L’IA génère le code remarquablement bien.Mais voici ce avec quoi elle lutte: comprendre la réalité de la production.La production existe en morceaux.Le code décrit ce qui devrait arriver; les outils d’observation voient les signaux; les systèmes de ticketing voient les problèmes; le CI / CD voit les changements.Chaque surface voit une tranche de production.Personne ne maintient un modèle cohérent de la façon dont le système fonctionne réellement. La même fragmentation existe entre les personnes et les rôles : SRE, support, QA, dev, PM. Il n’y a pas de compréhension centrale de la façon dont le logiciel de production fonctionne. La compréhension de la production est implicite et fragmentée – elle vit dans le code, les tableaux de bord, les billets, les connaissances tribales et les têtes de quelques ingénieurs supérieurs. Pour que l’IA puisse vraiment aider, il faut comprendre le « pourquoi », le contexte des décisions clés.Non seulement où nous sommes aujourd’hui, mais comment nous sommes arrivés ici. Le problème des deux horloges Cet écart entre l'état actuel et l'état historique est appelé «le problème des deux horloges». Voici une analogie qui peut vous aider à envelopper votre tête autour de lui: Votre CRM stocke la valeur finale de l'accord, pas la négociation. Votre système de billets stocke «résolu», pas le raisonnement. Votre base de codes stocke l'état actuel, pas les deux débats architecturaux qui l'ont produit. Nous avons construit une infrastructure de trillions de dollars pour ce qui est vrai maintenant. Cela avait du sens lorsque les humains étaient la couche de raisonnement.Le cerveau organisationnel était distribué sur les têtes humaines, reconstruit à la demande à travers la conversation.Maintenant, nous voulons que les systèmes d'IA décident, et nous ne leur avons rien donné à raisonner.Nous demandons aux modèles d'exercer un jugement sans accès à un précédent.C'est comme former un avocat sur des jugements sans loi de cas. Le fichier de configuration dit timeout = 30s. Il a été utilisé pour dire timeout = 5s. Quelqu'un l'a triplé. Ce modèle est partout.Le CRM dit "fermé perdu". La plupart des systèmes peuvent vous dire ce qui est vrai en ce moment et ce qui s'est passé, mais ils ne conservent pas pourquoi un choix a été fait au moment - quelles entrées ont été considérées, quelles contraintes étaient contraignantes, et quel compromis a réellement conduit le résultat. C'est pourquoi "connecter un LLM à vos systèmes" déçoit souvent: le modèle peut voir les données, mais il ne peut pas voir la logique de décision de l'organisation. La couche de valeur n’est pas les documents ; c’est les décisions que ces documents ont informées ainsi que la façon dont ces documents ont été créés.Comment le partenaire a-t-il réellement structuré ce gain-out?Pourquoi l’analyste a-t-il rejeté ce risque?Qu’est-ce qui a fait que le clinicien s’écarte du protocole? Les traces de décision sont là où l'intelligence institutionnelle vit réellement. Mais les traces de décision sont encore plus difficiles à anonymiser que les documents. Vous pouvez pseudonymiser les entités. Vous ne pouvez pas facilement anonymiser les modèles de jugement. "Nous prenons toujours une ligne plus dure lorsque l'avocat de la contrepartie est de la société X" révèle quelque chose même avec X masqué. Quels sont les graphiques contextuels Les prochaines plates-formes de milliards de dollars ne seront pas construites en ajoutant de l’IA aux systèmes de données existants, mais en capturant le raisonnement qui relie les données à l’action dans un graphique contextuel. Lorsque les graphiques contextuels accumulent suffisamment de structure, ils peuvent devenir un modèle mondial. Ils codent la physique organisationnelle - dynamique de décision, propagation d'état, interactions d'entité. Vous pouvez exécuter des simulations ou des tests au sein de ces modèles. Vous pouvez demander "que si?" et obtenir des réponses utiles, pas des hallucinations sauvages, parce que vous avez construit quelque chose de réel. Un graphique contextuel n’est pas un graphique de dénominations ; c’est un graphique de décisions avec des preuves, des contraintes et des résultats. Le « graphique contextuel » devient réel lorsque vous pouvez transformer des opérations désordonnées en quelque chose de reproduisable : pas seulement des événements, mais des décisions avec les preuves qui étaient disponibles, les contraintes qui étaient contraignantes, le compromis qui a gagné et ce qui a suivi. Comment cela ressemble-t-il dans la pratique? Un agent de renouvellement propose une réduction de 20%. Les caps de politique renouvellent à 10%, sauf si une exception