🤖 AI

X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention

X-SYNTH is een nieuw raamwerk dat de synthese van enterprise-AI-context verbetert door de digitale aandachtssporen van individuele werknemers te modelleren als gedragsbaselines om causaal relevante activiteitssignaturen te identificeren, waardoor de taaknauwkeurigheid aanzienlijk wordt verhoogd en het aantal valse aanwijzingen in vergelijking met traditionele op zoekopdrachten gebaseerde methoden wordt verminderd.

Oorspronkelijke auteurs: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een complex mysterie op te lossen, zoals het achterhalen wie op het punt staat een grote zakelijke deal af te sluiten. Je hebt een enorme bibliotheek aan aanwijzingen: duizenden e-mails, chatberichten, agenda-uitnodigingen en documentweergaven.

Het Probleem: De "Zoekmachine"-aanpak Faalt
Op dit moment werken de meeste AI-agenten als een standaard zoekmachine. Als je vraagt: "Vind de factuur voor bestelling #123", zoekt de AI naar de exacte woorden "factuur" en "123" en vindt het. Dat werkt uitstekend voor simpele taken.

Maar als je vraagt: "Wie is waarschijnlijk binnenkort van plan een nieuwe deal te tekenen?", komt de AI vast te zitten. Waarom? Omdat het antwoord niet in een enkel document staat dat op gevonden moet worden. Het antwoord is verborgen in het patroon van gedrag. Misschien heeft een verkoper 20 minuten besteed aan het lezen van de prijstabel van een concurrent, vervolgens direct een contractsjabloon geopend, en daarna een kort bericht naar zijn baas gestuurd. Geen van die individuele acties schreeuwt "DEAL", maar de volgorde ervan wel.

Standaard AI mist dit omdat het alleen kijkt naar de inhoud van de documenten, niet naar het verhaal van hoe de mens ermee interacteerde. Het is alsof je probeert een film te begrijpen door een lijst te lezen van de rekwisieten die werden gebruikt, zonder de scènes of de expressies van de acteurs te zien.

De Oplossing: X-SYNTH (De "Digitale Tweeling"-detective)
Het artikel introduceert X-SYNTH, een systeem dat niet alleen documenten leest; het observeert hoe mensen er aandacht aan besteden. Denk er als het geven van een "Digitale Tweeling" van elke medewerker aan de AI.

Hier is hoe het werkt, met een simpele analogie:

1. De Digitale Tweeling-Handtekening (DTS)

Stel je voor dat elke medewerker een "gedragsvingerafdruk" heeft. Dit is niet zomaar een lijst van wat ze doen; het is een rollend profiel van hun normale gewoonten.

De Basislijn: We weten dat "Sarah" doorgaans 30 minuten per dag besteedt aan beveiligingsrapporten.
De Afwijking: Als Sarah plotseling drie dagen lang stopt met het bekijken van beveiligingsrapporten, is die stilte een luid signaal.
De Context: We weten dat "Sarah" de code "FZ" gebruikt om "Formal Zone" (een nieuwe deal) aan te duiden, terwijl "Mike" "FZ" gebruikt voor "Frozen Zone" (een gepauzeerd project).

X-SYNTH bouwt deze "Digitale Tweeling" voor elke werknemer, leert hun unieke ritme, hun vocabulaire en wat "normaal" voor hen is.

2. De Zeven "Aandachtfilters"

In plaats van de AI te vragen te raden wat belangrijk is, gebruikt X-SYNTH zeven verschillende "lenzen" of filters om de data te bekijken, afhankelijk van wie er wordt geobserveerd en wat de vraag is.

