Uvi fornisce agli agenti AI il contesto aziendale, ma la parte difficile è mantenere affidabili le decisioni
Uvi fornisce agli agenti AI il contesto aziendale attraverso un sistema appena finanziato che modella le decisioni, non solo i documenti. La startup di Tel Aviv afferma che questo livello mancante porta gli agenti a perdere tempo, consumare token e agire su prove frammentate.
L'azienda ha raccolto un round seed da 7,5 milioni di dollari guidato da CT Innovations, con la partecipazione di Cardumen Capital, Manu VC e 91 Ventures. Uvi intende espandere il proprio team negli Stati Uniti, lo sviluppo del prodotto e le operazioni di mercato.
L'annuncio è importante perché collegare un agente a Slack, Jira, GitHub e database interni non crea automaticamente comprensione organizzativa. Model Context Protocol, o MCP, può fornire accesso a questi sistemi. Il software di retrieval può trovare file pertinenti. Nessuno dei due approcci ricostruisce necessariamente perché una decisione sia stata presa o se sia ancora valida.
Uvi vuole possedere quel livello di ricostruzione. Il suo prodotto crea ciò che l'azienda chiama Decision Graph, che collega le decisioni a responsabili, trigger, ostacoli, dipendenze e prove di supporto.
Questo posiziona Uvi contro una strategia aziendale comune: collegare più fonti, recuperare più testo e lasciare che il modello deduca il resto. Uvi sostiene che questo approccio addebiti ripetutamente alle aziende il costo di riscoprire relazioni che i loro dipendenti già comprendono.
La proposta arriva al momento giusto, ma le sue domande più difficili rimangono senza risposta. I grafi decisionali devono rimanere aggiornati, preservare le autorizzazioni, rappresentare prove contraddittorie e distinguere una decisione valida da una abbandonata. Se questi controlli falliscono, il contesto strutturato può far apparire più autorevole una risposta errata.
Uvi fornisce agli agenti AI il contesto aziendale attraverso un grafo decisionale
Uvi vende una mappa persistente del ragionamento organizzativo anziché un'altra interfaccia per cercare nei documenti aziendali.
Secondo il report originale sul contesto aziendale, Uvi è stata fondata nel 2023 dal CEO Gilad Salinger e dal CTO Dror Wolmer. L'attività inizialmente operava con il nome Naboo.
La sua argomentazione centrale parte da un problema aziendale noto. Le conoscenze importanti raramente risiedono in un unico sistema o in un documento mantenuto con cura.
Una decisione di prodotto può iniziare in una conversazione su Slack. L'implementazione compare in una pull request, mentre Jira registra l'attività come completata. Un incidente successivo porta a un rollback, ma il ticket originale resta chiuso.
Un agente convenzionale può recuperare ogni artefatto. Deve comunque stabilire quale record rifletta lo stato attuale e perché il team abbia cambiato direzione.
Uvi afferma che il suo Decision Graph rappresenta le decisioni come oggetti di primo livello. Ogni decisione può includere un responsabile, un evento scatenante, ostacoli, dipendenze, stato e collegamenti a materiale di supporto.
Questo è diverso dal trattare l'organizzazione come una raccolta di passaggi semanticamente simili. Un indice vettoriale rappresenta il testo secondo la similarità matematica. Non rappresenta intrinsecamente responsabilità, causalità, approvazione o la sequenza alla base di una decisione.
Uvi descrive un'architettura a due livelli alla base del prodotto. Il primo livello è un Topic Graph, che indicizza le informazioni nei sistemi aziendali e risolve le connessioni tra persone, repository, ticket e servizi.
Il secondo livello è il Decision Graph. Applica le definizioni private di un'organizzazione alle relazioni individuate al di sotto di esso.
Per esempio, un'azienda potrebbe definire “shipped” come codice integrato in un branch di produzione. Un'altra potrebbe richiedere piena disponibilità per i clienti, monitoraggio completato e approvazione formale.
Queste definizioni influenzano la risposta a una domanda operativa di base. Un agente non può identificare in modo affidabile un rilascio bloccato se non comprende cosa significhi essere pronti al rilascio all'interno di quell'azienda.
Uvi afferma che specialisti collaborano con i clienti per codificare questi concetti e gate decisionali. Il grafo diventa quindi disponibile agli agenti tramite GraphQL o un server MCP.
