Context graph

De ontbrekende schakel in artificiële intelligentie

Wie de ontwikkelingen in de wereld van artificiële intelligentie op de voet volgt, merkt dat de wind begint te draaien. Waar we ons in 2023 en 2024 vooral vergaapten aan de generatieve kracht van Large Language Models (LLM’s) zoals GPT-5 en Claude, verschuift de focus nu naar betrouwbaarheid, redeneringsvermogen en autonomie. We willen niet meer alleen dat een AI een leuk gedichtje schrijft; we willen dat AI complexe bedrijfsprocessen overneemt.

Maar hier stuiten we op een fundamenteel probleem: LLM’s zijn fantastisch in taal, maar ze missen vaak het waarom. Ze hallucineren feiten en begrijpen de nuance van interne bedrijfsbeslissingen niet. Precies hier komt een nieuw concept om de hoek kijken dat in Silicon Valley en daarbuiten de tongen losmaakt: de Context Graph.

Is dit de technologie die AI eindelijk “enterprise-ready” maakt? Of is het de zoveelste hypeterm? We analyseren wat het is, waarom het cruciaal is voor de volgende generatie AI-agenten, en wie de pioniers zijn die deze technologie bouwen.

Wat is een Context Graph eigenlijk?

Om te begrijpen wat een Context Graph is, moeten we eerst kijken naar wat onze huidige systemen doen. De meeste databases en CRM-systemen in bedrijven zijn uitstekend in het vastleggen van wat er is gebeurd.

• De verkoopdeal is gesloten.
• Het product is uit de handel genomen.
• De vestiging in Gent is gekozen boven die in Antwerpen.

Wat deze systemen echter zelden vastleggen, is waarom dit is gebeurd. Waarom moest die specifieke deal langs de juridische afdeling? Waarom werd product X stopgezet (waren het de kosten, de kwaliteit, of een strategische shift)? Waarom Gent en niet Antwerpen?

Die redenering, de sporen van besluitvorming, de uitzonderingen, de precedenten, leeft versnipperd in Slack-berichten, e-mails, notulen van vergaderingen maar vooral in de hoofden van werknemers. Het is insider kennis die verloren gaat zodra iemand het bedrijf verlaat.

Het systeem van redenering

Een Context Graph is ontworpen om dit systematisch vast te leggen. Het is niet zomaar een database met feiten, maar een netwerk van relaties dat de volledige context van een beslissing bewaart. Het legt vast welke inputs werden meegenomen in de beslissing, welke beleidsregels werden geëvalueerd, wie wat goedkeurde en vooral waarom.

Je kunt het zien als een systeem van redenering. Waar een traditionele database een stapel boeken is, is de Context Graph de bibliothecaris die niet alleen weet waar elk boek staat, maar ook weet waarom de auteur het schreef, wie het eerder heeft geleend en in welke context het relevant is.

De technische basis, de Triple

Onder de motorkap is dit gebaseerd op een concept dat al decennia bestaat, maar nu door AI nieuw leven wordt ingeblazen: de triple. Dit is de basis van hoe data in een graph wordt opgeslagen:

Onderwerp → Predicaat → Object

Bijvoorbeeld: Jan (Onderwerp) → is manager van (Predicaat) → Team Alpha (Object).

Dit lijkt simpel, maar door miljoenen van deze verbindingen te leggen, ontstaat er een rijk web van betekenis. In tegenstelling tot een gewone tabel in Excel, begrijpt een graphstructuur de relatie tussen de data. Als je daar vervolgens een ontologie, een set regels over wat die relaties betekenen, aan toevoegt, krijg je een systeem dat niet alleen data opslaat, maar ook begrijpt hoe de wereld in elkaar zit.

Waarom is dit plots zo belangrijk voor AI?

De reden dat Context Graphs nu hot zijn, heeft alles te maken met de opkomst van AI Agents. We bewegen ons van chatbots die passief antwoorden naar agenten die actief taken uitvoeren.

Stel je voor dat je een AI-agent vraagt om een klantenservice-ticket op te lossen. Een menselijke medewerker weet uit ervaring normaal geven we geen terugbetaling na 30 dagen, maar deze klant is al 10 jaar bij ons en er was een storing in het systeem, dus ik maak een uitzondering.

Een standaard AI-model ziet alleen de regel, geen terugbetaling na 30 dagen. Punt. Het mist de contextuele nuance en de historische precedenten om een slimme, menselijke beslissing te nemen. Zonder die context zal de AI ofwel te rigide zijn, ofwel hallucineren en regels verzinnen die niet bestaan.

Het einde van hallucinaties?

Een van de grootste beloftes van Context Graphs is het drastisch verminderen van AI-hallucinaties. Door een LLM te aarden (grounding) in een Context Graph, dwing je het model om zijn antwoorden te baseren op geverifieerde relaties en feiten binnen jouw organisatie, in plaats van op de statistische waarschijnlijkheid van het volgende woord.

Dit proces is een evolutie van wat we RAG (Retrieval Augmented Generation) noemen:

1. Basis RAG: we zoeken stukjes tekst die lijken op de vraag en sturen die mee naar de AI. Dit is vaak onnauwkeurig.
2. GraphRAG: we gebruiken knowledge graphs om betere relaties tussen data te vinden.
3. Context Graphs: we voegen redenering, tijdlijnen (temporele context) en beslissingssporen toe aan de graph.

Wie bouwt deze technologie?

Het landschap van Context Graphs is volop in beweging. Er zijn gevestigde spelers en nieuwe uitdagers die deze technologie proberen te democratiseren.

