La IA genera código notablemente bien.Pero aquí está lo que lucha con: comprender la realidad de la producción.La producción existe en piezas.El código describe lo que debería ocurrir; las herramientas de observación ven señales; los sistemas de ticketing ven problemas; el CI / CD ve cambios.Cada superficie ve una fracción de la producción.Nadie mantiene un modelo coherente de cómo el sistema realmente funciona. La misma fragmentación existe entre personas y roles: SRE, soporte, QA, dev, PM. No hay una comprensión central de cómo funciona el software de producción. La comprensión de la producción es implícita y fragmentada -vive en el código, los dashboards, las entradas, el conocimiento tribal y las cabezas de algunos ingenieros superiores.Por lo tanto, cuando es el momento de resolver un problema de un cliente en la producción, la respuesta refleja la realidad: está desconectada, lenta y silada. Para que la IA realmente ayude, necesita comprender el “por qué”, el contexto de las decisiones clave.No sólo dónde estamos hoy, sino cómo llegamos aquí. El problema de los dos relojes Esta brecha entre el estado actual y el estado histórico se llama "el problema de los dos relojes".Aquí hay una analogía que puede ayudarle a envolver su cabeza en torno a él: Su CRM almacena el valor final de la transacción, no la negociación.Su sistema de billetes almacena "resolvido", no el razonamiento.Su base de código almacena el estado actual, no los dos debates arquitectónicos que lo produjeron. Hemos construido una infraestructura de billones de dólares para lo que es verdad ahora. Esto tenía sentido cuando los humanos eran la capa de razonamiento.El cerebro organizacional se distribuyó a través de las cabezas humanas, reconstruido a demanda a través de la conversación.Ahora queremos que los sistemas de IA decidan, y no les hemos dado nada de lo que razonar.Estamos pidiendo a los modelos que ejerzan juicio sin acceso a precedentes.Es como entrenar a un abogado en sentencias sin leyes de casos. El archivo de configuración dice timeout = 30s. Se usaba para decir timeout = 5s. Alguien lo triplicó. Este patrón está en todas partes.El CRM dice "cerrado perdido". La mayoría de los sistemas pueden decirle lo que es verdad ahora y lo que sucedió, pero no conservan por qué se hizo una elección en el momento —qué entradas se consideraron, qué restricciones eran vinculantes, y qué tradeoff realmente impulsó el resultado. Es por eso que "conectar un LLM a sus sistemas" a menudo decepciona: el modelo puede ver los datos, pero no puede ver la lógica de decisión de la organización. La capa valiosa no son los documentos; son las decisiones que esos documentos informaron junto con cómo se crearon esos documentos. ¿Cómo estructuró el socio realmente esa ganancia? ¿Por qué rechazó el analista ese riesgo? ¿Qué hizo que el clínico se desviara del protocolo? Los rastros de decisión son donde realmente vive la inteligencia institucional.Pero los rastros de decisión son aún más difíciles de anonimizar que los documentos.Puedes pseudonimizar entidades.No puedes fácilmente anonimizar los patrones de juicio. "Siempre tomamos una línea más dura cuando el abogado de la contraparte es de la firma X" revela algo incluso con X enmascarado. ¿Qué son realmente los gráficos de contexto Las próximas plataformas de billones de dólares no se construirán añadiendo AI a los sistemas de registro existentes, sino capturando el razonamiento que conecta los datos a la acción en un gráfico de contexto. Cuando los gráficos de contexto acumulan suficientes estructuras, pueden convertirse en un modelo mundial. Codifican la física organizacional: dinámica de decisiones, propagación de estados, interacciones de entidades. Puedes ejecutar simulaciones o pruebas dentro de estos modelos. Puedes preguntar "¿Qué si?" y obtener respuestas útiles, no alucinaciones salvajes, porque has construido algo real. Un gráfico de contexto no es un gráfico de nombres; es un gráfico de decisiones con evidencias, restricciones y resultados. “El gráfico de contexto” se convierte en realidad cuando puedes convertir operaciones desordenadas en algo reproducible: no sólo eventos, sino decisiones con la evidencia disponible, las restricciones que eran vinculantes, el trato que ganó y lo que siguió. ¿Cómo se ve esto en la práctica? Un agente de renovación propone un descuento del 20%. Las copas de políticas renuevan en un 10%, a menos que se apruebe