d'impact sur le service est approuvée. L'agent tire trois incidents SEV-1 de PagerDuty, une escalade ouverte "annuler sans fixer" dans Zendesk, et le filet de renouvellement précédent où un vice-président a approuvé une exception similaire au dernier trimestre. Il dirige l'exception vers Finance. Finance approuve. Le CRM se termine par un fait: "réduction de 20%". Au fil du temps, ces enregistrements forment naturellement un graphique contextuel : les entités dont l’entreprise se soucie déjà (comptes, renouvellements, billets, incidents, politiques, approbateurs, agences) sont reliées par des événements de décision (les moments qui comptent) et des liens «pourquoi». Les traces de décision capturées deviennent des précédents recherchables et chaque décision automatisée ajoute une autre trace au graphique. Rien de cela ne nécessite une autonomie complète le premier jour. Il commence avec l'homme dans le cercle: l'agent propose, recueille le contexte, route les approbations et enregistre la trace. Au fil du temps, comme des cas similaires se répètent, plus du chemin peut être automatisé parce que le système a une bibliothèque structurée de décisions et d'exceptions antérieures. Même quand un humain fait encore l'appel, le graphique continue de croître, parce que la couche de flux de travail capte les entrées, l'approbation et le raisonnement comme un précédent durable au lieu de le laisser mourir dans Slack. Si les graphiques contextuels sont si évidemment essentiels, pourquoi n’en avons-nous pas vu plus? Pourquoi les graphiques contextuels sont rares : le problème des cinq systèmes de coordonnées Les graphiques contextuels n'existent pas vraiment dans le sauvage aujourd'hui parce qu'ils nécessitent des joints entre les systèmes de coordonnées qui ne partagent pas les clés. Les bases de données traditionnelles résolues se joignent il y a des décennies. Vous avez un client_id, un order_id, une relation de clé étrangère. Le joint est discret; les clés sont stables; l'opération est bien définie. Le raisonnement organisationnel nécessite un type différent de joint. Vous avez besoin de connecter: ce qui s'est passé (événements) à quand il s'est passé (temporelle) à ce qu'il signifie (sémantique) à qui il a appartenu (attribution) à ce qu'il a causé (résultat). Ce sont cin Cinq systèmes de coordonnées, cinq types de joints : Timeline joins: Connecter l'état à travers le temps. La configuration est maintenant 30s. Il était 5s mardi dernier. Rejoindre ces nécessite l'indexation temporelle où "avant" et "après" sont des opérations de première classe, pas des filtres. Événement joint: Connexion des événements en séquences. Le déploiement s'est produit, puis l'alerte a été déclenchée, puis le rollback. L'ordre est important. Fenêtres causalement pertinentes.La condition de joint est la proximité dans l'espace événement, pas l'égalité clé. Joins sémantiques: Connexion des significations à travers les représentations. "risque de Churn" dans un ticket de support se rapporte à "préoccupation de rétention" dans une note de vente. Le joint est une similitude vectorielle, pas une correspondance de chaîne. L'attribution se joint: Connexion des actions aux acteurs à la propriété. Qui a approuvé cela? Qui possède cette décision? L'association traverse la structure de l'organisme, les hiérarchies de permission, les chaînes d'approbation. La topologie elle-même est la condition de l'association. Les joints de résultat: Connexion des décisions aux conséquences. Ce changement de prix a conduit à cet impact sur les revenus. La joint est causale, pas corrélative. Il nécessite un raisonnement contre-factuel: ce qui aurait pu se produire autrement? Chaque type de joint a une géométrie différente. La ligne de temps est linéaire. Les événements sont séquentiels. La sémantique vit dans l'espace vectoriel. L'attribution est structurée en graphiques. Les résultats sont des DAG causales. Le problème du graphique de contexte devient résoluble lorsque vous réalisez que vous ne les créez pas intentionnellement ; ils sont un sous-produit de la façon dont les agents et les humains interagissent. Comment les graphiques contextuels deviennent traçables: les trajectoires d'agent comme données de formation La raison pour laquelle les graphiques contextuels sont maintenant réalisables est que nous pouvons apprendre un système de coordonnées partagé où ces joints deviennent expressibles. Les trajectoires d'agent (comme elles commencent à posséder un travail significatif) sont un signal de formation émergent. Lorsqu'un agent résout un problème, il exécute tous les cinq types de joins implicitement. Il résout les entités à travers