GraphQL supporta query strutturate da applicazioni che sanno già di quali campi e relazioni hanno bisogno. MCP fornisce una connessione standardizzata attraverso la quale un agente può esprimere un intento e richiedere il contesto pertinente.
L'azienda afferma che il prodotto può connettersi a sistemi che includono GitHub, GitLab, Jira, Linear, Slack, Confluence, Notion, Datadog e Splunk. Supporta inoltre servizi interni che contengono stati specifici dell'attività.
Il design è rivolto a domande che richiedono più join. Un agente di rilascio potrebbe chiedere quali approvazioni restano aperte, chi ne è responsabile e quale evento eliminerà ciascun ostacolo.
Un agente per gli incidenti potrebbe chiedere perché un feature flag sia cambiato e quale impegno verso un cliente abbia influenzato quella scelta. La ricerca può trovare menzioni del flag. Un grafo decisionale cerca di ricostruire la catena che ha prodotto il suo stato attuale.
Questa distinzione spiega perché Uvi si presenta come infrastruttura al di sotto degli agenti esistenti. Non chiede alle aziende di sostituire Claude, Gemini, GPT o le loro interfacce interne per agenti.
Uvi vuole invece che le aziende costruiscano una volta il proprio contesto organizzativo e lo espongano a più modelli. L'azienda sostiene che i modelli cambieranno più rapidamente del significato sottostante dei sistemi aziendali.
Si tratta di un confine architetturale interessante. Separa la selezione del modello dal lavoro di definizione di responsabilità, vocabolario operativo e cronologia delle decisioni.
Crea anche una responsabilità significativa. Il livello di contesto condiviso diventa una dipendenza per ogni agente che vi fa affidamento.
Più connettori non spiegano perché una decisione sia stata presa
La pressione ricade sui team che hanno trattato l'accesso ai dati come se fosse lo stesso problema della comprensione organizzativa.
Anthropic ha introdotto Model Context Protocol nel novembre 2024 come standard aperto per collegare i sistemi AI con strumenti e fonti di dati. MCP ha ridotto la necessità di progettare un modello di integrazione separato per ogni assistente e applicazione.
Questa standardizzazione ha risolto un importante problema di interfaccia. Un agente può scoprire gli strumenti disponibili, richiedere informazioni e invocare azioni supportate attraverso un protocollo comune.
MCP non decide cosa significhino i termini interni di un'azienda. Non determina neppure se un ticket chiuso sia stato superato da un rollback discusso altrove.
L'argomentazione di Uvi inizia dove termina il connettore. L'accesso fornisce all'agente più prove, mentre il livello di ragionamento cerca di organizzare tali prove attorno all'intento operativo.
Questa differenza diventa importante quando un agente passa dalla sintesi all'azione. Un assistente di ricerca può restituire diversi documenti e lasciare a una persona il compito di risolverne le incoerenze.
Un agente autonomo deve scegliere di quale record fidarsi prima di modificare una configurazione, segnalare un ostacolo o aggiornare un flusso di lavoro per il cliente. Questa scelta richiede sia contesto sia autorità.
La tradizionale retrieval-augmented generation, o RAG, recupera materiale correlato a una query e lo fornisce a un modello. Funziona bene quando la risposta esiste all'interno di un documento che il sistema di retrieval può identificare.
Le attività aziendali dipendono spesso da relazioni che nessun documento espone direttamente. La risposta emerge da un ticket, una modifica al codice, una conversazione, la telemetria e la definizione di completamento dell'azienda.
Il progetto GraphRAG di Microsoft illustra il più ampio passaggio del settore oltre i frammenti di testo isolati. GraphRAG combina testo estratto, analisi di rete, prompting e sintesi per costruire rappresentazioni più ricche di un dataset.
Microsoft supporta inoltre provider di contesto basati su grafi che recuperano sottografi connessi anziché passaggi isolati. La sua integrazione Neo4j combina ricerca vettoriale, full-text, ibrida e attraversamento del grafo.
Questi sviluppi convalidano parte della premessa di Uvi. Le relazioni possono fornire informazioni che la sola ricerca per similarità non coglie.
