Knowledge Graph: как AI видит связи и как проверять каждый вывод

“AI так считает” — худший аргумент в продуктовом исследовании. Если вы не можете проследить рекомендацию до конкретных слов конкретного пользователя — это не исследование, а генерация текста.

Knowledge Graph в AICPO решает именно эту проблему. Каждый факт, каждая связь, каждая рекомендация — прослеживается до источника.

Проблема: LLM не помнит и не связывает

Языковая модель обрабатывает текст последовательно. Она не строит карту знаний. Пользователь говорит в сообщении #5: “Наши клиенты — владельцы электромобилей”. В сообщении #23: “Главная проблема — долгая зарядка”. В сообщении #41: “Конкурент X решает это через бронирование”.

Человек видит: сегмент → боль → конкурентное решение. LLM к 41-му сообщению уже забыл 5-е. Даже с большим контекстным окном — модель не строит граф связей, она просто видит последовательность токенов.

Решение: автоматический граф из разговора

Каждое сообщение пользователя проходит через LLM-экстрактор. Он не генерирует — он извлекает структурированные объекты:

Сообщение: "Мои клиенты жалуются что зарядка занимает 40 минут,
            а у них перерыв на обед только 30"

Извлечено:
  Node(pain): "зарядка занимает 40 минут"
  Node(segment): "работники с обеденным перерывом"
  Node(constraint): "перерыв 30 минут"
  Edge: pain → constraint (тип: limited_by)
  Edge: segment → pain (тип: experiences)

14 типов объектов: боль, задача, сегмент, конкурент, фича, тренд, метрика, ограничение, персона, канал, решение, триггер, эмоция, критерий. Каждая связь имеет вес уверенности (0-100) и ссылку на исходное сообщение.

Evidence trail: от рекомендации до слов клиента

Ключевое отличие от обычного AI-чата. Когда AICPO рекомендует: “Фокусируйтесь на сегменте работников с коротким перерывом” — это не галлюцинация модели. Это вывод из графа:

Рекомендация: фокус на сегменте "работники с перерывом"
  ← Edge: segment-pain (confidence: 85)
    ← Node(pain): "зарядка 40 минут" (сообщение #23)
    ← Node(constraint): "перерыв 30 минут" (сообщение #23)
  ← Edge: segment-trigger (confidence: 72)
    ← Node(trigger): "обеденный перерыв" (сообщение #31)

Вы можете кликнуть на любую рекомендацию и увидеть цепочку: рекомендация → факт → сообщение → слова пользователя. Если цепочка не убедительна — рекомендацию можно отбросить.

Почему не просто RAG?

RAG (Retrieval-Augmented Generation) решает часть проблемы — находит релевантные фрагменты для генерации. Но RAG не строит связей. Он находит “похожие” куски текста, а не “логически связанные” факты.

Граф знаний добавляет то, чего нет в RAG:

Связи между фактами — боль связана с сегментом, сегмент с триггером
Транзитивные выводы — если A связано с B, и B связано с C, граф покажет путь A→C
Контр-сигналы — если два факта противоречат друг другу, граф это фиксирует
Хронология — когда факт был извлечён, менялся ли со временем

Применение: три уровня

Уровень 1: Продуктовое исследование. Граф накапливает данные из десятков интервью. Показывает кластеры болей, пересечения сегментов, слабые зоны конкурентов. То, что аналитик делает неделями с post-it заметками — граф строит автоматически.

Уровень 2: Артефакты с доказательствами. Когда AICPO генерирует PRD или карту конкурентов — каждое утверждение ссылается на узлы графа. Не “рынок растёт”, а “рынок растёт (тренд T-12, источник: 3 интервью + 2 статьи, confidence: 78)”.

Уровень 3: Мониторинг и тренды. Competitive Intelligence и Trend Monitoring добавляют узлы в граф автоматически. Конкурент выпустил фичу → Node(feature) + Edge(threatens, target: your_feature). Тренд в нише → Node(trend) + Edge(addresses, target: pain).

Для корпораций: institutional memory

Знание внутри компании живёт в головах людей, в Confluence-страницах, которые никто не читает, и в Slack-переписках, которые невозможно найти.

Knowledge Graph превращает это в структуру. Факты из исследований, решения из митингов, инсайты из аналитики — всё в одном графе, с traceability. Новый PM может за час понять, что команда выучила за полгода.

Это не замена человеческого суждения. Это инструмент, который делает суждение обоснованным.

Хотите увидеть Knowledge Graph в действии — попробуйте AICPO или напишите nevr@aicpo.com