una excepción de impacto en el servicio. El agente saca tres incidentes SEV-1 de PagerDuty, una escalada abierta de "cancelación a menos que fija" en Zendesk, y el hilo de renovación anterior donde un VP aprobó una excepción similar el último trimestre. Ruta la excepción a Finanzas. Finanzas aprueba. El CRM termina con un hecho: "descuento del 20%". Una vez que hay registros de decisiones, el "por qué" se convierte en datos de primera clase. Con el tiempo, estos registros forman naturalmente un gráfico de contexto: las entidades de las que la empresa ya se preocupa (cuentas, renovaciones, boletos, incidentes, políticas, aprobadores, ejecuciones de agentes) conectados por eventos de decisión (los momentos que importan) y enlaces "por qué". Los rastros de decisión capturados se convierten en precedentes buscables y cada decisión automatizada añade otro rasgo al gráfico. Nada de esto requiere total autonomía en el primer día. Comienza con el humano en el ciclo: el agente propone, recoge el contexto, rutas las aprobaciones y registra el rastro. Con el tiempo, a medida que se repiten casos similares, más del camino puede ser automatizado porque el sistema tiene una biblioteca estructurada de decisiones previas y excepciones. Incluso cuando un humano todavía hace la llamada, el gráfico continúa creciendo, porque la capa de flujo de trabajo captura las entradas, la aprobación y la racionalización como precedente duradero en lugar de dejarlo morir en Slack. Si los gráficos de contexto son tan obviamente esenciales, ¿por qué no hemos visto más de ellos? Por qué los gráficos de contexto son raros: el problema de los cinco sistemas de coordenadas Los gráficos contextuales no realmente existen hoy en día porque requieren uniones entre sistemas de coordenadas que no comparten claves. Las bases de datos tradicionales resueltas se unen hace décadas. Usted tiene un customer_id, un order_id, una relación clave extranjera. La unión es discreta; las claves son estables; la operación es bien definida. El razonamiento organizacional requiere un tipo diferente de unión. Usted necesita conectar: lo que sucedió (eventos) a cuando sucedió (timeline) a lo que significa (semántica) a quién lo poseía (atribución) a lo que causó (resultado). Estos son cinco sistemas de coordenadas diferentes. Ninguno de ellos comparten una clave primaria. Y las claves mismas son fluidas. "Jaya Gupta" en un correo Cinco sistemas de coordenadas, cinco tipos de joyas: La línea de tiempo se une: Conectar el estado a través del tiempo. La configuración es 30s ahora. Fue 5s el pasado martes. La incorporación de estos requiere indexación temporal donde "antes" y "después" son operaciones de primera clase, no filtros. Evento se une: Conectando las ocurrencias en secuencias. El despliegue ocurrió, luego se disparó la alerta, luego el rollback. El orden es importante. Las ventanas causales son importantes.La condición de unión es la proximidad en el espacio de eventos, no la igualdad clave. Joins semánticos: Conectando significados a través de representaciones. "Riesgo de Churn" en un ticket de soporte se refiere a "preocupación de retención" en una nota de ventas. Atribución se une: Conectando acciones a actores a la propiedad. ¿Quién aprobó esto? ¿Quién posee esa decisión? La unión atraviesa la estructura org, las jerarquías de permisos, las cadenas de aprobación. La propia topología es la condición de unión. Los resultados se unen: Conectando las decisiones a las consecuencias. Este cambio de precios condujo a ese impacto de los ingresos. La unión es causal, no correlacional. Requiere razonamiento contrafactual: ¿qué hubiera sucedido de otra manera? Cada tipo de unión tiene una geometría diferente. La línea de tiempo es lineal. Los eventos son secuenciales. La semántica vive en el espacio vectorial. La atribución está estructurada en gráficos. Los resultados son DAGs causales. El problema del gráfico de contexto se vuelve solucionable cuando te das cuenta de que no los creas intencionalmente; son un subproducto de cómo interactúan los agentes y los humanos. Cómo los gráficos de contexto se vuelven rastreables: las trayectorias de los agentes como datos de entrenamiento La razón por la que los gráficos de contexto son ahora factibles es que podemos aprender un sistema de coordenadas compartido donde estas juntas se vuelven expresibles. Las trayectorias de agentes (a medida que comienzan a poseer un trabajo