Tuttavia, mostrano anche che Uvi entra in un campo tecnico attivo anziché creare una categoria incontrastata. Le aziende possono combinare database a grafo, framework per agenti, piattaforme di ricerca e pipeline dati personalizzate.
Uvi deve quindi dimostrare che la modellazione delle decisioni offre più valore di un sistema GraphRAG ben progettato. Deve inoltre mostrare che il suo livello gestito costa meno da gestire rispetto a un'alternativa interna.
La divisione competitiva non è semplicemente Uvi contro RAG. I sistemi aziendali più maturi continueranno a utilizzare diversi metodi di retrieval.
La ricerca nei documenti resta utile per policy, report e specifiche. Il retrieval vettoriale continua a essere utile quando gli utenti non conoscono il vocabolario pertinente. La memoria delle conversazioni può conservare preferenze e interazioni recenti.
Un grafo decisionale affronta un'esigenza diversa. Dovrebbe identificare le scelte, le dipendenze e le responsabilità che determinano ciò che un agente può fare in sicurezza in seguito.
L'architettura probabile combina questi livelli. Un agente potrebbe usare la ricerca per trovare materiale di supporto, un grafo per navigare le dipendenze e i sistemi sorgente per verificare lo stato in tempo reale.
Questa combinazione mette sotto pressione i fornitori di ricerca aziendale e i team interni di piattaforma. Restituire link pertinenti non soddisfa più ogni flusso di lavoro degli agenti.
I prodotti di ricerca avranno bisogno di modelli relazionali più ricchi, di un'applicazione più rigorosa delle autorizzazioni e di output pensati per macchine che eseguono azioni. I team interni affrontano la stessa richiesta mentre mantengono connettori e pipeline dati personalizzati.
L'opportunità di Uvi si basa sul rendere riutilizzabile tale complessità. La sua sfida è dimostrare che un fornitore specializzato possa comprendere con sufficiente precisione il linguaggio operativo privato di ciascun cliente.
Il meccanismo dipende da join in tempo reale, intento e autorizzazioni
Il vantaggio tecnico di Uvi dipenderà meno dalla terminologia dei grafi e più dal fatto che le sue relazioni restino aggiornate e correttamente delimitate.
Il flusso di lavoro proposto dal prodotto inizia indicizzando informazioni nei sistemi operativi. Identifica collegamenti espliciti, come un ticket Jira citato all'interno di una pull request.
Cerca anche di risolvere relazioni implicite. Queste possono includere nomi diversi per lo stesso servizio, dipendenti rappresentati da più account o espressioni interne che descrivono un unico processo di rilascio.
La risoluzione delle entità consiste nel mappare questi riferimenti su identità coerenti. Senza di essa, il grafo può trattare una persona, un repository o una funzionalità come più oggetti non correlati.
Il passaggio successivo introduce il significato specifico dell'azienda. Uvi afferma che uno specialista collabora con il cliente per definire concetti quali responsabile, ostacolo, deploy, approvazione e shipped.
Questo coinvolgimento umano è degno di nota. Il sistema non presume che un modello generale possa dedurre ogni regola operativa dalle comunicazioni grezze.
L'approccio ricorda il lavoro necessario per costruire una base di conoscenza affidabile. Una memoria organizzativa utile dipende da definizioni, provenienza, manutenzione e confini di accesso.
Uvi rende quindi interrogabile il grafo risultante. Un agente può richiedere una catena strutturata contenente decisioni, responsabili, stati, dipendenze e prove di supporto.
Questo output differisce da un elenco classificato di documenti. Fornisce all'agente un oggetto operativo più piccolo che può guidarne il passaggio successivo.
Considerate un rilascio che appare completo in un sistema di tracciamento dei progetti. Un repository di codice mostra la relativa pull request unita, ma i dati di monitoraggio registrano un aumento degli errori dopo il deployment.
Una conversazione successiva afferma che il rollout si è fermato a una disponibilità parziale. Il grafo delle decisioni dovrebbe collegare questi eventi e impedire a un agente di descrivere il rilascio come completo.
Anche l'intento modifica il contesto necessario. Esaminare l'architettura del rilascio richiede documenti di progettazione, informazioni sulle dipendenze e compromessi storici.
