'oportunitat és mantenir el substrat, però afegir un altre cicle d'aprenentatge: tractar el model prescrit com a escorxador, i deixar que els rastres continuïn ensenyant al sistema com es prenen realment les decisions. Amb el temps, els desplegaments esdevenen menys dependents de cicles de descoberta personalitzats i més defensables a través del precedent acumulat. En la tecnologia, el problema invers apareix. Les ontologies són inestables perquè el negoci mateix està sent constantment refactorizado. Productes vaixell i deprecate característiques. Equips reorganitzen. Go-to-market moviments canvien. nous models de preus apareixen, els vells desapareixen. Fins i tot dins de la mateixa empresa, diferents funcions funcionen en objectes i horaris fonamentalment diferents, especialment en les vendes B2B, on les ofertes, els comptes, els territoris, les aprovacions i la lògica de descompte varien segons el segment, la regió i el trimestre. Aquesta fragmentació és on apareix el mal alineament. Diferents parts de l'empresa porten diferents versions del "el que creiem": narracions estratègiques que flueixen, definicions mètriques que muten, polítiques que es reescriuen per excepció, moviments de vendes que contradiuen la intenció del producte. En una organització només humana, això es documenta amb reunions i escalada. En una organització agentística, esdevé immediatament operatiu, perquè els agents actuen en qualsevol context que puguin recuperar. El context contradictori no produeix millors decisions, produeix treball malgastat, re-litigació i accions que anul·len altres accions. Mantenir la coherència a mesura que l'organització canvia esdevé la part difícil. Amb el temps, la cosa més valuosa que produeix una organització no són les dades, sinó la recopilació de decisions. Els patrons acumulats de com es prenen realment les decisions: quines proves importaven, quines restriccions eren vinculants, quines excepcions eren normals, quins compromisos eren acceptables es converteixen en la propietat intel·lectual de l'organització. Si pots capturar el judici com un subproducte de l'execució i mantenir-lo actualitzat, pots construir el gràfic de context: la memòria de decisions que es converteix en la fosca. Hi ha una inversió que es fa més viable amb el temps. En comptes de declarar primer el món, captura decisions en el moment en què es comprometen i aprèn de com s'aplica el judici en la pràctica. Quan es produeix una decisió, es capturen els recursos consultats, les restriccions aplicades, es va fer el compromís, es va prendre l'acció i com es va avaluar posteriorment. Això no reemplaça l'ontologia formal, i no passa tot d'una vegada. El model prescrit encara té importància per a la semàntica compartida, l'estat i les restriccions dures. La part que s'aprèn és l'ontologia de la capa - les primeres plataformes no arriben de forma fiable de forma gratuïta: les restriccions suaus, els patrons d'excepció i les heurístiques tacides que determinen els resultats. En l'atenció sanitària, el sistema sap que s'ha presentat l'autorització prèvia. No coneix el patró que determina si el pacient rep atenció en tres dies o tres setmanes: quin format de documentació respon un pagador, quan les apel·lacions es tornen, quan s'ha d'iniciar proactivament el peer-to-peer, i quins "passos estàndard" són finals morts. Això també canvia l'economia del producte. En comptes de pagar l'impost de modelització complet per endavant, es pot començar amb un substrat prim i deixar que la capa de valor més alt emergeixi de les operacions reals. La majoria dels sistemes poden dir-te el que va passar; gairebé ningú pot reconstruir per què va succeir en el moment que tenia importància. Un gràfic de context no és un gràfic de noms; és un gràfic de decisions amb evidències, restriccions i resultats. Es pot suposar primer que prové de les organitzacions que posseeixen les dades, els sistemes de registres, però és més probable que provingui d'una altra font. Per què els incumbents no poden construir gràfics de context Alguns són optimistes que els jugadors existents evolucionaran en aquesta arquitectura. Els magatzems es converteixen en "registres de la veritat", mentre que els CRM es converteixen en "màquines estatals amb APIs". Això podria funcionar per fer que les dades existents siguin més accessibles. Els càrrecs operatius estan siloats i prioritzen l'estat actual. Salesforce impulsa Agentforce, ServiceNow té Now Assist, i Workday està construint agents per a HR. El seu punt de vista és "tenim les dades, ara afegim la intel·ligència". Però aquests agents hereten les limitacions arquitectòniques dels seus pares. Salesforce es basa en l'emmagatzematge de l'estat actual: sap com es veu ara l'oportunitat, no com es va veure quan es va prendre la decisió. Quan s'aprova un descompte, el context que el va justificar no es conserva. No es pot reproduir l'estat del món en el moment de la decisió, el que significa que no es pot auditar la decisió, aprendre d'ella o utilitzar-la com a precedent. També hereten els punts cecs dels seus pares. Una escalada de suport no viu solament a Zendesk. Depèn del nivell de client del CRM, els termes de SLA de la facturació, les interrupcions recents de PagerDuty i el risc de flagatge del fil Slack. RevOps existeix perquè algú ha de conciliar vendes, finances, màrqueting i èxit del client. DevOps existeix perquè algú ha de connectar desenvolupament, IT i suport. Aquestes funcions de "adhesiu" són un conte.Sorgeixen precisament perquè cap sistema de registre posseeix el flux de treball interfuncional.El gràfic org crea un paper per portar el context que el programari no captura. Un agent que automatitza aquest paper no només executa passos més ràpid. Pot persistir en les decisions, excepcions i precedents que es van crear per produir.Aquest és el camí cap a un nou sistema de registres: no trencant un incumbent, sinó capturant una categoria de veritat que només es fa visible una vegada que els agents s'asseuen en el flux de treball. Amb tot això, què significa pràcticament per a les empreses avui en dia? La qüestió no és si els sistemes de registres sobreviuran, sinó si les properes plataformes de mil milions de dòlars es construeixen afegint la IA a les dades existents o capturant les traces de decisions que fan que les dades siguin accionables. Què vol dir això: els tres problemes difícils Els gràfics contextuals requereixen la solució de tres problemes: Hem construït una infraestructura de bilions de dòlars per a l'estat i gairebé res per al raonament. Esquema com a sortida. No es pot predefinir l'ontologia de l'organització. Les trajectòries dels agents descobreixen l'estructura a través de la travessia orientada a problemes. Les incorporacions són estructurals, no semàntiques, capturant barris i patrons de raonament, no significats. Els models del món, no els sistemes de recuperació. Els gràfics de context que acumulen prou estructura es converteixen en simuladors. Codifiquen la física organitzativa - dinàmica de decisions, propagació d'estats, interaccions d'entitats. La simulació és la prova. Si pots preguntar "què si?" i obtenir respostes útils, has construït alguna cosa real. Les empreses que fan això tindran alguna cosa qualitativament diferent. No agents que compleixin tasques -intel·ligència organitzativa que es compon i evoluciona. Això simula futurs, no només recupera passats. Això és el desbloqueig.No millors models.Millor infraestructura per fer que l'intel·ligència desplegada s'acumuli.