significativo) son una señal de entrenamiento emergente. Cuando un agente resuelve un problema, realiza todos los cinco tipos de unión implícitamente. Resuelve entidades a través de representaciones. Se secuencia los eventos. Conecta el significado. Travesa la propiedad. Rastrea los resultados. La trayectoria es una muestra de uniones multi-coordenadas exitosas. Se acumulan suficientes trayectorias con el tiempo, y se aprenden embeddings que codifican la compatibilidad de la unión entre los sistemas de coordenadas. Entidades que coinciden en trayectorias son entidades que se unen bien en la práctica. El espacio de embedding se convierte en un índice de unión aprendido. Las representaciones estructurales necesitan cooperar con las semánticas. Las embeddings semánticas codifican la semejanza de significado. Las embeddings estructurales, aprendidas de las trayectorias, codifican la conexión operativa. Juntos te dan un espacio donde "encontrar decisiones relacionadas" puede significar: relacionadas en el tiempo, relacionadas en el sentido, relacionadas en la propiedad, relacionadas en el resultado. Cualquier combinación ponderada con la unión arbitraria predica a través de los sistemas de coordenadas. Los gráficos de contexto no se han construido porque la unión a través de cinco geometrías diferentes con claves de fluido requiere aprender una representación compartida de los datos operativos. Las caminatas locales (probablemente para retroceder) aprenden la homofilia - los nodos son similares porque están conectados. caminatas globales (empujando hacia afuera) aprenden la equivalencia estructural - los nodos son similares porque juegan roles análogos, incluso si nunca están directamente conectados. Considere dos ingenieros superiores en una empresa. Uno trabaja en pagos, uno en notificaciones. Sin boletos compartidos, sin códigos superpuestos, sin canales Slack comunes. La homofilia no los vería como similares. Pero estructuralmente son equivalentes –el mismo papel en diferentes subgrafos, patrones de decisión similares, caminos de escalada similares. Los agentes son informados (no aleatorios) caminantes. Cuando un agente investiga un problema o completa una tarea, atraviesa el espacio de estado de la organización. toca sistemas, lee datos, llama APIs. La trayectoria es un paseo por el gráfico de las entidades de la organización. A diferencia de las caminatas aleatorias, las trayectorias de los agentes están orientadas a problemas. El agente se adapta en función de lo que encuentra. Investigando un incidente de producción, puede comenzar a ser amplio —¿qué ha cambiado recientemente en todos los sistemas? Eso es exploración global, territorio de equivalencia estructural. A medida que la evidencia se acumula, se restringe a servicios específicos, historia de despliegue específica, vías de solicitud específicas. Eso es exploración local, territorio homófilo. Las caminatas aleatorias descubren la estructura a través de la cobertura de fuerza bruta. Las caminatas informadas descubren la estructura a través de la cobertura orientada al problema. El agente va a donde el problema lo lleva, y los problemas revelan lo que realmente importa. Diseñado correctamente, las trayectorias de los agentes se convierten en el reloj de eventos. Cada trayectoria muestra la estructura de la organización, adyacente a las partes que importan para el trabajo real. acumula miles y obtiene una representación aprendida de cómo funciona la organización, descubierta a través del uso. Las entidades que aparecen repetidamente son entidades que importan. Las relaciones atravesadas son relaciones que son reales. Las equivalencias estructurales se revelan cuando diferentes agentes que resuelven diferentes problemas siguen caminos análogos. Hay elegancia económica aquí. Los agentes no están construyendo el gráfico de contexto – ellos están resolviendo problemas que valen la pena pagar. El gráfico de contexto es el escape. Mejor contexto hace que los agentes sean más capaces; los agentes capaces se desplegan más; la implementación genera trayectorias; las trayectorias construyen contexto. Con el tiempo, a medida que los gráficos de contexto acumulan suficiente conocimiento, pueden convertirse en algo más: un modelo mundial de producción totalmente navegable. Los gráficos de contexto pueden ser construidos para convertirse en un modelo mundial de producción Un modelo del mundo de la producción es una