les représentations. Il séquence les événements. Il connecte le sens. Il traverse la propriété. Il suit les résultats. La trajectoire est un échantillon de joins multi-coordonnées réussies. Accumulez suffisamment de trajectoires au fil du temps, et vous apprenez les embeddings qui codent la joint-compatibilité entre les systèmes de coordonnées. Les entités qui co-occurrent dans les trajectoires sont des entités qui se joignent bien dans la pratique. L'espace d'embedding devient un indice de joint appris. Les représentations structurelles ont besoin de coopérer avec celles sémantiques. Les embeddings sémantiques codent la signification-similitude. Les embeddings structurels, appris à partir de trajectoires, codent le couplage opérationnel. Ensemble, ils vous donnent un espace où "trouver des décisions liées" peut signifier: liés dans le temps, liés dans le sens, liés dans la propri Toutes les combinaisons pondérées avec des joints arbitraires prédicent à travers les systèmes de coordonnées. Les graphiques contextuels n'ont pas été construits parce que se joindre à travers cinq géométries différentes avec des clés fluides nécessite d'apprendre une représentation partagée à partir de données opérationnelles. Les promenades locales (probablement en retour) apprennent l'homophilie - les nœuds sont similaires parce qu'ils sont connectés. les promenades globales (poussant vers l'extérieur) apprennent l'équivalence structurelle - les nœuds sont similaires parce qu'ils jouent des rôles analogues, même si jamais directement connectés. Considérez deux ingénieurs supérieurs dans une entreprise. L'un travaille sur les paiements, l'autre sur les notifications. Pas de billets partagés, pas de codes superposés, pas de canaux Slack communs. L'homophilie ne les considérerait pas comme similaires. Mais structurellement, ils sont équivalents - le même rôle dans différents sous-graphiques, des modèles de décision similaires, des voies d'escalade similaires. Les agents sont informés (non aléatoires) Walkers. Lorsqu'un agent enquête sur un problème ou complète une tâche, il traverse l'espace d'état organisationnel. Il touche les systèmes, lit les données, appelle les API. La trajectoire est une promenade à travers le graphique des entités organisationnelles. Contrairement aux promenades aléatoires, les trajectoires des agents sont axées sur les problèmes. L'agent s'adapte en fonction de ce qu'il trouve. En enquêtant sur un incident de production, il peut commencer à être large - ce qui a changé récemment dans tous les systèmes? C'est l'exploration mondiale, le territoire de l'équivalence structurelle. À mesure que les preuves s'accumulent, il se rétrécit aux services spécifiques, à l'historique de déploiement spécifique, aux voies de demande spécifiques. C'est l'exploration locale, le territoire homophile. Les promenades aléatoires découvrent la structure à travers la couverture de force brute. Les promenades informées découvrent la structure à travers la couverture axée sur les problèmes. L'agent va là où le problème l'emporte et les problèmes révèlent ce qui compte réellement. Conçu correctement, les trajectoires d'agent deviennent l'horloge des événements. Chaque trajectoire échantille la structure organisationnelle, biaisée vers les parties qui comptent pour le travail réel. Accumulez des milliers et vous obtenez une représentation apprise de la façon dont l'organisation fonctionne, découverte par l'utilisation. Les entités qui apparaissent à plusieurs reprises sont des entités qui comptent.Les relations traversées sont des relations qui sont réelles.Les équivalences structurelles se révèlent quand différents agents résolvant différents problèmes suivent des chemins analogues. Il y a de l'élégance économique ici. Les agents ne construisent pas le graphique contextuel - ils résolvent des problèmes qui valent la peine de payer. Le graphique contextuel est l'échappement. Un meilleur contexte rend les agents plus capables; les agents capables sont déployés plus; le déploiement génère des trajectoires; les trajectoires construisent le contexte. Au fil du temps, à mesure que les graphiques contextuels accumulent suffisamment de connaissances, ils peuvent devenir quelque chose de plus: un modèle mondial de production entièrement navigable. Les graphiques contextuels peuvent être construits pour devenir un modèle mondial de production Un modèle du monde de la production est une représentation apprise, comprimée de la façon dont fonctionne un environnement. Il codifie la dynamique, c’est-à-dire ce qui se passe lorsque vous prenez des actions suspendues dans un état spécifique. Il capture la structure: quelles