Diagnosticare un rollout fallito richiede telemetria recente, dettagli sul rollback, codice modificato e responsabilità attuali. Entrambe le query citano lo stesso rilascio, ma richiedono prove diverse.
Uvi afferma che il suo livello restringe il grafo in base al compito. Se funziona, l'agente riceve meno materiale irrilevante e impiega meno turni del modello per esplorare fonti scollegate.
L'azienda riporta notevoli miglioramenti delle prestazioni sul proprio sito web. Uvi afferma di aver vinto 97 query su 100 in un confronto diretto contro un sistema GPT abilitato a MCP in un benchmark di Global-e.
Afferma inoltre di essere due volte più veloce delle baseline RAG e di ridurre di otto volte il costo delle query rispetto a un agente fai-da-te che utilizza lo stesso modello. Si tratta di risultati riportati dal fornitore, non di benchmark indipendenti.
Il materiale pubblicato non fornisce dettagli metodologici sufficienti per generalizzare tali risultati a tutte le aziende. La selezione dei carichi di lavoro, la preparazione del grafo, la valutazione delle risposte, la complessità delle fonti e la configurazione delle baseline possono influenzare materialmente l'esito.
Ciononostante, il benchmark indica la corretta unità di misura. Le imprese dovrebbero confrontare i sistemi in base a risposte corrette, latenza, chiamate totali al modello e tempo di verifica umana.
Un numero inferiore di token conta poco se i dipendenti devono indagare su ogni risposta. Anche un'elevata accuratezza nel recupero delle informazioni conta poco quando un agente non coglie lo stato decisionale corrente.
La sicurezza è l'altro meccanismo centrale. Uvi afferma di poter funzionare on-premises o all'interno di un cloud privato virtuale controllato dal cliente.
L'azienda afferma inoltre che le autorizzazioni vengono applicate durante il recupero delle informazioni. Un agente dovrebbe ricevere solo le informazioni disponibili alla persona che effettua la richiesta.
Questo controllo è importante perché i grafi creano percorsi indiretti verso fatti sensibili. Un utente potrebbe non avere accesso a un documento riservato, ma dedurne il contenuto attraverso nodi connessi.
Un deployment sicuro deve proteggere il materiale sottostante e le relazioni derivate da esso. Persino l'esistenza di un progetto, di un responsabile o di una dipendenza nascosti può rivelare informazioni sensibili.
Anche le autorizzazioni a livello di fonte possono entrare in conflitto. Un canale Slack, un repository e un sistema di tracciamento dei progetti potrebbero assegnare diritti diversi alla stessa persona.
Il livello di ragionamento deve calcolare l'intersezione valida senza divulgare contesto soggetto a restrizioni. Deve ripetere tale calcolo ogni volta che cambiano ruoli, appartenenza ai gruppi o autorizzazioni delle fonti.
Il caso enterprise di Uvi dipende quindi da quattro capacità che lavorano insieme: acquisizione aggiornata, risoluzione accurata delle entità, selezione consapevole del compito e recupero delle informazioni che preserva le autorizzazioni. Una debolezza in uno qualsiasi di questi livelli può compromettere la risposta finale.
Un grafo delle decisioni può conservare gli errori con la stessa facilità della conoscenza
Il rischio più importante per Uvi è che il contesto strutturato possa trasformare una memoria organizzativa incerta in istruzioni di macchina sicure di sé.
Le decisioni aziendali raramente sono registrazioni limpide. I team non sono d'accordo, le eccezioni si accumulano e le soluzioni temporanee sopravvivono oltre il periodo previsto.
Un product manager potrebbe approvare un rilascio in un canale mentre un responsabile della sicurezza lo blocca altrove. L'esito finale potrebbe dipendere da una conversazione non documentata tra dirigenti.
Un grafo deve rappresentare tale incertezza anziché forzare ogni artefatto in un unico stato definitivo. Altrimenti, l'output apparirà coerente nascondendo però un conflitto reale.
L'azienda afferma inoltre che il suo sistema ricostruisce ragionamenti mai registrati esplicitamente. Questo è utile, ma introduce un confine inferenziale che gli acquirenti dovrebbero esaminare con attenzione.
Una relazione supportata da un riferimento a un ticket è diversa dall'interpretazione di un modello su più conversazioni. Entrambe potrebbero apparire come archi in un grafo, ma hanno un diverso peso probatorio.
