上下文图:捕捉企业人工智能的决策推理

上下文图记录决策推理,而不仅仅是事实。
Key insights
上下文图捕捉决策背后的“为什么”
上下文图是一种提议的新软件层,除了最终结果外,还记录人工智能的决策推理。文章描述了现有企业系统(如Salesforce、Workday、SAP)如何存储交易值等事实,但不记录决策背后的理由。上下文图概念记录输入、适用规则、批准和结果行为(例如:先前的投诉 → 政策允许例外 → 经理批准 → 10%折扣)。这种捕捉的推理使得组织判断得以作为结构化、可查询的痕迹积累,而不是孤立的事实。
事件时钟与状态时钟:记录过程动态
文章指出了一个关键的缺口:现有系统优化的是记录当前值的“状态时钟”,而忽视了记录值如何以及为何变化的“事件时钟”。例如,配置编辑中只存储最终值,理由则丢失。上下文图方法强调重建事件序列和推理,使人工智能能够访问完整的决策痕迹,而不仅仅是静态状态。
代理的轨迹揭示组织本体
文章建议不要预定义静态模式,而是让人工智能代理在执行任务时遍历系统;它们的引导轨迹——访问API、数据和工具——产生重复的共现模式,自然浮现出实体和关系。这些代理生成的行走与图嵌入随机行走相比较,但具有目标导向性,产生基于使用的组织本体,源于问题解决行为。
上下文图作为模拟和反事实的世界模型
累积的代理轨迹形成一个上下文图,作为一个能够模拟行动和评估反事实的组织世界模型。文章指出,该模型可以编码“组织物理学”——决策传播、例外处理和变化影响——并能预测结果,例如代码更改对生产的影响,支持基于模拟的推理,而无需不断重新训练基础模型。
实际创业指导:构建决策捕捉系统
文章建议企业家优先构建捕捉决策过程的系统,而不仅仅是在遗留数据存储上集成人工智能。推荐的目标领域是频繁需要人类判断、模糊规则和例外以及跨部门协调的过程——在这些领域,记录“为什么”做出决策能够带来组织学习并创造商业机会。