entités existent et comment elles se rapportent. Et il permet la prédiction: étant donné un état actuel, et une action proposée, qu’arrive-t-il ensuite? Les modèles mondiaux démontrent quelque chose d’important : les agents peuvent apprendre des représentations compressées des environnements et s’entraîner entièrement à l’intérieur des « rêves » – des trajectoires simulées à travers l’espace latent. Ceci a une analogie évidente dans la robotique. Un modèle mondial capturant la physique (comment les objets tombent, comment les forces se propagent) vous permet de simuler les actions du robot avant de les exécuter, de former des politiques dans l'imagination, d'explorer des scénarios dangereux en toute sécurité et de transférer à du matériel physique. La même logique s’applique aux organisations, mais la physique est différente. La physique organisationnelle n’est pas la masse et l’élan. C’est la dynamique des décisions. Comment les exceptions sont-elles approuvées? Comment l’escalade se propage-t-elle? Que se passe-t-il lorsque vous modifiez cette configuration alors que ce drapeau de fonction est activé? Quel est le rayon de déploiement de ce service en fonction de l’état de dépendance actuel? L'horloge des événements vous dit comment le système se comporte - et le comportement est ce que vous devez simuler. Un graphique contextuel avec une structure suffisamment accumulée devient un modèle mondial pour la physique organisationnelle. Il codifie comment les décisions se déroulent, comment les changements d'état se propagent, comment les entités interagissent. Chez PlayerZero, nous construisons des simulations de code – en projetant des changements hypothétiques sur notre modèle de systèmes de production et en prévoyant les résultats. Compte tenu d’un changement proposé, des configurations actuelles et des drapeaux de fonctionnalités, des schémas de la façon dont les utilisateurs exercent le système : cela va-t-il rompre quelque chose ? Ces simulations ne sont pas de la magie. Ils sont des inferences sur la structure accumulée. Nous avons observé suffisamment de trajectoires à travers les problèmes de production pour apprendre des modèles – quels chemins de code sont fragiles, quelles configurations interagissent dangereusement, quelles séquences de déploiement provoquent des incidents. Si votre graphique contextuel ne peut pas répondre « si », c’est juste un index de recherche. Implications for the Continual Learning Debate Implications pour le débat sur l’apprentissage continu Beaucoup de gens soutiennent que l'IA ne transforme pas l'économie parce que les modèles ne peuvent pas apprendre au travail - nous sommes coincés dans la construction de boucles de formation personnalisées pour chaque capacité, qui ne s'étend pas à la longue queue des connaissances organisationnelles. Mais que se passe-t-il si le cadre standard est une distraction ?L’apprentissage continu demande : comment mettons-nous à jour les poids à partir de l’expérience en cours ?C’est difficile – oubli catastrophique, changement de distribution, réentraînement coûteux. Les modèles du monde suggèrent une alternative : maintenir le modèle fixe, améliorer le modèle du monde qu’il justifie. C'est ce que les agents peuvent faire sur les graphiques de contexte accumulés. Chaque trajectoire est la preuve de la dynamique organisationnelle. Au moment de la décision, effectuez une déduction sur cette preuve: étant donné tout ce qui est capturé sur la façon dont ce système se comporte, compte tenu des observations actuelles, qu'est-ce qui se passe derrière? Plus de trajectoires, meilleure inference.Non pas parce que le modèle a été mis à jour, mais parce que le modèle mondial s'est élargi. Et parce que le modèle du monde soutient la simulation, vous obtenez quelque chose de plus puissant: le raisonnement contre-factuel. Non seulement "que s'est-il passé dans des situations similaires?" mais "que se passerait-il si j'avais pris cette action?"L'agent imagine des futurs, les évalue, choisit en conséquence. C'est ce que les employés expérimentés ont que les nouveaux recrues ne le font pas. Pas d'architecture cognitive différente, un modèle mondial meilleur. Ils ont vu assez de situations pour simuler les résultats. "Si nous poussons ce vendredi, on-call aura un mauvais week-end." Ce n'est pas de la récupération. Il pourrait nécessiter la construction de modèles mondiaux qui permettent aux modèles statiques de se comporter comme s’ils étaient en train d’apprendre, à travers l’expansion des bases de preuves et le calcul de temps d’inférence pour raisonner et les simuler. Le graphique contextuel est le modèle du monde qui rend le moteur