Le imprese devono sapere quali collegamenti derivano direttamente dai registri delle fonti. Hanno inoltre bisogno di punteggi di confidenza, timestamp e percorsi di revisione per le relazioni inferite.
La validità di una decisione cambia nel tempo. Un'eccezione di emergenza può scadere, un servizio può passare da un team all'altro e una policy di approvazione può essere sostituita.
Il grafo deve conservare la cronologia senza confondere una vecchia regola con quella attuale. Dovrebbe inoltre spiegare perché lo stato corrente ha sostituito le prove precedenti.
La sola acquisizione aggiornata non risolve questo problema. Un nuovo messaggio può essere attuale pur rimanendo non ufficiale, speculativo o errato.
L'autorità conta quanto la recenza. Il sistema deve distinguere un decisore responsabile da un partecipante che discute possibili esiti.
Questi problemi rendono difficile la valutazione. Un benchmark può verificare se il sistema restituisce la risposta attesa, ma la risposta attesa potrebbe essere essa stessa contestata.
I clienti dovrebbero includere nelle loro valutazioni casi contraddittori, decisioni revocate, relazioni riservate e registri deliberatamente obsoleti. Domande semplici su progetti ben documentati non riveleranno le modalità di errore del sistema.
Dovrebbero anche verificare come Uvi gestisce le prove mancanti. Un sistema sicuro dovrebbe rendere esplicita l'incertezza anziché inventare la ragione non documentata alla base di una decisione.
La revisione umana rimane necessaria per azioni rilevanti. Un grafo può ridurre l'esplorazione, ma non dovrebbe eliminare i controlli di approvazione per modifiche in produzione, impegni finanziari o decisioni di sicurezza.
È qui che una base ingegneristica ricercabile rimane preziosa. Le persone devono poter accedere agli artefatti sottostanti quando esaminano l'azione proposta da un agente.
Il vendor lock-in crea un'altra preoccupazione. Uvi sostiene che le aziende dovrebbero possedere un unico livello di contesto che funzioni su più modelli.
Questa portabilità è preziosa solo se i clienti possono esportare dati del grafo, definizioni, provenienza e registri di valutazione. Cambiare modello è facile rispetto alla ricostruzione di anni di conoscenza operativa codificata.
Anche il modello di deployment richiede attenzione. L'esecuzione nell'ambiente del cliente riduce parte dell'esposizione dei dati, ma non garantisce automaticamente un comportamento sicuro.
Gli acquirenti dovrebbero esaminare l'accesso amministrativo, le credenziali dei connettori, la registrazione dei log, i processi di aggiornamento, la crittografia e la risposta agli incidenti. Dovrebbero inoltre verificare il comportamento delle autorizzazioni in ogni fonte integrata.
Le affermazioni di Uvi sul benchmark meritano lo stesso esame rigoroso. I risultati riportati indicano un potenziale, ma non stabiliscono prestazioni valide per organizzazioni o flussi di lavoro diversi.
Un cliente con pratiche di ticketing coerenti presenta un ambiente diverso da uno che si affida a messaggi privati e approvazioni informali. La qualità del grafo rifletterà tali abitudini operative.
Questa limitazione non invalida il prodotto. Chiarisce ciò che Uvi sta effettivamente vendendo.
L'azienda non sta semplicemente installando un database. Sta aiutando un'impresa a formalizzare come si connettono decisioni, responsabilità, prove e autorizzazioni.
Questo processo può produrre valore anche prima che un agente agisca. Può inoltre mettere in luce quanta conoscenza essenziale rimanga informale o inaccessibile.
Il rischio è trattare il grafo risultante come verità oggettiva. È meglio intenderlo come un modello operativo mantenuto, con fonti esplicite e incertezze irrisolte.
Tre segnali mostreranno se il livello di contesto di Uvi funziona
Uvi ora necessita di prove che il suo modello decisionale rimanga accurato in produzione, si trasferisca tra gli agenti e superi la revisione della sicurezza enterprise.
Il primo segnale è una valutazione indipendente. Uvi ha pubblicato esempi di clienti e confronti condotti dal fornitore, incluso il risultato riportato per Global-e.
