McKinsey-kennisgraaf koppelt bedrijfsdata aan AI

De meeste bedrijven slaan hun gegevens op in grote relationele databases. Die systemen verwerken transacties prima, maar ze zijn minder goed in het uitleggen hoe een klant, een product en een proces met elkaar samenhangen. Volgens McKinsey & Company kunnen kennisgrafen dat gat dichten en zakelijke AI de bedrijfscontext geven die vaak ontbreekt.

James Kaplan, distinguished partner bij McKinsey, zette die visie uiteen in een interview met John Furrier van theCUBE Research. Het gesprek maakte deel uit van de serie theCUBE + NYSE Wired: AI Luminaries op theCUBE, de livestreamstudio van SiliconANGLE Media. Neo4j, een bedrijf in grafdatabases, sponsorde de verslaggeving van het evenement door theCUBE. SiliconANGLE stelt dat sponsors geen redactionele zeggenschap hebben over de inhoud.

Een technologie die we al dagelijks gebruiken

Volgens Kaplan zijn grafen de meeste mensen al bekend, ook als ze die niet herkennen. LinkedIn, Wikipedia en socialemediaplatforms draaien allemaal op grafstructuren. Consumententechbedrijven zagen de waarde van die aanpak volgens hem eerder in dan de meeste grote ondernemingen.

Hij zette grafen af tegen de relationele databases waar de meeste bedrijven op leunen. Die databases zijn "geweldig als je transactiegegevens verwerkt", zei hij, maar "veel minder goed in ambigue of ingewikkelde gegevens". Een graaf is volgens Kaplan "veel intuïtiever", omdat die dingen beschrijft aan de hand van hun verbindingen met andere dingen. Dat kan een klant zijn, een product, een proces of een enkele stap binnen een proces.

Rommelige data omzetten in regels

De belangrijkste verschuiving zit volgens Kaplan in wat AI nu kan met ongestructureerde informatie. Vroeger waren bedrijfsanalisten of datawetenschappers nodig om verspreide documenten en gegevens om te zetten in een bruikbare structuur. Dat werk was traag en duur, en de resultaten waren vaak onvolmaakt.

Nu kan AI volgens Kaplan ingewikkelde processen doorgronden en programmatisch deterministische bedrijfsregels opstellen. Het kan "rommelige, ongecorreleerde, ongestructureerde data" omzetten in gestructureerde data, die vaak in een graaf wordt opgeslagen. "Dat opent compleet nieuwe horizonten", zei hij.

Ook vond hij dat bedrijfsprioriteiten moeten bepalen waar die AI-winst naartoe gaat. Als voorbeeld noemde hij een bedrijf dat zijn AI-verbeteringen richt op klantbeleving in plaats van productiviteit. De waarde van de graaf groeit volgens hem met de verbindingen: "Hoe rijker de onderlinge verbindingen tussen knooppunten, hoe meer intelligentie je in de graaf hebt en hoe meer je kunt vaststellen."

Een kijkje in EcliptOS

McKinsey brengt dit denken in de praktijk met EcliptOS, dat het bureau een AI-besturingssysteem noemt. Het doel is naar eigen zeggen om de strategie van de topleiding te verbinden met de dagelijkse uitvoering via agentische workflows, oftewel AI-agents die taken van meerdere stappen uitvoeren. Het systeem is gebouwd op een semantische datalaag, die gegevens ordent samen met de relaties tussen die gegevens, en die laag ondersteunt generatieve AI-toepassingen.

Kaplan omschreef het resultaat als "een graaf van databases". Grafen hebben volgens hem flexibelere dataschema's dan traditionele systemen. Die flexibiliteit maakt het makkelijker om een virtuele graaf te bouwen die veel afzonderlijke databases omspant zonder ze samen te voegen tot één geheel. Dat noemde hij "ongelooflijk krachtig".

Onze analyse

Het interview giet een oud dataprobleem in een AI-jasje. Bedrijven hebben grote hoeveelheden informatie in losse systemen zitten, en AI-modellen kunnen alleen redeneren over de context die ze krijgen. Kaplans punt is dat de relaties tussen gegevens een groot deel van de betekenis dragen, en dat grafen die relaties beschikbaar houden voor het model.

Dat past in een breder patroon in zakelijke software. Leveranciers presenteren agents steeds vaker als een laag die over bestaande applicaties heen ligt, zoals SAP doet met Joule als agentische werklaag en Google Cloud met zijn ene Gemini Agent-assistent. McKinseys "graaf van databases" wijst vanaf de datakant naar hetzelfde doel: verbinden wat er al is in plaats van het te vervangen.

Lezers doen er goed aan de context in gedachten te houden. Dit was een gesponsorde interviewserie, en de sponsor van het evenement verkoopt graaftechnologie. De bron geeft geen cijfers over de adoptie, kosten of resultaten van EcliptOS, dus de beweringen blijven de visie van een adviesbureau, geen gemeten bewijs.

Het is de moeite waard om te volgen of door AI gegenereerde "deterministische bedrijfsregels" in de praktijk overeind blijven. Regels die automatisch uit rommelige data worden gehaald, moeten mogelijk nog door mensen worden gecontroleerd voordat agents ernaar handelen. Twee andere open vragen zijn hoe bedrijven het beheer regelen van een virtuele graaf die veel databases omspant, en of de focus op klantbeleving die Kaplan beschreef ook terugkomt in echte implementaties.