Le codage est le cas d'utilisation indéniable du PMF pour l'IA, mais la plupart des travaux de connaissance ont encore du chemin à parcourir

Le codage fonctionne parce que tout le contexte vit dans un dépôt git qui est versionné, structuré, en un seul endroit, et généralement avec une suite de tests qui vous dit ce qui est correct
Le travail de la connaissance en revanche est basé sur l'information qui réside dans un tas d'endroits différents - Slack, email, divers systèmes, et souvent dans la tête des gens
Donc si vous voulez automatiser le travail de la connaissance comme le code, vous avez besoin d'un 'dépôt de contexte' ou comme on l'appelle souvent un 'cerveau d'entreprise'
Mais un cerveau d'entreprise qui prend simplement des fichiers, les met quelque part et met du RAG par-dessus n'est pas la bonne réponse
Ce dont vous avez besoin est un système basé sur une ontologie - le mettre en place est difficile, et le maintenir est encore plus difficile
Il y a une raison pour laquelle nous voyons beaucoup de pilotes d'IA en entreprise échouer ou ne pas générer le ROI, c'est parce que le 'dépôt de contexte' n'est pas fait correctement
Voici le hic cependant - si fait correctement, la couche de contexte peut passer d'être un coût que les entreprises paient pour un nouvel outil, à un ACTIF qu'elles construisent qui accumule de la valeur
Cela devient un actif lorsque des workflows agentiques sont construits sur la couche de contexte et que les données de télémétrie de ces agents alimentent des environnements RL qui permettent à l'entreprise de post-entraîner des modèles qui encodent comment l'entreprise travaille, et ces modèles sont détenus par l'entreprise
Posséder un modèle avec vos données sur comment l'entreprise fonctionne réellement est le mouvement de boss final