Il passo successivo è un benchmark riproducibile con domande documentate, baseline, regole di valutazione, latenza, utilizzo del modello e preparazione del grafo. Una convalida esterna renderebbe più facili da valutare le affermazioni sull'efficienza.
Il benchmark dovrebbe testare più del semplice recupero delle informazioni. Dovrebbe includere domande che richiedono più sistemi, stati mutevoli, prove in conflitto e confini di autorizzazione.
Un risultato significativo rafforzerebbe l'affermazione di Uvi secondo cui le decisioni strutturate superano l'esplorazione basata sui connettori. Risultati deboli suggerirebbero che la preparazione personalizzata del grafo contribuisce più dell'architettura generale.
Il secondo segnale è l'adozione duratura da parte dei clienti oltre i piloti controllati. Uvi identifica Melio e Global-e come utenti in produzione e mostra dichiarazioni dei loro dirigenti.
I futuri case study dovrebbero spiegare quali agenti utilizzano il grafo, quali azioni supportano e con quale frequenza i dipendenti annullano le loro conclusioni. Dovrebbero inoltre riportare il lavoro di manutenzione richiesto dopo il deployment.
L'adozione attraverso più interfacce di agenti sosterrebbe la posizione agnostica rispetto ai modelli di Uvi. Mostrerebbe che un unico livello di contesto può servire assistenti di programmazione, agenti di workflow e applicazioni interne.
Un uso limitato all'interno di una sola esperienza di ricerca indebolirebbe questa affermazione. Potrebbe indicare che il grafo funziona bene per la scoperta della conoscenza, ma non per l'azione operativa.
Il terzo segnale è il modo in cui risponderanno le piattaforme più grandi. Microsoft, Anthropic, i fornitori cloud, le aziende di database a grafo e i provider di ricerca enterprise occupano già livelli adiacenti.
Possono combinare connettori, recupero tramite grafo, hosting dei modelli, autorizzazioni e framework per agenti. Alcuni clienti preferiranno questo stack integrato rispetto a un altro fornitore specializzato.
Uvi deve stabilire un vantaggio duraturo nella modellazione delle decisioni, nella velocità di deployment o nell'accuratezza operativa. Il solo numero di connettori non proteggerà la sua posizione.
Il round seed da 7,5 milioni di dollari dell'azienda le fornisce risorse per perseguire tale dimostrazione. Non risolve la questione se il livello di ragionamento diventerà una categoria distinta di software enterprise.
Gli acquirenti dovrebbero cercare documentazione più chiara su aggiornamenti del grafo, relazioni inferite, controlli di accesso e portabilità dei dati. Questi dettagli contano più di una dimostrazione curata.
Dovrebbero inoltre chiedere come si comporta il sistema quando le prove sono in conflitto. Una risposta utile deve mostrare le fonti, preservare l'incertezza e identificare chi può risolvere il disaccordo.
Per gli sviluppatori, l'arrivo di Uvi rafforza una lezione architetturale più ampia. Accesso agli strumenti, recupero delle informazioni, memoria e contesto organizzativo risolvono problemi correlati ma distinti.
MCP può connettere un agente ai sistemi aziendali. RAG può trovare testo pertinente. Il recupero tramite grafo può esporre entità collegate. Un modello decisionale mantenuto può aggiungere responsabilità, causalità e stato operativo.
Nessun singolo livello garantisce un'azione corretta. Gli agenti in produzione necessitano di tutte queste capacità, oltre a valutazioni e controlli umani.
Per gli acquirenti enterprise, la domanda immediata è pratica. Identificate un workflow in cui i dipendenti ricostruiscono ripetutamente la stessa catena decisionale attraverso diversi sistemi.
Misurate le attuali chiamate al modello, il ritardo, il tasso di errore e lo sforzo di revisione. Quindi verificate se un grafo mantenuto migliora l'intero workflow anziché un insieme di risposte curato.
Uvi fornisce agli agenti AI il contesto enterprise convertendo registri sparsi in un resoconto strutturato di come procede il lavoro. Il suo futuro dipende dal fatto che tale resoconto rimanga affidabile dopo la fine della dimostrazione.
Prima di lasciare che un agente agisca sulla memoria organizzativa, ponetevi tre domande: può mostrare le prove, può rispettare ogni autorizzazione e può ammettere l'incertezza?