De Vergrootglas (Proportioneel): Als iemand veel tijd besteedt aan een document, is het waarschijnlijk belangrijk.
De Stilte-alarm (Invers): Als iemand doorgaans een specifiek bestand controleert maar plotseling stopt, is die afwezigheid een signaal (misschien hebben ze ergens anders een probleem gevonden).
De Afwijkingdetector (Differentieel): Als iemand doorgaans documenten van concurrenten negeert maar plotseling begint ze te lezen, is dat een enorm rood vlaggetje.
Het Terugticket (Recurrent): Als iemand steeds hetzelfde bestand opent en sluit, worstelt ze ermee of evalueert het diepgaand.
De Puzzel (Vergelijkend): Als iemand snel schakelt tussen twee vergelijkbare contracten, vergelijkt ze deze actief.
Het Storyboard (Sequentieel): Hebben ze het contract voor of na de e-mail gelezen? De volgorde maakt uit.
De Crowdsourcing (Collectief): Kijkt het hele team plotseling naar dezelfde klant? Dat is een signaal van consensus.

3. De Slimme Router

De magie gebeurt in het midden. Wanneer je een vraag stelt, kiest X-SYNTH niet zomaar één filter. Het vraagt: "Waar gaat dit over, en wat is hun huidige gedrag?"

Scenario A: Je vraagt over een ontwikkelaar die eigenaar is van beveiligingstools. Het systeem gebruikt het Vergrootglas-filter (kijk naar waar ze tijd aan besteden).
Scenario B: Je vraagt over een ontwikkelaar die vroeger eigenaar was van beveiligingstools maar nu stil is geworden. Het systeem schakelt over naar het Stilte-alarm-filter (kijk naar wat ze niet meer doen).

Dezelfde vraag krijgt twee verschillende antwoorden omdat het systeem de menselijke context achter de data begrijpt.

4. Het Resultaat: Van "Verloren" naar "Gevonden"

Het artikel testte dit uit op een echte verkoopteam.

Zonder X-SYNTH: Een top-AI-model keek naar de data en vond slechts 9,5% van de werkelijke nieuwe deals. Het miste 90% van de kansen en gokte bijna op alles anders fout. Het was als een detective die alleen zoekt naar aanwijzingen die in grote rode letters zijn geschreven.
Met X-SYNTH: Dezelfde AI, nu uitgerust met deze "Digitale Tweeling"-filters, vond 61,9% van de deals. Het pakte 110 deals op die het eerder had gemist.

Waarom Het Werkt (Het "Aha!"-moment)

Het artikel betoogt dat zakelijk werk vol zit met "binnenlandse grappen" en verborgen signalen.

Voorbeeld: Een verkoper ziet een e-mail met het onderwerp "Maak FZ voor PO".
- Standaard AI: "Wat is FZ? Wat is PO? Ik weet het niet. Ik ga gokken dat er niets gebeurt."
- X-SYNTH: "Ah, ik ken deze verkoper. In hun geschiedenis betekent 'FZ' altijd 'Formal Zone' (een nieuwe deal), en 'PO' betekent 'Purchase Order'. Ook hebben ze zojuist de contractbijlage geopend. Dit is een deal!"

De Conclusie

X-SYNTH bewijst dat het vinden van de juiste context voor een AI niet gaat om het ophalen van meer tekst; het gaat om het begrijpen van relevantie door menselijk gedrag. Door te kijken naar hoe mensen werken, en niet alleen naar wat ze schrijven, kan het systeem een chaotische stroom van digitaal lawaai omzetten in een duidelijk, actiegericht verhaal. Het verandert de AI van een passieve bibliothecaris in een actieve detective die de mensen begrijpt waarmee het werkt.

Technische Samenvatting: X-SYNTH — Enterprise Context Synthese vanuit Waargenomen Menselijke Aandacht

1. Probleemstelling

In enterprise-omgevingen is de context die AI-agenten nodig hebben om complexe taken te voltooien, verspreid over systemen van record, statische opslag en communicatiekanalen. De huidige heersende benaderingen vertrouwen op Retrieval-Augmented Generation (RAG), die verzoekinhoud afstemt op opgeslagen data. Hoewel dit effectief is voor smalle, inhoudsgedreven queries (bijvoorbeeld "Zoek factuur INV-34231"), faalt deze aanpak voor complexe agentische taken die synthese vereisen van verspreid gedragsbewijs.