representación aprendida, comprimida de cómo funciona un entorno. codifica la dinámica, es decir, lo que sucede cuando se toman acciones suspendidas en un estado específico. Capta la estructura: qué entidades existen y cómo se relacionan. Y permite la predicción: dado un estado actual, y una acción propuesta, ¿qué sucede a continuación? Los modelos del mundo demuestran algo importante: los agentes pueden aprender representaciones comprimidas de entornos y entrenar completamente dentro de los “sueños” – trayectorias simuladas a través del espacio latente. Esto tiene una analogía obvia en la robótica. Un modelo mundial que captura la física (cómo caen los objetos, cómo se propagan las fuerzas) te permite simular las acciones del robot antes de ejecutarlas, entrenar las políticas en la imaginación, explorar escenarios peligrosos de forma segura y transferirlos al hardware físico. La misma lógica se aplica a las organizaciones, pero la física es diferente. La física de la organización no es masa y impulso. Es la dinámica de la decisión. ¿Cómo se aprueban las excepciones? ¿Cómo se propagan las escalas? ¿Qué sucede cuando cambia esta configuración mientras está habilitada esa bandera de características? ¿Cuál es el radio de explosión de la implementación en este servicio dado el estado de dependencia actual? El reloj de eventos le dice cómo se comporta el sistema, y el comportamiento es lo que necesita para simular. Un gráfico de contexto con suficiente estructura acumulada se convierte en un modelo mundial para la física organizacional. codifica cómo se desarrollan las decisiones, cómo se propagan los cambios de estado, cómo interactúan las entidades. En PlayerZero, construimos simulaciones de código, proyectando cambios hipotéticos en nuestro modelo de sistemas de producción y prediciendo los resultados. Dado el cambio propuesto, las configuraciones actuales y las banderas de características, los patrones de cómo los usuarios ejercen el sistema: ¿esto romperá algo? ¿Cuál es el modo de fallo? ¿Qué clientes se ven afectados? Estas simulaciones no son mágicas. Son inferencias sobre la estructura acumulada. Hemos observado suficientes trayectorias a través de problemas de producción para aprender patrones: qué rutas de código son frágiles, qué configuraciones interactúan peligrosamente, qué secuencias de implementación causan incidentes. Si su gráfico de contexto no puede responder "qué si", es sólo un índice de búsqueda. Implications for the Continual Learning Debate Implicaciones para el debate de aprendizaje continuo Muchas personas argumentan que la IA no está transformando la economía porque los modelos no pueden aprender en el trabajo - estamos atrapados en la construcción de circuitos de capacitación personalizados para cada capacidad, que no alcanza la larga cola del conocimiento organizacional. ¿Pero qué pasa si el enmarcamiento estándar es una distracción?El aprendizaje continuo pregunta: ¿cómo actualizamos los pesos a partir de la experiencia continua? Los modelos del mundo sugieren una alternativa: mantener el modelo fijo, mejorar el modelo del mundo que razona.El modelo no necesita aprender si el modelo del mundo continúa expandiéndose. Esto es lo que los agentes pueden hacer sobre los gráficos de contexto acumulados.Cada trayectoria es evidencia de la dinámica organizacional.En el momento de la decisión, realice una inferencia sobre esta evidencia: dado todo lo capturado sobre cómo se comporta este sistema, dado las observaciones actuales, ¿cuál es la parte posterior de lo que está sucediendo? Más trayectorias, mejor inferencia.No porque el modelo se actualizó, sino porque el modelo mundial se expandió. Y porque el modelo del mundo soporta la simulación, se obtiene algo más poderoso: el razonamiento contra-factual.No sólo "¿qué pasó en situaciones similares?" sino "¿qué pasaría si tomara esta acción?"El agente imagina futuros, los evalúa, elige en consecuencia. Esto es lo que los empleados experimentados tienen que los nuevos empleados no. No hay una arquitectura cognitiva diferente, un modelo de mundo mejor. Han visto suficientes situaciones para simular resultados. "Si empujamos este viernes, la llamada tendrá un mal fin de semana." Eso no es recuperación. Es inferencia sobre un modelo interno de comportamiento del sistema. El camino hacia la IA económicamente transformadora puede no requerir resolver el aprendizaje continuo.Puede requerir la construcción