Графы контекста: как сделать корпоративных ИИ-агентов проактивными, а не только реактивными
Авторы статьи отмечают: несмотря на прогресс RAG (retrieval-augmented generation, генерации ответов с подгрузкой релевантных данных) и агентных фреймворков, корпоративные ИИ-агенты остаются реактивными, они действуют только в ответ на запрос человека. Работа утверждает, что реальный рост производительности в компаниях даст только проактивный агент: система, которая сама показывает работнику нужную информацию до того, как он о ней спросил.
Для этого предложена архитектура "Context Graph" (граф контекста), живая (постоянно обновляемая) структура данных, которая моделирует сущности компании (контракты, инциденты, сделки и т.п.), связи между ними и то, как их состояния меняются со временем. Поверх графа работают три компонента: Delta Detection Engine ("движок обнаружения изменений") непрерывно отслеживает перемены в состояниях; Proactivity Scorer ("оценщик проактивности") ранжирует кандидатов на уведомление по срочности, релевантности и соответствию роли конкретного сотрудника (persona-fit); Surfacing Layer ("слой показа") на основе LLM формирует итоговые уведомления с обоснованием, откуда взята информация (grounded explanations, привязка к источнику в графе, а не выдумка модели).
Авторы формализуют каждый компонент и выводят единую формулу Proactivity Score ("оценка проактивности"), а также публикуют полную реализацию на Python с использованием библиотеки NetworkX (работа с графами) и Anthropic Claude API.
Систему проверили на трёх типовых корпоративных кейсах: управление жизненным циклом контрактов, реагирование на инциденты в инженерных командах и поддержание порядка в воронке продаж (sales pipeline hygiene). Результаты: точность Precision@5 (доля релевантных находок среди топ-5 предложенных), 0,83; доля ложных срабатываний, 0,11; среднее время до появления полезного уведомления сократилось с 47 минут при реактивном подходе (когда сотрудник сам должен спросить и дождаться ответа) до менее чем 30 секунд при проактивном.
Ключевые факты
- Проблема: даже продвинутые RAG- и агентные системы в компаниях реактивны, ждут запроса человека
- Предложение: Context Graph, живой граф сущностей компании, их связей и изменений состояния во времени
- Архитектура из трёх частей: обнаружение изменений (Delta Detection Engine), оценка важности (Proactivity Scorer), показ уведомлений через LLM с обоснованием (Surfacing Layer)
- Выведена единая формула Proactivity Score и опубликована полная реализация на Python (NetworkX + Anthropic Claude API)
- На трёх кейсах (контракты, инциденты, воронка продаж): точность Precision@5 = 0,83, ложные срабатывания, 11%, время до полезного уведомления упало с 47 минут до менее 30 секунд
Почему это важно
Большинство корпоративных ИИ-агентов сегодня устроены как чат-боты: работают, только когда сотрудник сам задал вопрос. Это удобно, но означает, что важные сигналы, просроченный пункт контракта, назревающий инцидент, зависшая сделка, легко пропустить, если никто не догадался спросить вовремя. Предложенная архитектура смещает роль ИИ с "отвечает по запросу" на "сам замечает и предупреждает", что меняет саму модель использования агентов в компаниях.
Кому это важно
Работа адресована разработчикам корпоративных ИИ-платформ и агентных систем, а также операционным, юридическим, продуктовым и sales-командам, которые пользуются такими инструментами: именно для их процессов (контракты, инциденты, воронка продаж) авторы строили и тестировали кейсы.
Как это применить
Авторы опубликовали формализацию всех компонентов и полную сквозную реализацию на Python поверх библиотеки NetworkX для работы с графами и Anthropic Claude API для генерации уведомлений, то есть архитектуру можно воспроизвести и адаптировать под собственные корпоративные данные, а не только читать как теорию.
Можно ли доверять
Заявленные метрики (Precision@5 = 0,83, ложные срабатывания 11%, ускорение с 47 минут до 30 секунд) получены авторами на трёх кейсах, которые в статье описаны как "типовые" (generic), а не как данные реальных внедрений в конкретных компаниях. Это лабораторная проверка концепции, а не результат промышленной эксплуатации у клиентов.
Риски и подводные камни
Главный практический риск проактивных агентов, усталость от уведомлений: если Proactivity Scorer ошибается чаще заявленных 11%, сотрудники начнут игнорировать сигналы системы. Также результаты получены на ограниченном наборе типовых сценариев одними и теми же авторами, независимой проверки на реальных корпоративных данных других команд в статье нет.