utile. Une des dépendances sous-jacentes des modèles du monde sont les ontologies universelles, il vaut donc la peine d’explorer à la fois les ontologies prescrites et apprises. Ontologies prescrites vs Ontologies apprises : deux approches de la structure organisationnelle Beaucoup de gens font l'erreur de penser qu'un graphique contextuel est une base de données graphique ou une mémoire structurée.Ce n'est pas vrai. Cela est important alors que les équipes se tournent vers des outils familiers (Neo4j, stocks vectoriels, graphiques de connaissances) et se demandent pourquoi leurs agents ne deviennent pas plus intelligents. "Ontologie" est un terme surchargé. Il existe des ontologies prescrites (moteurs de règles, flux de travail, couches de gouvernance). Palantir a construit une société de 50 milliards de dollars sur ceci: une couche définie cartographiant les données d'entreprise vers des objets et des relations. Vous définissez le schéma. Vous l'appliquez. Il fonctionne lorsque vous connaissez la structure en amont. La prochaine entreprise de 50 milliards de dollars sera construite sur des ontologies apprises. Structure qui émerge de la façon dont le travail se produit réellement, pas de la façon dont vous l'avez conçu. Ceci est important parce qu'il y a tellement de connaissances implicites dans la prise de décision que nous ne réalisons même pas en ce moment, et les agents reproduisent notre jugement! Il y a beaucoup de précurseurs pour les ontologies prescrites. Il n'y a presque pas d'infrastructure pour apprendre, représenter et mettre à jour les implicites. Les relations implicites (les entités qui se touchent ensemble, ce qui co-s'opère dans les chaînes de décision) sont le fossé. La mémoire suppose que vous savez quoi stocker et comment la récupérer.Mais le contexte le plus précieux est la structure que vous ne saviez pas exister jusqu'à ce que les agents l'aient découvert à travers l'utilisation. Une autre conception erronée: "les traces de décision ne sont que des journaux de trajectoire." C'est comme dire que les embeddings ne sont que des indices de mots clés. Rappelez-vous quand les embeddings ressemblaient à une technologie extraterrestre? Une façon probabiliste de représenter la similitude qui a fait le problème «résolu» de la recherche floue paraître préhistorique. Nous sommes à un point d'inflexion similaire pour l'apprentissage structurel. Les journaux de trajectoire stockent ce qui s'est passé. Les traces de décision (faites correctement) apprennent pourquoi cela s'est produit. Quelles entités ont d'importance. Quels modèles se reproduisent. Comment le raisonnement circule à travers l'espace d'état organisationnel. La différence: les journaux sont des enregistrements append-only. les traces de décision sont des données de formation pour les modèles du monde de la production. Le schéma n'est pas quelque chose que vous définissez à l'avance. Tout cela peut sembler très académique ou hypothétique, mais les graphiques contextuels existent aujourd'hui et seront de plus en plus nombreux à l'avenir. Où les graphiques contextuels se matérialisent réellement Le graphique de contexte devient réel lorsque vous pouvez transformer des opérations désordonnées en quelque chose de reproduisable: non seulement des événements, mais des décisions avec les preuves disponibles, les contraintes qui étaient contraignantes, le compromis qui a gagné et ce qui a suivi. Tout d’abord, la surface de décision doit être lisible. Certains domaines ont des « engagements » propres: appels de triage, réassignations d’expédition, approbations de déviation, décisions d’escalade qui se terminent par un « nous faisons X » clair. Ceux-ci sont apprenables parce qu’il y a une frontière entre la délibération et l’engagement. D’autres environnements se répandent sur les demi-décisions et les mouvements réversibles. Si vous ne pouvez pas identifier ce qui compte réellement comme la décision, vous finissez par modéliser le bruit au lieu du jugement. C’est là que de nombreux efforts génériques de « process mining + LLM » s’arrêtent : ils capturent l’activité, mais Deuxièmement, la friction de capture compte parce qu’elle détermine à quel point il est difficile d’obtenir des traces de décision. Cet effort varie considérablement selon l’industrie. Dans certains environnements, les décisions vivent déjà à l’intérieur du logiciel, de sorte que les traces s’éteignent naturellement. Dans d’autres, la vraie prise de décision se produit verbalement: dans les escalades, les manœuvres, les appels d’expédition, la re-planification, les négociations. C’est pourquoi la voix est un déverrouillage dans de nombreuses industries du