de modelos del mundo que permitan que los modelos estáticos se comporten como si estuvieran aprendiendo, a través de la expansión de las bases de evidencia y la computación de tiempo de inferencia para razonar y simular sobre ellos. El gráfico de contexto es el modelo del mundo que hace que el motor sea útil. Una de las dependencias subyacentes de los modelos del mundo son las ontologías universales, por lo que vale la pena explorar tanto las ontologías prescritas como aprendidas. Ontologías prescritas vs. aprendidas: dos enfoques a la estructura organizacional Muchas personas cometen el error de pensar que un gráfico de contexto es una base de datos de gráficos o memoria estructurada. Eso no es cierto. Esto es importante a medida que los equipos se acercan a herramientas familiares (Neo4j, almacenes vectoriales, gráficos de conocimiento) y se preguntan por qué sus agentes no son cada vez más inteligentes. "Ontología" es un término sobrecargado. Hay ontologías prescritas (motores de reglas, flujos de trabajo, capas de gobernanza). Palantir construyó una compañía de $ 50B sobre esto: una capa definida que mapea los datos de la empresa a objetos y relaciones. Usted define el esquema. Usted lo aplica. Funciona cuando conoce la estructura de antemano. La próxima compañía de 50 mil millones de dólares se construirá sobre ontologías aprendidas. Estructura que surge de cómo sucede realmente el trabajo, no de cómo lo diseñaste. ¡Esto es importante porque hay tanto conocimiento implícito en la toma de decisiones que ni siquiera nos damos cuenta en el momento, y los agentes replican nuestro juicio! Hay muchas prioridades para las ontologías prescritas. Casi no hay infraestructura para aprender, representar y actualizar las implícitas. Las relaciones implícitas (las entidades que se tocan juntas, lo que ocurre en las cadenas de decisiones) son la brecha. Pero el contexto más valioso es la estructura que no sabías que existía hasta que los agentes la descubrieron a través del uso. Otro concepto equivocado: "Los rastros de decisión son solo registros de trayectoria."Es como decir que las incorporaciones son sólo índices de palabras clave. ¿Recuerdas cuándo las incorporaciones parecían una tecnología alienígena? Una forma probabilística de representar la similitud que hizo que el problema "solucionado" de la búsqueda fuzzy se pareciera prehistórico. Estamos en un punto de inflexión similar para el aprendizaje estructural. Los registros de trayectoria almacenan lo que sucedió. Los rastros de decisión (hecho correctamente) aprenden por qué ocurrió. Qué entidades importan. Qué patrones se repiten. Cómo fluye el razonamiento a través del espacio de estado de la organización. La diferencia: los registros son solo registros de apéndice. Los rastros de decisión son datos de entrenamiento para los modelos del mundo de la producción. El esquema no es algo que usted define de antemano. Todo esto puede sonar muy académico o hipotético, pero los gráficos de contexto existen hoy en día, y lo harán cada vez más en el futuro. Dónde los gráficos de contexto realmente se materializan El gráfico de contexto se convierte en realidad cuando puedes convertir operaciones desordenadas en algo reproducible: no sólo eventos, sino decisiones con la evidencia que estaba disponible, las restricciones que eran vinculantes, el trato que ganó y lo que siguió. En primer lugar, la superficie de decisión debe ser legible. Algunos dominios tienen "compromisos" limpios: llamadas de triado, reasignaciones de envío, aprobaciones de desviación, decisiones de escalada que terminan en un claro "estamos haciendo X." Estos son aprendibles porque hay un límite entre la deliberación y el compromiso. Otros entornos se extienden a través de decisiones medias y movimientos reversibles. Si no puedes identificar lo que realmente contaba como la decisión, terminas modelando ruido en lugar de juicio. Este es el lugar donde muchos esfuerzos genéricos de "minería de procesos + LLM" se detienen: capturan actividad, pero no el límite de decisión. En segundo lugar, la fricción de captura es importante porque determina cuán difícil es obtener rastros de decisión. Ese esfuerzo varía drásticamente según la industria. En algunos entornos, las decisiones ya viven dentro del software, por lo que las rastros caen naturalmente. En otros, la toma de decisiones real ocurre verbalmente: en escalas, handoffs, llamadas de