context graph

Porte C8, vol 34/185, quatre sièges restants, neuf minutes avant la fermeture des portes : c'est cette tranche que Rakesh Gohel appelle un context graph. Gohel, qui construit l'infrastructure de gouvernance pour les agents IA chez JUTEQ, le distingue du knowledge graph, qui contient ce qui est vrai à l'échelle de l'entreprise (passagers, avions, vols, tarifs, routes, aéroports, météo, politiques) et qui reste stable et gouverné. Le context graph n'extrait que ce dont la décision en cours a besoin, y compris la manière dont des cas similaires ont été traités auparavant. Sa consigne est de délimiter le graphe à chaque étape plutôt que de tout récupérer.

Jaya Gupta et Ashu Garg, de Foundation Capital, arrivent au même objet par le côté logiciel d'entreprise. Ils situent une couche manquante sous les agents IA : les traces de décision, les exceptions, les dérogations, les précédents et le contexte inter-systèmes qui vivent aujourd'hui dans Slack, les conversations du deal desk, les appels d'escalade et la mémoire des employés. Accumulées, ces traces forment un context graph, un registre vivant des décisions, relié entre entités et dans le temps, où le précédent devient interrogeable. Ils soutiennent que les acteurs historiques ne peuvent pas le construire. Salesforce stocke l'état courant, pas l'état au moment de la décision. Snowflake reçoit les données par ETL après que les décisions ont été prises, perdant ainsi le contexte décisionnel.

Les deux notes convergent vers un déplacement du système de référence, de l'objet métier vers la décision. L'infographie de Gohel place le context graph en troisième position dans une "Semantic Spine" à cinq maillons, entre le knowledge graph et le procedural graph. Gupta et Garg laissent ouverte la question de savoir quelles startups finiront par détenir cette couche.