Zespół badawczy opisuje Context Graph - żywą strukturę danych modelującą podmioty w organizacji, ich związki i zmiany stanu w czasie. Zamiast czekać na zapytania użytkowników, system aktywnie monitoruje zmiany w tej grafie i proaktywnie powiadamia pracowników o ważnych informacjach jeszcze zanim ich poszukają.
Architektura składa się z trzech kluczowych komponentów. Delta Detection Engine ciągle śledzi zmiany stanu w grafie kontekstu. Proactivity Scorer ocenia potencjalne spostrzeżenia pod kątem pilności, istotności i dopasowania do konkretnej osoby. Na koniec warstwa surfacingu wykorzystuje model LLM do sformułowania rankowanych powiadomień z wyjaśnieniami opartymi na danych. Całe rozwiązanie zostało zimplementowane w Pythonie z użyciem biblioteki NetworkX i API Anthropic Claude.
Badacze przetestowali system na trzech rzeczywistych scenariuszach: zarządzaniu cyklem życia umów, reagowaniu na incydenty w zespołach inżynieryjnych i monitorowaniu pipeline'u sprzedażowego. Wyniki pokazały osiągnięcie precyzji@5 na poziomie 0.83 przy współczynniku fałszywych alarmów 0.11. Najważniejsze - średni czas dostarczenia informacji zmniejszył się z 47 minut w podejściu reaktywnym do poniżej 30 sekund. To sugeruje potencjał do znacznego zwiększenia produktywności pracowników poprzez inteligentne, przewidujące systemy wspomagające.