despacho, re-planificación de rastros, negociaciones. Es por eso que la voz es un desbloqueo en muchas industrias del mundo físico: te permite capturar elementos de la toma de decisiones verbal como ocurre, sin obligar a las personas a traducir su juicio en formas y campos después del hecho. En tercer lugar, la captura por sí sola no es suficiente.El contexto capturado puede ser incorrecto, obsoleto o silenciosamente reemplazado.Los gráficos de contexto heredan las deficiencias de la organización: el análisis optimista que se convierte en la doctrina, las decisiones anunciadas por escrito que fueron revertidas en una reunión, las suposiciones que dejaron de ser verdaderas pero nunca fueron revisadas. La estabilidad ontológica también importa, pero sus implicaciones divergen, y aquí es donde el mercado se divide. En los dominios pesados por activos, la estructura explícita del mundo es relativamente estable. Es por eso que las plataformas de ontología-primero funcionan en absoluto. Pero estos mismos dominios han sido históricamente obligados a pagar un caro impuesto de modelado por adelantado porque la capa de decisión real no se captura continuamente en tiempo real. La oportunidad es mantener el substrato, pero agregar otro ciclo de aprendizaje: tratar el modelo prescrito como un escudo, y dejar que los rastros enseñen continuamente al sistema cómo se toman realmente las decisiones. Con el tiempo, los despliegos se vuelven menos dependientes de ciclos de descubrimiento personalizados y más defensibles a través del precedente acumulado. En la tecnología, el problema inverso aparece. Las ontologías son inestables porque el negocio mismo está siendo constantemente refactorizado. Los productos navegan y deprecan características. Los equipos se reorganizan. Los movimientos de ir al mercado cambian. Aparecen nuevos modelos de precios, desaparecen los viejos. Incluso dentro de la misma empresa, diferentes funciones operan en objetos y horarios fundamentalmente diferentes, especialmente en las ventas B2B, donde las ofertas, cuentas, territorios, aprobaciones y la lógica de descuento varían según el segmento, la región y el trimestre. Diferentes partes de la empresa llevan diferentes versiones de “lo que creemos”: narraciones de estrategia que fluyen, definiciones métricas que mutan, políticas que son reescritas por excepción, movimientos de ventas que contradicen la intención del producto. En una organización solo humana, esto se papeliza con reuniones y escalada. En una organización de agentes, se vuelve inmediatamente operativa, porque los agentes actúan en cualquier contexto que puedan recuperar. El contexto contradictorio no produce mejores decisiones, produce trabajo desperdiciado, re-litigación y acciones que anulan otras acciones. Con el tiempo, lo más valioso que una organización produce no son los datos, sino la recopilación de decisiones. Los patrones acumulados de cómo se toman realmente las decisiones: qué evidencia importaba, qué restricciones eran vinculantes, qué excepciones eran normales, qué compromisos eran aceptables se convierten en el IP de la organización. Si puedes capturar el juicio como un subproducto de la ejecución y mantenerlo actualizado, puedes construir el gráfico de contexto: la memoria de decisión compuesta que se convierte en la fosa. Las decisiones instrumentales, luego compila la capa que falta.Hay una inversión que se vuelve más viable con el tiempo.En lugar de declarar al mundo primero, capturas las decisiones en el momento en que se comprometen, y aprendes de cómo se aplica el juicio en la práctica. Cuando ocurre una decisión, captura los recursos consultados, las restricciones aplicadas, se hizo el trato, se tomó la acción y cómo se evaluó más tarde. Esto no reemplaza la ontología formal, y no sucede de una vez. El modelo prescrito todavía importa para la semántica compartida, los estados y las restricciones duras. La parte aprendible es la ontología de la capa -las primeras plataformas no se obtienen de forma fiable de forma gratuita: restricciones suaves, patrones de excepción y heurísticas tácitas que determinan los resultados. En el cuidado de la salud, el sistema sabe que se ha presentado la autorización previa. No conoce el patrón que determina si el paciente recibe atención en tres días o tres semanas: qué formato de documentación responde un pagador, cuando las apelaciones flip, cuando el peer-to-peer necesita ser iniciado