monde physique: elle vous permet de capturer des éléments de la prise de décision verbale comme il se produit, sans forcer les gens à traduire leur jugement Troisièmement, la capture seule n’est pas suffisante.Le contexte capturé peut être faux, obsolète ou silencieusement remplacé.Les graphiques contextuels héritent des défauts de l’organisation: une analyse optimiste qui devient doctrinale, des décisions annoncées par écrit qui ont été inversées lors d’une réunion, des hypothèses qui ont cessé d’être vraies mais qui n’ont jamais été révisées. La stabilité ontologique compte aussi, mais ses implications divergent, et c’est là que le marché se divise. Dans les domaines lourds d'actifs, la structure explicite du monde est relativement stable. C'est pourquoi les plates-formes ontologiques de premier plan fonctionnent du tout. Mais ces mêmes domaines ont historiquement été contraints de payer une taxe de modélisation à l'avance coûteuse parce que la couche de décision réelle n'a pas été capturée en continu dans le temps réel. La possibilité est de garder le substrat, mais d'ajouter une autre boucle d'apprentissage: traiter le modèle prescrit comme un escroquerie, et laisser les traces enseigner continuellement le système comment les décisions sont effectivement prises. Au fil du temps, les déploiements deviennent moins dépendants de cycles de découverte personnalisés et plus défendables grâce au précédent Dans la technologie, le problème inverse apparaît. Les ontologies sont instables parce que l'entreprise elle-même est constamment refactorée. Les produits naviguent et déprécient les caractéristiques. Les équipes se réorganisent. Les mouvements d'entrée sur le marché changent. De nouveaux modèles de prix apparaissent, les anciens disparaissent. Même au sein d’une même entreprise, différentes fonctions fonctionnent sur des objets et des timelines fondamentalement différents, en particulier dans les ventes B2B, où les offres, les comptes, les territoires, les approbations et la logique de réduction varient selon le segment, la région et le trimestre. Cette fragmentation est l'endroit où la désalignement apparaît. Différentes parties de l'entreprise portent différentes versions de "ce que nous croyons": les récits stratégiques qui dérivent, les définitions métriques qui mutent, les politiques qui sont réécrites par exception, les mouvements de vente qui contredisent l'intention du produit. Dans une organisation uniquement humaine, cela est documenté avec des réunions et une escalade. Dans une organisation d'agence, il devient immédiatement opérationnel, car les agents agissent dans tout contexte qu'ils peuvent récupérer. Le contexte contradictoire ne produit pas de meilleures décisions, il produit du travail gaspillé, de la ré-litigation et des actions qui annulent d'autres actions. Au fil du temps, la chose la plus précieuse qu’une organisation produit n’est pas les données, c’est la collecte des décisions. Les modèles accumulés de la façon dont les décisions sont réellement prises: quelles preuves étaient importantes, quelles contraintes étaient contraignantes, quelles exceptions étaient normales, quels compromis étaient acceptables deviennent la propriété intellectuelle de l'organisation. Si vous pouvez capturer le jugement comme un sous-produit de l'exécution et le garder à jour, vous pouvez construire le graphique contextuel: la mémoire de décision composante qui devient le fossé. Il y a une inversion qui devient plus viable au fil du temps. Au lieu de déclarer le monde en premier, vous capturez les décisions au moment où elles sont engagées, et apprenez de la façon dont le jugement est appliqué dans la pratique. Lorsqu’une décision se produit, vous capturez les ressources consultées, les contraintes appliquées, le compromis fait, l’action prise et comment elle a été évaluée ultérieurement. Cela ne remplace pas l'ontologie formelle, et cela ne se produit pas tout à la fois. Le modèle prescrit est toujours important pour la sémantique partagée, l'état et les contraintes dures. La partie apprenable est l'ontologie de la couche - les plates-formes de première classe ne sont pas fiablement gratuites: les contraintes douces, les modèles d'exception et les heuristiques tacites qui déterminent les résultats. Dans les soins de santé, le système sait que l'autorisation préalable a été soumise.Il ne connaît pas le schéma qui détermine si le patient reçoit des soins en trois jours ou trois semaines: quel format de documentation un payeur répond, quand les appels tournent, quand le peer-to-peer doit être initié de manière proactive, et quelles « étapes standard » sont des finitions mortes. Cela