AI adoption starts with truth — Replit

Executive Summary

AI adopcia je limitovaná dôverou — keď agent vráti sebavedomú a zároveň nesprávnu odpoveď, používatelia ho prestanú zaťažovať dôležitou prácou. Riešením je semantic layer ako zdieľaná definícia pojmov a operational-truth layer ako verzionovaný, ľudsky schválený corpus opráv a definícií. Spolu umožňujú každému agentovi v organizácii vychádzať z rovnakej overenej reality — a každá oprava zlepšuje všetky budúce odpovede.

Core Knowledge

Kľúčové princípy

  • Dôvera sa nedá vrátiť späť jednoducho. Jeden dôveryhodný zlý výsledok spôsobí, že používateľ bude dôsledne kontrolovať alebo obchádzať agenta pri dôležitej práci.
  • Semantic layer ≠ plumbing. Je to prvý akt governance AI-native organizácie: zdieľané definície metrík, kanonické zdroje pravdy, povolené vzťahy medzi entitami. Bez neho nemá agent dátový problém — má jazykový problém (viaceré tabuľky vyzerajú rovnako plausibilne, model nevie, ktorá znamená „revenue").
  • Operational-truth layer je semantic layer + systém záznamu opráv. Každá oprava je commit: neúspešný prípad, fix, zdôvodnenie — diffovateľné, revertovateľné, atribuovateľné. Corpus je aktívum; model pod ním je vymeniteľný.
  • Convergencia v priemysle. Anthropic, OpenAI (in-house data agent, jan. 2026) aj Meta (Analytics Agent) prichádzajú na rovnaké: trvalá hodnota leží v akumulovanej, validovanej knowledge layer okolo modelu, nie v samotnom modeli.
  • Replit BET: operačná pravda ako zdieľaná infraštruktúra — verzionovaná, ľudsky schválená, model-independent; validovaná pred použitím a zdieľaná naprieč všetkými agentmi.

Kľúčové pojmy

  • Semantic layer — definuje, ktoré tabuľky sú sources of truth a ako súvisia; je nevyhnutný, ale nie dostatočný.
  • Operational-truth layer — git repozitár opráv, business definícií a playbooks; prežíva každý rozhovor.
  • Knowledge — dlhodobý záznam opráv, definícií, playbooks (čo sa počíta ako „user" alebo „revenue").
  • Tools — deterministický kód cez spoľahlivé rozhrania (validácia, vizualizácia, parsing); znovupoužiteľný namiesto prepisovania.
  • Skills — on-demand procedúry a kontext (data-quality checks, metric definitions) — načítavajú sa len keď sú relevantné.
  • Workflows — koordinácia opakovateľných multi-step procesov.
  • Automation — workflows bežiace kontinuálne tam, kde tímy pracujú.

Štyri mechanizmy dôveryhodnej odpovede

  1. Knowledge layer = git repozitár. Oprava nie je uložená pamäť, je to zreviewovaný pull request. Corpus je traversable ako codebase (file trees, grep, diffs, blame).
  2. Každú opravu merguje človek. Pomalšie zámerne — to, čo sa stane kanonickým, je deliberátne a inspektovatePné.
  3. Validácia pred tvrdením. Agent overí číslo (row counts, metric definitions, known failure modes) a vráti dôkaz spolu s odpoveďou — correctness gate, nie safety filter.
  4. Jeden corpus, čítaný všetkými agentmi. Oprava z finančného šetrovania zdedí coding agent, support agent aj ďalší dotaz — organizácia konverguje na jedno číslo pre jednu metriku.

Decision Rules

  • IF agent operuje nad dátami bez definovaného semantic layer → THEN zákazník dostane plausibilné, ale nesprávne odpovede; nasadzovanie blokovať, pokým nie je semantic layer definovaný.
  • IF oprava knowledge je uložená automaticky bez review → THEN corpus nie je dôveryhodný; vyžadovať ľudský merge.
  • IF semantic layer existuje, ale chýba operational-truth layer (záznam opráv) → THEN systém je dobrý pre jednoduché dotazy, ale neučí sa z chýb; nie je vhodný na kritické pracovné toky.
  • IF agent vracia čísla bez priloženého dôkazu (evidence) → THEN validácia pred tvrdením chýba; vrátiť na redesign.
  • IF inštitucionálne znalosti sú len v ľudských hlavách a Slack kanáloch → THEN je to klasický failure mode; každý odchod zamestnanca eroduje dôveru.

Quality Criteria

  • Semantic layer obsahuje kanonické definície metrík a explicitne označuje deprecated tabuľky.
  • Každá oprava je commitnutá s neúspešným prípadom, fixom a zdôvodnením (nie len výsledkom).
  • Human review je povinný krok pred vstupom do zdieľaného corpusu.
  • Agent vracia odpoveď + priložený dôkaz (row counts, validation trail).
  • Corpus je verzionovaný, model-independent (vymeniteľný model, corpus ostáva).
  • Adopcia rastie organicky (word of mouth), nie mandátom.

Red flags:

  • Dve dashboardy ukazujú rôzne čísla pre rovnakú metriku.
  • Definícia „revenue" nie je explicitne zdokumentovaná (sú refundy zahrnuté?).
  • Opravy sa ukladajú automaticky bez review.
  • Agent vráti číslo bez validačných metadát.

Edge Cases

  • Zdedené systémy: Väčšina firiem nemôže začať odznova; majú roky premenovaných eventov, shadow dashboardov, čiastočných migrácií. Operational-truth layer práve rieši toto — investigations a opravy priebežne aktualizujú rovnaký corpus.
  • Model je swappable, corpus nie. Ak organizácia zmení LLM, corpus opráv ostáva; platí opačná logika ako pri tradičnom fine-tuningu.
  • Validácia nie je safety filter. Je to correctness gate — agent odmietne odpovedať, kým nevie, že číslo je dôveryhodné.
  • Replit data agent prešiel z launchu na >1 000 warehouse-backed otázok týždenne bez mandátu — iba word of mouth, lebo odpovede sa držali.

Sources

  • Jon Eide, Aadil Hussaini — AI adoption starts with truth, Replit Blog, 3. aug. 2026 — https://replit.com/blog/ai-adoption
  • Michele Catasta — Continual Learning for Agents
  • Amjad Masad — The Self-Driving Company
  • Anthropic — Building effective agents
  • OpenAI — Inside OpenAI's in-house data agent
  • Meta — Inside Meta's Home Grown AI Analytics Agent