De kern van het falen is het ontbreken van een geprincipeerd relevantiesignaal. Standaard zoeksystemen behandelen data als statische tekst en missen de "geordende reeks acties" en "impliciete beloningssignalen" die coderen hoe werk daadwerkelijk verloopt. Bijgevolg lijden agenten aan lage True Lead Rates (TLR) en hoge False Lead Rates (FLR), omdat ze geen onderscheid kunnen maken tussen ruis en causaal relevante gedragspatronen die specifiek zijn voor een organisatie, team of individu. Het artikel betoogt dat enterprise context synthese geen zoekprobleem is, maar een relevantieprobleem, waarbij menselijke aandacht dient als de grondwaarheid.

2. Methodologie: Het X-SYNTH Kader

X-SYNTH is een vierstaps agentische pijplijn die contextsynthese verankert in menselijke aandacht — gedefinieerd als de digitaal waarneembare interactiehandtekeningen van werknemers. Het systeem modelleert het gedragsbasisniveau van elk individu als een Digital Twin Signature (DTS) en gebruikt een geleerde router om te kiezen uit zeven verschillende aandachtfilters.

Kerncomponenten

A. Digital Twin Signature (DTS)
Voor elke individu $u$ onderhoudt het systeem een rollend gedragsprofiel $DTS(u, \tau)$ over een venster $\tau$ . Het bestaat uit vijf componenten:

$v_{dom}$ (Domeinaandacht): Concentratie van aandacht over werk-domeinen.
$v_{rhythm}$ (Gedragsritme): Statistieken over verblijftijd, herbezoeken en overgangen.
$v_{base}$ (Basisniveau): Uitgebreide terugkijkstatistieken die het "normale" gedrag van het individu vaststellen.
$v_{resp}$ (Verantwoordelijkheidsprofiel): Afgeleide domeinbezit afgeleid van activiteit, niet van gedeclareerde rollen.
$v_{div}$ (Divergentie): Het verschil tussen recente aandachtpatronen en het langetermijnbasisniveau.

B. Zeven Aandachtfilters
Een geleerde moduskeuze $f_\theta$ (een 3-laags MLP) koppelt een query $q$ en de DTS van de gebruiker aan een kansverdeling over zeven kwalitatief verschillende filters:

Proportioneel: Hoge verblijftijd signaleert belangrijkheid (verwachte aandacht).
Invers: Afwezigheid van verwachte aandacht signaleert belangrijkheid.
Differentieel: Afwijking van het eigen basisniveau van het individu signaleert belangrijkheid.
Recurent: Frequent terugkeren naar een artefact signaleert belangrijkheid.
Comparatief: Snelle afwisseling tussen vergelijkbare artefacten signaleert actieve evaluatie.
Sequentieel: Afwijkingen van verwachte workflow-sequenties.
Collectief: Aggregeert aandacht over een cohort om consensus of afwijkende waarden te vinden.

C. De Vierstaps Pijplijn

Onderwerpafbakening: Identificeert de doelgroep van individuen $U_q$ op basis van de query.
Modusselectie: Voor elk paar $(q, u)$ berekent het systeem $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ om de geschikte filter(s) te selecteren.
Retrieval & Weging: Artefacten worden gerangschikt op basis van een gecombineerde weging $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$ . Dit zorgt ervoor dat artefacten zowel inhoudelijk relevant als gedragsmatig significant zijn.
Synthese: Een LLM synthetiseert het antwoord met behulp van de gerangschikte bewijzen en modusannotaties.

