ThreadWeaver v3 a lancé son Causal Work Graph, un moteur de lignage multi-outils qui permet aux requêtes pilotées par l'IA de renvoyer non seulement un document, mais une chaîne de preuves vérifiable reliant les discussions Slack, les tickets Jira, les commits GitHub et d'autres artefacts. Les équipes qui l'adoptent peuvent répondre à la question « Pourquoi cela a-t-il été construit ? » à l'aide d'un sous-graphe visible plutôt que par un paragraphe spéculatif.
Le contexte : données éparpillées, connexions manquantes
Les équipes d'ingénierie évoluent aujourd'hui dans un patchwork de plateformes. Une plainte client se trouve dans un système de ticketing, la discussion qui en découle se trouve dans une application de chat, la décision de conception se trouve dans un tableau de gestion de projet, le code se trouve dans un dépôt, et les notes de version se trouvent dans un outil de documentation. L'information brute est présente, mais les liens causaux entre elles sont invisibles. Lorsqu'un chef de produit demande pourquoi une fonctionnalité a été déployée, la réponse est enfouie dans un réseau de messages, de tickets et de commits. Les outils de recherche traditionnels peuvent faire remonter des éléments contenant des mots-clés similaires, mais ils ne peuvent pas déterminer quel élément a réellement déclenché le suivant.
Pourquoi c'est important : provenance versus hallucination
La plupart des grands modèles de langage (LLM) répondent par correspondance de similarité sémantique. Un ticket Jira mentionnant un canal Slack peut sembler lié, pourtant le modèle ne peut pas prouver que la discussion a causé le ticket. Le résultat est une « hallucination » : une réponse qui semble plausible mais qui manque d'une source vérifiable. Dans les environnements réglementés, ou dès que la responsabilité est en jeu, cet écart est coûteux. Le Causal Work Graph remplace les suppositions par un graphe dont les arêtes sont étayées par des preuves concrètes : horodatages, identifiants d'acteurs, types de relations et scores de confiance.
Comment fonctionne le Causal Work Graph
- Modélisation centrée sur l'événement – chaque nœud représente un événement (par ex. un message Slack, la création d'un ticket Jira) plutôt qu'un document statique.
- Relations explicites – les arêtes encodent l'affirmation causale spécifique (« la discussion Slack informe la décision du PM ») ainsi que les preuves à l'appui.
- Métadonnées de provenance – chaque arête stocke la source, la cible, l'horodatage, l'acteur, le niveau de confiance et un pointeur vers l'artefact original qui étaye l'affirmation.
- Gestion de l'incertitude – si le système ne parvient pas à localiser un événement de liaison, il renvoie « Inconnu » au lieu de fabriquer une connexion.
- Exposition tenant compte des permissions – les utilisateurs ne voient que les arêtes dont ils sont autorisés à consulter les artefacts sous-jacents ; un message Slack manquant masque simplement l'arête correspondante.
- Le LLM comme interprète, pas comme référentiel – le modèle de langage traduit le graphe en explications en langage naturel, tandis que le graphe lui-même reste la source de vérité faisant autorité.
Lorsqu'un utilisateur demande : « Qu'est-ce qui a mené à la version ? », le moteur assemble un sous-graphe qui pourrait ressembler à ceci :
- Plainte client → Discussion Slack (horodatage, utilisateur)
- Discussion Slack → Décision PM (ticket Jira)
- Décision PM → Commit GitHub (modification de code)
- Commit GitHub → Version (artefact)
La réponse inclut des liens vers le message Slack et le commentaire Jira exacts, permettant à l'interrogateur de vérifier chaque étape.
À retenir
Le Causal Work Graph de ThreadWeaver v3 transforme les artefacts d'ingénierie éparpillés en une chaîne unique de cause à effet auditable. En exigeant des preuves pour chaque lien, il contourne les hallucinations qui parasitent les réponses basées uniquement sur les LLM et offre aux équipes un moyen concret de retracer le « pourquoi » de chaque version.