TrustGraph, de Context Graph Factory

Een speler die specifiek op deze niche inzet, is TrustGraph. Zij positioneren zichzelf als een Context Graph Factory. Hun insteek is dat bedrijven vaak gefragmenteerde data hebben (silo’s). TrustGraph probeert deze data om te zetten in AI-geoptimaliseerde graphs.

Wat interessant is aan hun benadering, is de focus op data soevereiniteit. Veel bedrijven zijn huiverig om hun gevoelige bedrijfscontext zomaar naar een openbaar AI-model te sturen. Door een eigen Context Graph te bouwen en te beheren, behoudt de organisatie de controle over hun waarheid. TrustGraph benadrukt ook het belang van temporele context: weten wanneer informatie vers of verouderd is, is cruciaal voor correcte besluitvorming.

De visie van Dharmesh Shah (HubSpot)

Ook in de SaaS-wereld wordt er met argusogen naar gekeken. Dharmesh Shah, de CTO van HubSpot en oprichter van simple.ai, is een voorstander van het concept. Hij noemt het een elegant idee dat de systeemdenker in hem aanspreekt. Hij ziet Context Graphs als het geheugen van de organisatie dat agenten nodig hebben om te functioneren.

Shah waarschuwt echter ook voor overmatig optimisme. Hij stelt terecht dat veel bedrijven nog niet eens hun basisdata op orde hebben. Vragen aan bedrijven om beslissingssporen vast te leggen terwijl ze nog worstelen met hun CRM-integratie, is als iemand vragen een garage voor drie auto’s te bouwen terwijl ze nog geen fiets hebben. Niettemin bouwt HubSpot zelf aan deze toekomst als onderdeel van hun agent-platform.

De technische fundering: Neo4j en de Semantische Web-veteranen

Aan de infrastructuurkant heb je spelers zoals Neo4j, die al jarenlang de markt van graph databases domineren. Er is echter een interessante discussie gaande tussen de aanhangers van Property Graphs’ (zoals Neo4j) en de puristen van het Semantisch Web (RDF-standaarden).

Waar het Semantisch Web in de jaren ’90 en ’00 beloofde om alle data op het internet aan elkaar te knopen (een belofte die nooit helemaal werd ingelost door de complexiteit), lijkt AI nu de katalysator te zijn die deze standaarden eindelijk nuttig maakt. LLM’s zijn namelijk verrassend goed in het lezen en schrijven van complexe graph structuren zoals RDF en Turtle, iets wat voor menselijke ontwikkelaars vaak een hoofdpijn was.

Hype versus realiteit, zijn we er klaar voor?

Het klinkt allemaal als de heilige graal. Een AI die niet alleen weet wat er gebeurt, maar ook begrijpt waarom, en die leert van beslissingen uit het verleden. Maar we moeten realistisch blijven. Zoals Dharmesh Shah opmerkt, is de theorie elegant, maar de praktijk weerbarstig.

De uitdaging van adoptie

De meeste bedrijven bevinden zich nog in de fase waarin ze proberen uit te vogelen of een AI-chatbot hun eerstelijnssupport kan overnemen. Het idee dat ze nu al een infrastructuur moeten opzetten die elke menselijke beslissing en de context daarvan vastlegt in een graph, is voor velen een brug te ver.

Daarnaast is er het probleem van de kip en het ei. Context Graphs worden pas echt waardevol als AI-agenten ze gebruiken en verrijken. Maar die agenten zijn zelf nog volop in ontwikkeling. We zitten in een overgangsfase waarin de infrastructuur wordt gebouwd voor voertuigen die nog maar net de fabriek uitrollen.

Temporele uitdagingen

Een ander complex aspect is tijd. In een Context Graph is waarheid niet statisch. Wat vijf jaar geleden een correcte beslissing was, is dat nu misschien niet meer, ook al zijn de feiten hetzelfde gebleven. De cultuur verandert, de markt verandert. Een geavanceerde Context Graph moet dus om kunnen gaan met het concept van tijd en veranderende waarheden. Oude data is niet per se slechte data, maar de relevantie ervan verandert. Het correct modelleren van deze temporele dimensie is een van de grootste uitdagingen waar partijen als TrustGraph nu aan werken.

Van statische data naar dynamische wijsheid

Ondanks de hobbels op de weg, lijkt de beweging richting Context Graphs onvermijdelijk. Als we willen dat AI meer wordt dan een slimme tekstgenerator, moeten we het een geheugen en een geweten geven. De Context Graph is de beste architectuur die we daarvoor hebben.

We zien een evolutie in drie fasen:

1. Gisteren: Data opgeslagen in tabellen (SQL). Goed voor transacties.
2. Vandaag: Data opgeslagen in vectoren. Goed voor semantische zoekopdrachten en basis AI.
3. Morgen: Data opgeslagen in Context Graphs. Goed voor redenering, complexiteit en autonomie.

Voor Vlaamse bedrijven en ontwikkelaars die voorop willen lopen, is dit het moment om zich te verdiepen in graph technologie. Niet noodzakelijk om morgen al een volledig systeem uit te rollen, maar wel om te begrijpen dat de waarde van data in de toekomst niet zal zitten in de bytes zelf, maar in de verbindingen ertussen.

De Context Graph is misschien wel de technologie die de belofte van het semantisch web eindelijk inlost, niet door complexe standaarden die mensen moeten leren, maar doordat AI de taal van de graph vloeiend spreekt. Het is een fascinerende tijd voor iedereen in de sector.