D. Feedbacklus
Het systeem decomposeert eindfeedback in faalkansen op stapsniveau. De moduskeuze wordt alleen bijgewerkt wanneer het falen wordt toegeschreven aan Stap 2 (Modusselectie), waardoor het trainingssignaal niet wordt vervuild door retrieval- of synthesefouten.

3. Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Menselijke Aandacht als Gedragsgrondwaarheid: Operationalisering van menselijke aandacht als een leerbare, discriminerende relevantiesignaal zonder externe labels, gecodeerd via de DTS.
Zeven-Filter Aandachtsmodus Kader: Een gestructureerde set kwalitatief verschillende filters die dynamisch per individu en query worden geselecteerd via een lichtgewicht router.
Vierstaps Agentische Synthese Pijplijn: Een workflow die onderwerpafbakening, geïndividualiseerde modusselectie, aandachtsgebaseerde retrieval en synthese integreert.
Krediet-toegeschreven Feedbacklus: Een mechanisme om de moduskeuze alleen te isoleren en bij te werken wanneer deze specifiek is voor modusmisclassificatie, waardoor schone trainingssignalen worden gewaarborgd.

4. Evaluatie en Resultaten

Het kader werd geëvalueerd op een benchmark van 302 instances afgeleid van echte digitale interactiesporen van vijf kenniswerkers bij een Fortune 500-bedrijf (210 positieve instances van zakelijke kansen, 92 negatieve).

Basisprestaties:

Een frontier-model (Claude Opus 4.6) dat direct opereerde op ruwe interactiessequenties, behaalde een True Lead Rate (TLR) van 9,5% en een False Lead Rate (FLR) van 90,5%.
Een kleiner model (GPT-4o-mini) behaalde een TLR van 0%.

X-SYNTH Prestaties:

Frontier-model + X-SYNTH: TLR steeg naar 61,9% (een 6,5× verbetering), waarbij 130 van de 210 echte leads werden gevangen. FLR daalde naar 18,8%.
Klein model + X-SYNTH: TLR steeg van 0% naar 57,1%, wat aantoont dat het kader kleinere modellen functioneel kan maken voor complexe taken.

Kwalitatieve Bevindingen:

Woordenschatkloof: X-SYNTH slaagde erin organisatie-specifieke afkortingen te interpreteren (bijvoorbeeld "FZ" voor "Formal Zone") door gebruik te maken van de DTS, terwijl directe inferentie faalde door gebrek aan organisatie-priors.
Schaal & Selectiviteit: Directe inferentie is op schaal niet haalbaar vanwege het tokenvolume (tot 2,5 miljoen tokens per dag per verkoper). De selectieve retrieval van X-SYNTH maakt evaluatie hanteerbaar.
Temporele Integratie: X-SYNTH slaagde erin signalen over meerdere dagen en individuen te integreren, terwijl vensters van één dag cruciale context misten.

5. Betekenis en Claims

Het artikel claimt dat enterprise context synthese geen zoekprobleem is, maar een relevantieprobleem. Het ontbreken van een relevantiesignaal dat is verankerd in menselijk gedrag is de primaire bottleneck voor enterprise AI-agenten, niet de redeneercapaciteit van de onderliggende LLM.

X-SYNTH toont aan dat door individuele gedragsbasislijnen (DTS) te modelleren en aandachtfilters dynamisch te selecteren, systemen kunnen:

Causale relevantie herstellen uit verspreid gedragsbewijs.
De "enterprise woordenschatkloof" overwinnen door inferentie te verankeren in opgehoopte organisatie-priors.
Schalen naar hoogvolume interactiestromen door gedragsgebaseerde compressie in plaats van trefwoordmatching.

De auteurs concluderen dat menselijke aandacht de meest betrouwbare grondwaarheid is voor enterprise relevantie, en dat X-SYNTH een geprincipeerd mechanisme biedt om dit signaal te operationaliseren, waardoor de bruikbaarheid van AI-agenten in complexe enterprise workflows aanzienlijk verbetert.