proactivamente, y qué "pasos estándar" son muertos. Esto también cambia la economía del producto. En lugar de pagar el impuesto de modelado completo por adelantado, puede comenzar con un substrato delgado y dejar que la capa de valor más alto surja de las operaciones reales. La mayoría de los sistemas pueden decirle lo que sucedió; casi ninguno puede reconstruir por qué sucedió en el momento en que importaba.Un gráfico de contexto no es un gráfico de nombres; es un gráfico de decisiones con evidencias, restricciones y resultados. Usted puede asumir primero que proviene de las organizaciones que poseen los datos, los sistemas de registros, pero es más probable que provenga de otra fuente. Por qué los incumbentes no pueden construir gráficos de contexto Algunos son optimistas de que los jugadores existentes evolucionarán en esta arquitectura.Los almacenes se convierten en "registros de la verdad", mientras que los CRM se convierten en "máquinas estatales con APIs". Esto podría funcionar para hacer que los datos existentes sean más accesibles.No funciona para capturar rastros de decisión. Los funcionarios actuales están siloados y priorizan el estado actual. Salesforce está empujando a Agentforce, ServiceNow tiene Now Assist, y Workday está construyendo agentes para HR. Su objetivo es "tenemos los datos, ahora agregamos la inteligencia". Pero estos agentes heredan las limitaciones arquitectónicas de sus padres. Salesforce se basa en el almacenamiento del estado actual: sabe lo que la oportunidad parece ahora, no lo que parecía cuando se tomó la decisión.Cuando se aprueba un descuento, el contexto que lo justificó no se conserva.No se puede reproducir el estado del mundo en el momento de la decisión, lo que significa que no se puede revisar la decisión, aprender de ella o usarla como precedente. También heredan los puntos ciegos de sus padres. Una escalada de soporte no vive solo en Zendesk. Depende del nivel de cliente del CRM, los términos de SLA de la facturación, las interrupciones recientes de PagerDuty y el riesgo de que el hilo Slack marca el riesgo. Las organizaciones que existen en la intersección de los sistemas son el relato. RevOps existe porque alguien tiene que reconciliar las ventas, las finanzas, el marketing y el éxito del cliente. DevOps existe porque alguien tiene que conectar el desarrollo, IT y soporte. Estas funciones de "adhesión" son una narración.Surgen precisamente porque ningún sistema de registro posee el flujo de trabajo interfuncional.El gráfico org crea un papel para llevar el contexto que el software no captura. Un agente que automatiza ese papel no sólo ejecuta pasos más rápidamente. Puede persistir en las decisiones, excepciones y precedentes que se crearon para producir.Este es el camino hacia un nuevo sistema de registro: no arrancando un incumbente, sino capturando una categoría de verdad que sólo se hace visible una vez que los agentes se sientan en el flujo de trabajo. Después de todo esto, ¿qué significa prácticamente para las empresas hoy en día? La cuestión no es si los sistemas de registros sobrevivirán, sino si las próximas plataformas de billones de dólares se construyen añadiendo AI a los datos existentes, o capturando los rastros de decisión que hacen que los datos sean actuables. Qué significa esto: Los tres problemas difíciles Los gráficos contextuales requieren la solución de tres problemas: Hemos construido una infraestructura de billones de dólares para el Estado y casi nada para el razonamiento. Esquema como salida. No se puede predefinir la ontología de la organización. Las trayectorias de los agentes descubren la estructura a través de la travesía dirigida a problemas. Las incorporaciones son estructurales, no semánticas, capturando barrios y patrones de razonamiento, no significados. Los gráficos de contexto que acumulan suficientes estructuras se convierten en simuladores. codifican la física organizacional: dinámica de decisiones, propagación de estados, interacciones de entidades. La simulación es la prueba. Si puedes preguntar "¿qué si?" y obtener respuestas útiles, has construido algo real. Las empresas que hacen esto tendrán algo cualitativamente diferente. No agentes que completen tareas – inteligencia organizacional que se compone y evoluciona. Que simula futuros, no sólo recupera pasados. Eso es el desbloqueo.No mejores modelos.Mejor infraestructura para hacer que la inteligencia desplegada se acumule.