change également l'économie du produit. Au lieu de payer la taxe de modélisation complète à l'avance, vous pouvez commencer avec un substrat mince et laisser la couche de valeur la plus élevée émerger des opérations réelles. La plupart des systèmes peuvent vous dire ce qui s'est passé; presque aucun ne peut reconstruire pourquoi cela s'est passé au moment où cela a eu une importance. Un graphique de contexte n'est pas un graphique de notions; c'est un graphique de décisions avec des preuves, des contraintes et des résultats. Vous pouvez d'abord supposer qu'il provient des organisations qui possèdent les données, les systèmes d'enregistrement, mais il est plus probable qu'il vienne d'une autre source. Pourquoi les incumbents ne peuvent pas construire des graphiques contextuels Certains sont optimistes que les acteurs existants vont évoluer dans cette architecture. Les entrepôts deviennent des « registres de vérité », tandis que les CRM deviennent des « machines d’État avec des API ». Cela pourrait fonctionner pour rendre les données existantes plus accessibles. Les opérations actuelles sont silosées et priorisent l'état actuel. Salesforce pousse Agentforce, ServiceNow a Now Assist, et Workday construit des agents pour les ressources humaines. Mais ces agents héritent des limitations architecturales de leur parent. Salesforce est construit sur le stockage de l'état actuel : il sait à quoi ressemble l'opportunité maintenant, pas à quoi elle ressemblait lorsque la décision a été prise. Lorsqu'une réduction est approuvée, le contexte qui l'a justifiée n'est pas préservé. Vous ne pouvez pas reproduire l'état du monde au moment de la décision, ce qui signifie que vous ne pouvez pas auditer la décision, apprendre de celle-ci ou l'utiliser comme un précédent. Ils héritent également des points aveugles de leurs parents. Une escalade du soutien ne vit pas dans Zendesk seul. Cela dépend du niveau client du CRM, des conditions SLA de la facturation, des interruptions récentes de PagerDuty et du risque de churn flagging du fil Slack. Aucun incumbent ne voit cela parce qu'aucun incumbent ne se trouve dans le chemin du système. RevOps existe parce que quelqu’un doit concilier les ventes, les finances, le marketing et le succès du client. DevOps existe parce que quelqu’un doit relier le développement, l’informatique et le support. Ces fonctions « adhésifs » sont un conte.Ils apparaissent précisément parce qu'aucun système d'enregistrement unique ne possède le flux de travail interfonctionnel.Le graphique org crée un rôle pour transporter le contexte que le logiciel ne capture pas. Un agent qui automatise ce rôle n’exécute pas seulement les étapes plus rapidement.Il peut persister dans les décisions, les exceptions et les précédents pour lesquels le rôle a été créé.C’est le chemin vers un nouveau système d’enregistrement: non pas en déchirant un actuel, mais en capturant une catégorie de vérité qui ne devient visible qu’une fois que les agents sont assis dans le flux de travail. Après tout, qu’est-ce que cela signifie aujourd’hui pour les entreprises ? La question n'est pas de savoir si les systèmes d'enregistrement survivront - ils le feront.La question est de savoir si les prochaines plates-formes de milliards de dollars sont construites en ajoutant de l'IA aux données existantes, ou en capturant les traces de décision qui rendent les données actionnables. Ce que cela signifie : les trois problèmes difficiles Les graphiques contextuels nécessitent la résolution de trois problèmes : Nous avons construit une infrastructure de trillions de dollars pour l’État et presque rien pour le raisonnement. Schéma comme sortie. Vous ne pouvez pas pré-définir l'ontologie organisationnelle. Les trajectoires d'agent découvrent la structure à travers la traversée axée sur les problèmes. Les embeddings sont structurels, pas sémantiques - capturant les quartiers et les modèles de raisonnement, pas de sens. Les graphiques contextuels qui accumulent suffisamment de structure deviennent des simulateurs. Ils codent la physique organisationnelle — la dynamique de décision, la propagation des états, les interactions entre entités. La simulation est le test. Si vous pouvez demander « si ? » et obtenir des réponses utiles, vous avez construit quelque chose de réel. Les entreprises qui font cela auront quelque chose de qualitativement différent. Non pas des agents qui accomplissent des tâches - l'intelligence organisationnelle qui se compose et évolue. Ce qui simule les futurs, pas seulement récupère le passé. C’est le déverrouillage, pas de meilleurs modèles, une meilleure infrastructure pour accumuler l’intelligence déployée.